Mathematically Modeling the GPe/STN Neuronal Cluster to Account for Parkinsonian Tremor and Developing a Novel Method to Accurately Diagnose Parkinson's Disease Using Speech Measurements and an Artificial Neural Network
帕金森病(PD)是一种以进行性运动丧失、震颤和言语不清为特征的衰弱性运动系统疾病。PD是由于产生多巴胺的脑细胞的损失,症状只会随着时间的推移而恶化,使早期发现和诊断疾病成为有效管理和治疗的关键。目前还没有标准化的诊断方法,而是结合患者的病史和医生的判断。在这项研究中,开发了一种新的方法,准确诊断PD使用人工神经网络(ANN)和语音测量。使用这项技术,病人只需要对着电脑麦克风说话。然后使用Praat分析语音数据并输入到ANN中以获得诊断。使用MATLAB构建的人工神经网络,经过实际患者数据的训练和测试,能够正确分类96.55%的测试数据。然后,构建GPe/GEP神经簇的数学模型以解释帕金森震颤。这是使用一个双细胞模型来完成的,该模型将一个GPe神经元耦合到一个P2P神经元,并且由一个由12个常微分方程组成的系统组成。该模型的结构考虑了神经元的爆发行为、神经递质的释放和神经元之间的突触连接。在与PD患者中的簇和神经元放电模式的生物学行为进行比较之后,确定该模型可预测已知的生物学结果。这项工作是PD研究的重要一步,可以成功地应用于临床实践。
2014-05-06 q-bio.NC
Synthesising Realistic Calcium Traces of Neuronal Populations Using GAN
University of Edinburgh(爱丁堡大学)
钙离子成像已成为一种强大的和流行的技术,以监测大量的神经元在体内的活动。然而,出于道德考虑,尽管最近技术发展,记录仍然限于有限数量的试验和动物。这限制了从单个实验中获得的数据量,并阻碍了分析技术和模型的发展,以获得更真实的神经元群体的大小。人工合成真实神经元钙信号的能力可以通过扩大试验数量来大大缓解这个问题。在这里,我们提出了一个生成对抗网络(GAN)模型,以生成逼真的钙信号,如在神经元胞体与钙成像。为此,我们提出了CalciumGAN,一个基于WaveGAN架构的模型,并用Wasserstein距离对钙荧光信号进行训练。我们用已知的地面实况在人工数据上测试了该模型,并表明生成的信号的分布与底层数据分布非常相似。然后,我们在从行为小鼠的初级视觉皮层记录的真实钙迹线上对模型进行训练,并确认去卷积的脉冲序列与记录数据的统计数据匹配。总之,这些结果表明,我们的模型可以成功地生成逼真的钙迹线,从而为增强数据探索和建模提供了增强现有神经元活动数据集的手段。
2023-02-04 cs.AI cs.LG q-bio.NC
Sequence learning in Associative Neuronal-Astrocytic Network
研究大脑的神经元范式在我们理解神经元如何处理信息以实现生物智能以及如何将这些知识转化为人工智能及其最源自大脑的分支神经形态计算方面给我们留下了局限性。最近对星形胶质细胞的探索颠覆了我们对大脑如何工作的基本假设,揭示了这些长期被忽视的脑细胞通过在突触水平上与神经元活动相互作用来动态调节学习。根据最近的实验证据,我们设计了一个关联的,Hopfield型,神经元-星形胶质细胞网络和分析神经元和星形胶质细胞之间的相互作用的动力学。我们表明,星形胶质细胞足以触发网络的神经元组成部分的学习记忆之间的转换。此外,我们从数学上推导出了由星形胶质细胞过程中钙依赖性慢电流的动力学决定的过渡时间。总的来说,我们提供了一个大脑形态学机制的序列学习的启发,并与最近的实验结果。为了评估我们的模型,我们模拟了星形胶质细胞萎缩,并表明在受影响的星形胶质细胞达到临界点后,记忆回忆会明显受损。这种大脑启发和大脑验证的方法支持我们正在进行的努力,将非神经元计算元素的神经形态信息处理。
2020-05-10 q-bio.NC
Towards the Next Generation of Retinal Neuroprosthesis: Visual Computation with Spikes
神经假体作为一种精密医疗设备,其目的是以闭环方式操纵大脑神经元信号,同时接收来自环境的刺激并控制我们大脑/身体的某个部分。就视觉而言,大脑可以在毫秒间隔内处理输入的信息。视网膜计算视觉场景,然后将其输出作为神经元尖峰发送到皮层进行进一步计算。因此,视网膜神经假体感兴趣的神经元信号是尖峰。神经假体中的闭环计算包括两个阶段:将刺激编码为神经元信号和将其解码为刺激。在这里,我们回顾了一些最近的进展,视觉计算模型,使用尖峰分析自然场景,包括静态图像和动态电影。我们假设,为了更好地理解视网膜中的计算原理,人们需要视网膜的超回路视图,其中应考虑视网膜的皮质神经元网络中揭示的不同功能网络模体。视网膜的不同构建块,包括细胞类型和突触连接的多样性,化学突触或电突触(间隙连接),使视网膜成为理想的神经元网络,以适应人工智能中开发的用于编码/解码视觉场景建模的计算技术。总之,我们需要一个系统的视觉计算与尖峰的方法来推进下一代的视网膜神经假体作为一个人工视觉系统。
2020-01-13 q-bio.NC
Deviance Detection and Regularity Sensitivity in Dissociated Neuronal Cultures
本研究利用解离神经元培养物和CMOS微电极阵列,发现其具备真正的偏差检测和规律性敏感性,挑战了复杂处理需分层网络的传统观点,为神经启发AI提供新方向。
2025-02-28 q-bio.NC
Dendritic Integration Regulation and Neuronal Arithmetic Implemented in a Proton-Coupled Neuron Transistor
神经元是大脑中最重要的组成部分,神经元的信息处理涉及到将输入突触脉冲序列转换为相应的输出脉冲序列。通过单个离子/电子耦合器件实现神经元的硬件实现对于增强我们对大脑的理解以及解决感觉处理和复杂识别任务具有重要意义。在这里,我们提供了一个原理验证的人工神经元,具有多个突触前输入和一个基于质子耦合氧化物的双电层晶体管的调制终端。树突整合的调节是通过调节施加在调控端的电压来实现的。此外,还模拟了时间相关编码和频率编码方案中的神经元增益控制(算术)。我们的研究结果为构建脑启发的神经形态系统提供了新的概念方法。
2015-06-12 q-bio.NC
An artificial spiking synapse made of molecules and nanoparticles
基于分子的器件被设想为通过凭借其自组织能力以更简单的工艺水平和更低的成本提供新的功能或已经存在的功能来补充硅器件,此外,它们不受冯·诺依曼架构的约束,这可能为其他架构范例开辟道路。在这里,我们展示了一个由共轭分子和金属纳米颗粒(NP)制成的设备,它的行为就像一个尖峰突触,适合集成在神经网络架构中。我们证明,该设备表现出的生物突触的主要行为。这些结果开辟了在感知器和Hopfield网络的NOMFET的速率编码利用的方式。我们还可以设想NOMFET作为神经电子学的构建块,用于将由图案化神经元培养物制成的神经元或神经元逻辑器件与固态器件和电路连接。
2009-04-06 cond-mat.dis-nn cond-mat.mtrl-sci q-bio.NC
Unique Scales Preserve Self-Similar Integrate-and-Fire Functionality of Neuronal Clusters
识别大脑的神经元簇大小以在网络计算中呈现为节点对神经科学和人工智能都至关重要,因为这些定义了构建智能计算所需的认知块。实验支持许多形式和大小的神经聚类,而神经质量模型(NMM)假设尺度不变的功能。在这里,我们使用脑源性功能磁共振成像网络的计算模拟,以表明不仅大脑网络保持结构上的自相似连续跨尺度,但也神经元样的信号整合功能被保存在特定的尺度。因此,我们提出了一种粗粒度的神经元网络的集合节点,多个尖峰组成它的集合尖峰,时间重新缩放因子定义它的集合时间步长。出现的分形时空结构和功能,允许跨实验规模的计算建模的桥接策略选择,同时也建议监管限制发展和/或进化的“生长突增”的大脑大小,在进化生物学的间断平衡理论。
2020-02-24 q-bio.NC
Structural Properties of the Caenorhabditis elegans Neuronal Network
尽管最近对重建神经元网络感兴趣,但在单个突触水平上的完整接线图仍然很少,并且它们可以提供的功能的见解仍然不清楚。即使是秀丽隐杆线虫,其神经网络相对较小,并且在动物之间是刻板的,已发表的接线图既不准确也不完整,也不自洽。利用White等人的材料和新的电子显微照片,我们组装了完整的、自洽的两性花C。优雅我们提出了一种方法来可视化的布线图,它反映了网络信号流。我们计算网络的统计和拓扑属性,如度分布,突触多重性和小世界属性,这有助于理解网络信号传播。我们确定了可能在信息处理和网络模体,可以作为网络的功能模块中发挥核心作用的神经元。我们探索传播的神经元活动响应感官或人工刺激,使用线性系统理论,并找到几个活动模式,可以作为基板的先前描述的行为。最后,我们分析了缝隙连接和化学突触网络之间的相互作用。由于C. elegans网络,如多样性和基序分布与哺乳动物新皮层中发现的相似,它们可能指向神经元网络的一般原理。这里报告的接线图可以帮助理解行为的机制基础,通过预测未来的实验,包括遗传扰动,激光消融,或监测神经元活动的传播对刺激的反应。
2010-06-11 q-bio.NC
Exploring Biological Neuronal Correlations with Quantum Generative Models
QuTech(QuTech研究所);Kavli Institute of Nanoscience(卡夫利纳米科学研究所);Delft University of Technology(代尔夫特理工大学)
针对经典神经元活动建模参数多、可解释性差的问题,本研究提出量子生成模型框架,可生成捕捉生物神经元时空相关性的合成数据,以更少参数实现可靠结果,为神经科学研究提供新工具。
2024-09-13 cs.LG cs.NE q-bio.NC
Application of an attention-based CNN-BiLSTM framework for in vivo two-photon calcium imaging of neuronal ensembles: decoding complex bilateral forelimb movements from unilateral M1
West Virginia University(西弗吉尼亚大学);University of Miami(迈阿密大学);Leonard M. Miller School of Medicine(伦纳德·M·米勒医学院);Rockefeller Neuroscience Institute(洛克菲勒神经科学研究所)
本研究提出基于注意力的CNN-BiLSTM混合深度学习框架,利用体内双光子钙成像信号,成功从单侧M1神经元群体准确解码双侧前肢复杂运动,验证了该模型捕获神经元活动时空依赖性的有效性。
2025-04-23 cs.LG q-bio.NC
Performance of networks of artificial neurons: The role of clustering
数值研究了Hopfield神经网络模型在Watts-Strogatz网络、Barab{á}si-Albert网络和C.优雅通过使用一种系统的方法来控制聚类系数,保持每个神经元的度不变,我们发现具有较低聚类的网络表现出更好的性能。从实际应用的角度对结果进行了讨论,并提出了生物学意义。
2004-02-27 q-bio.NC
A Hebbian/Anti-Hebbian Network Derived from Online Non-Negative Matrix Factorization Can Cluster and Discover Sparse Features
尽管我们对神经元的生物物理特性有广泛的了解,但还没有普遍接受的神经元功能的算法理论。在这里,我们探讨的假设,单层神经网络进行在线对称非负矩阵分解(SNMF)的相似性矩阵的流数据。通过从SNMF成本函数开始,我们推导出一种在线算法,该算法可以由具有局部学习规则的生物学上合理的网络来实现。我们证明,这样的网络执行软聚类的数据,以及稀疏特征发现。衍生的算法复制了许多已知的方面的感觉解剖和生物物理特性的神经元,包括单极性质的神经元活动和突触的权重,本地突触可塑性规则和累积神经元活动的学习率的依赖性。因此,我们朝着神经元功能的算法理论迈出了一步,这将有助于大规模神经电路模拟和生物启发的人工智能。
2015-03-02 cs.NE q-bio.NC stat.ML
Objective Multi-variable Classification and Inference of Biological Neuronal Networks
生物神经元类型和网络的分类对充分理解大脑的组织和功能提出了挑战。在本文中,我们开发了一个新的生物神经元类型和网络的基础上的通信度量的客观分类模型。这相对于现有方法呈现出优势,因为从脉冲序列获得的神经元之间的互信息或延迟与常规形态数据相比是更丰富的数据。我们首先设计了两个开放获取的支持计算平台,分别是Neurpy和Neurgen。然后,我们研究如何网络断层扫描的概念可以实现与皮层神经元电路的形态,拓扑和电分类的神经元。我们将模拟数据提取到许多不同的分类器(包括SVM,决策树,随机森林和人工神经元网络)中,对特定的细胞类型(和子组类型)进行分类,准确率高达70%。利用网络断层扫描技术推断生物网络结构的准确率可达65%。我们还分析了五层、25个细胞m型和14个细胞e型分类的召回率、精确率和F1得分。我们的研究不仅有助于现有的分类工作,而且为未来使用细胞级脑机接口对神经元进行体内客观分类作为大脑结构的传感机制设定了路线图。
2020-03-28 cs.OH q-bio.NC
Listen to the Waves: Using a Neuronal Model of the Human Auditory System to Predict Ocean Waves
Leibniz Institute for Neurobiology(莱布尼茨神经生物学研究所);Université de Pau et des Pays de l’Adour(波城与阿杜尔大学);University of Hawaii at Manoa(夏威夷大学马诺阿分校);Lancaster University(兰卡斯特大学);University of Bergen(卑尔根大学)
受海浪与声波的相似性启发,研究人员仿照大脑听觉系统 redesign 回声状态网络用于实时海浪预测,该工具计算量低、鲁棒性强、适配多海况,验证了神经科学与机器学习融合的优势。
2024-04-15 cs.LG cs.NE eess.SP
Fooling the primate brain with minimal, targeted image manipulation
Harvard Medical School(哈佛医学院);National University of Singapore(新加坡国立大学);Harvard University(哈佛大学);Boston Children’s Hospital(波士顿儿童医院);Center for Brains, Minds and Machines(大脑、心智与机器中心)
人工神经网络(ANN)被认为是目前最好的生物视觉模型。人工神经网络是腹侧流中神经活动的最佳预测器;此外,最近的工作已经证明,适合神经元活动的人工神经网络模型可以指导图像的合成,从而驱动小神经元群体中的预定义响应模式。尽管成功地预测和引导放电活动,这些结果还没有与感知或行为的变化。在这里,我们提出了一系列的方法来创建最小的,有针对性的图像扰动,导致神经元活动和感知的变化,反映在行为。我们生成了人脸、猴脸和噪声模式的“欺骗性图像”,使它们被感知为不同的、预先指定的目标类别,并测量了猴神经元响应和人类对这些图像的行为。我们发现了几种有效的方法来改变灵长类动物的视觉分类,需要更小的图像变化相比,非目标噪声。我们的工作与对抗性攻击有着相同的目标,即用最小的、有针对性的噪声来操纵图像,这些噪声会导致ANN模型对图像进行错误分类。我们的研究结果是一个有价值的步骤,在量化和表征生物和人工视觉的扰动鲁棒性的差异。
2022-03-30 cs.CV cs.NE eess.IV
Model-free reconstruction of neuronal network connectivity from calcium imaging signals
通过直接电生理测定系统评估全局神经网络连接性在技术上仍然是不可行的,即使在分离的神经元培养物中。我们介绍了一种改进的算法方法的基础上转移熵重建近似网络结构的连接性,通过钙荧光成像监测网络活动。基于信息论,我们的方法不需要事先假设神经元放电和神经元连接的统计。我们的算法的性能是基准上的代理时间序列的钙荧光所产生的模拟动态的网络与已知的地面实况拓扑结构。我们发现转移熵揭示的有效网络拓扑定性地依赖于网络的时间依赖动态状态(例如,爆裂或非爆裂)。因此,我们展示了如何调节相对于全球平均活动提高我们的方法的性能。[...]与其他重建策略,如互相关或格兰杰因果关系的方法相比,我们的方法基于改进的转移熵是显着更准确。特别是,它提供了一个很好的重建网络聚类系数,允许区分弱或强集群拓扑,而另一方面,基于互相关的方法将不变地检测人为的高水平的集群。最后,我们提出了我们的方法的适用性,在体外皮质文化的真实记录。我们证明,这些网络的特点是一个升高的聚类水平相比,随机图(虽然不是极端的),并通过显着的非本地连接。
2012-05-28 cond-mat.dis-nn q-bio.NC
Modeling bursting in neuronal networks using facilitation-depression and afterhyperpolarization
在没有抑制的情况下,兴奋性神经元网络可以在爆发和爆发间隔(IBI)之间交替,具有异质长度分布。由于这种动态仍然不清楚,特别是每个时期的持续时间,我们在这里开发了一个基于突触抑制和促进的爆发模型,该模型还解释了后超极化(AHP),这是IBI的关键组成部分。该框架是一个新的随机三维动力系统扰动的噪声:数值模拟可以再现一连串的突发和interburst。每个相对应于相空间的一部分的探索,其中包含由二维稳定流形$Σ$分离的三个临界点(一个吸引子和两个鞍)。我们在这里表明,爆裂是由长的确定性的游览远离吸引子,而IBI对应于逃逸引起的随机波动。我们表明,在突发持续时间的变化,取决于出口点的分布位于$Σ$,我们使用WKB和特征的方法计算。最后,为了更好地表征几个参数的作用,如网络的连通性或AHP的时间尺度,我们分析计算的平均突发和AHP持续时间的线性近似。结论:簇放电和IBI的分布可能是AHP调控突触动力学的结果。
2020-12-15 math.DS q-bio.NC
A neural network trained to predict future video frames mimics critical properties of biological neuronal responses and perception
Harvard University(哈佛大学);MIT-IBM Watson AI Lab(麻省理工-IBM沃森人工智能实验室);IBM Research(IBM研究院)
虽然深度神经网络从神经科学中获得了松散的灵感,但如何认真对待人工深度网络和生物神经元系统之间的类比仍然是一个悬而未决的问题。有趣的是,最近的研究表明,在大规模图像识别任务上训练的深度卷积神经网络(CNN)可以作为预测视觉皮层神经元对视觉刺激的反应的非常好的模型,这表明人工和生物神经网络之间的类比可能不仅仅是表面的。然而,尽管CNN捕捉到了皮层神经元平均响应的关键特性,但它们无法解释这些神经元的其他特性。一方面,CNN通常需要大量的标记输入数据进行训练。相比之下,我们自己的大脑很少有机会获得这种监督,所以在CNN和大脑之间的表征相似的程度上,这种相似性必须通过不同的训练路径产生。此外,视觉皮层中的神经元甚至对静态输入也产生复杂的时变响应,并且它们动态地调整自己以适应视觉环境中的时间延迟。我们认为,这些差异是大脑和深层网络中执行的计算之间根本差异的线索。为了开始缩小差距,在这里我们研究了前面描述的递归生成网络的新兴特性,该网络经过训练,可以以自我监督的方式预测未来的视频帧。值得注意的是,该模型能够捕捉到在视觉皮层中观察到的各种看似不同的现象,从单个单元响应动态到复杂的感知运动错觉。这些结果表明,递归预测神经网络模型和大脑之间存在潜在的深层联系,为丰富这两个领域提供了新的线索。
2018-05-30 cs.CV cs.LG q-bio.NC
Solving constraint-satisfaction problems with distributed neocortical-like neuronal networks
找到满足外部输入和内部表示所施加的约束的行动是决策的核心。我们证明了一些重要的约束满足问题(CSP)的类可以解决由同质的合作竞争模块,具有类似的新皮层的表层中观察到的图案连接组成的网络。赢者通吃模块通过编程神经元稀疏耦合,编程神经元将约束嵌入到同质模块化计算基底上。我们展示了嵌入CSP平面四色图着色,最大独立集和数独的任何实例的规则,并提供数学证明,保证这些图着色问题将收敛到一个解决方案。该网络由非饱和线性阈值神经元组成。它们缺乏正确的饱和度,使得整个网络能够通过经常性激励产生的不稳定动态来探索问题空间。探索的方向是由约束神经元。虽然许多问题可以仅使用线性抑制约束来解决,但当这些负约束通过非线性乘法抑制来实现时,硬问题的网络性能将显着受益。总的来说,我们的研究结果表明,在网络计算的不稳定性,而不是稳定性的重要性,也提供了深入了解神经回路中的双重抑制机制的计算作用。
2018-01-14 q-bio.NC
A neural network model of perception and reasoning
University of Texas Southwestern Medical Center(德克萨斯大学西南医学中心)
感知和推理是如何从神经元网络活动中产生的,人们对此知之甚少。这反映在连接主义人工智能的基本局限性上,以通过基于梯度的优化训练的深度神经网络为代表。尽管在许多任务上取得了成功,但这些网络仍然是无法解释的黑匣子,无法进行符号推理和概念泛化。在这里,我们表明,一组简单的生物一致的组织原则赋予这些能力的神经网络。为了证明这一点,我们在一种新的机器学习算法中实现了这些原则,该算法基于概念构建而不是优化,以设计使用可解释的神经元活动进行推理的深度神经网络。在包括NP难题在内的一系列任务中,他们的推理能力赋予了额外的认知功能,比如通过自我分析进行审议,容忍对抗攻击,以及从简单的例子中学习可转移的规则来解决从未遇到过的复杂问题。这些网络还自然地显示出当前深度神经网络中固有的生物神经系统的特性,包括稀疏性、模块性以及分布式和局部放电模式。因为它们不会牺牲标准学习任务的性能、紧凑性或训练时间,这些网络为人工智能提供了一种新的无黑盒方法。它们同样可以作为一个定量框架来理解认知从神经元网络中的出现。
2020-02-26 cs.AI cs.NE q-bio.NC
A Stochastic Quantum Neural Network Model for Ai
Chaire Humanités Numériques, Research Gendarmerie Center(数字人文教席,宪兵研究中心)
针对现有ANN受冯·诺依曼架构限制难以模拟生物大脑复杂性的问题,本文提出纳入神经元随机波动的随机量子神经网络QNNS并给出其数学形式化,探讨相关挑战与应用价值。
2025-11-03 math.QA q-bio.NC quant-ph
Brain experiments imply adaptation mechanisms which outperform common AI learning algorithms
几十年来,研究人员试图模仿大脑的功能,在神经科学和人工智能之间架起了桥梁;然而,实验神经科学并没有直接推动机器学习领域的发展。在这里,使用神经元培养,我们证明,增加训练频率加速神经元的适应过程。该机制在人工神经网络上实现,其中局部学习步长对于连贯的连续学习步骤增加,并在手写数字的简单数据集MNIST上进行测试。基于我们的在线学习结果和一些手写示例,大脑启发算法的成功率大大超过了常用的机器学习算法。我们推测,这种从缓慢的大脑功能到机器学习的新兴桥梁将在有限的例子下促进超快速决策,这在人类活动,机器人控制和网络优化的许多方面都是现实。
2020-04-23 physics.bio-ph q-bio.NC
Psychology of Artificial Intelligence: Epistemological Markers of the Cognitive Analysis of Neural Networks
Cabinet Chrysippe R&D(克律西普研发工作室);Paris University(巴黎大学)
本研究围绕人工智能的认知本质与知识存在形式问题,提出需以神经元层面的认知粒度开展人工智能心理学研究,并明确相关认识论里程碑是探究合成神经认知的前提。
2024-07-04 cs.AI q-bio.NC
Evolving spiking neuron cellular automata and networks to emulate in vitro neuronal activity
神经启发的模型和系统在非传统计算中具有巨大的应用潜力。通常,生物神经元的机制在模拟或物理系统中被建模或模仿,以试图利用大脑的一些计算能力。然而,在神经系统中起作用的生物机制是复杂的,难以捕捉和设计;因此,转向数据驱动的方法将神经行为的特征转移到人工基质上会更简单。在本研究中,我们使用了进化算法(EA),以产生尖峰神经系统,模仿生物神经元在体外的行为模式。这种方法的目的是开发一种方法,生产能够表现出复杂的行为,可能适合用作计算基板的模型。我们的模型能够产生一定程度的网络范围内的同步,并显示出一系列行为,这取决于用于其进化的目标数据,这些数据来自一系列神经元培养密度和成熟度。表现最好的模型的基因组表明,模型中连接的兴奋性和密度在决定所产生活动的复杂性方面起着重要作用。
2021-10-15 cs.NE q-bio.NC
Self-organized learning emerges from coherent coupling of critical neurons
本文提出人工神经网络通过任务特异性关键神经元的相干耦合实现自组织学习,揭示训练初期的二阶连接相变、损失景观局部集中及后期收敛相变,并指出其可能是人工与生物神经计算共有的普遍机制。
2025-08-28 cond-mat.dis-nn q-bio.NC
Neuronal electricality founded in murburn-thermodynamic principles: 2. Comparisons, evidenced explanations, and predictions
Amrita School of Artificial Intelligence, Coimbatore, Amrita Vishwa Vidyapeetham(阿姆利塔人工智能学院,阿姆利塔维迪亚佩塔姆大学);Satyamjayatu: The Science & Ethics Foundation(真理至上:科学与伦理基金会);University of Rostock(罗斯托克大学);Wayne State University(韦恩州立大学)
本文通过比较现有模型和实验数据,证明神经电活动源于murburn氧化还原介导的电子动力学,而非膜离子流驱动。该框架提供预测性结构,将可测量的电生理输出与物理可解释变量联系起来,扩展至更广泛的可兴奋系统。
2026-06-30 q-bio.NC q-bio.SC
Dynamic sampling of non-stationary spontaneous activity in dissociated neuronal networks
Graduate School of Information Science and Technology, The University of Tokyo(东京大学大学院信息理工学系研究科);International Research Center for Neurointelligence (WPI-IRCN), The University of Tokyo(东京大学国际脑科学中心(WPI-IRCN))
研究在固定通道预算下跟踪解离神经元网络非平稳自发活动的自适应电极选择方法,采用折扣泊松 - 伽马模型与汤普森采样,经离线回放和在线记录评估,能提高记录效率,为自适应神经活动感知提供基础。
2026-07-28 q-bio.NC
Geometric developmental principles for the emergence of brain-like weighted and directed neuronal networks
Faculty of Mathematics and Physics, Charles University(查理大学数学与物理学院);RIKEN Center for Brain Science(理化学研究所脑科学中心)
研究通过分析不同物种的神经连接组,揭示了神经网络形成中几何约束与优先附着机制的结合,能够解释大脑网络的结构特性。
2026-01-08 physics.bio-ph q-bio.NC
Graph Convolutional Networks Reveal Neural Connections Encoding Prosthetic Sensation
Duke University(杜克大学)
从神经元集合中提取刺激特征对神经假体的发展具有极大的兴趣,神经假体通过电刺激将感觉信息直接投射到大脑。当受试者学习解释人工输入时优化刺激参数的机器学习策略可以提高设备功效,增加假体性能,确保诱发感觉的稳定性,并通过消除无关输入来改善功耗。最近的进展将深度学习技术扩展到非欧几里德图形数据,为解释神经元尖峰活动提供了一种新方法。在这项研究中,我们应用图卷积网络(GCN)来推断参与人工感觉信息处理的神经元之间的潜在功能关系。使用四个红外(IR)传感器,基于ICMS的神经假体定位IR光源,从自由行为的大鼠收集数据。我们使用GCN来预测假体中四个刺激通道的刺激频率,这些刺激通道编码到IR发射奖励端口的相对距离和方向信息。我们的GCN模型能够在由7个类组成的多类分类问题中实现73.5%的修改后的有序回归性能指标的峰值性能,其中机会为14.3%。此外,推断的邻接矩阵提供了对人工感觉进行编码的底层神经回路的充分表示。
2020-08-23 cs.LG q-bio.NC q-bio.QM
Active exploration for body model learning through self-touch on a humanoid robot with artificial skin
Czech Technical University in Prague(布拉格捷克理工大学);Oxford Brookes University(牛津布鲁克斯大学)
婴儿发育的机制还远未被理解。了解自己的身体可能是后续发展的基础。在这里,我们特别关注婴儿早期对身体的自发触摸如何产生第一个身体模型,并引导进一步的发展,如达到能力。与视觉诱导的伸手不同,伸手到自己的身体只需要触觉和运动空间的连接,绕过视觉。尽管如此,马达系统的高维数和冗余的问题仍然存在。在这项工作中,我们提出了一个具体的计算模型上的模拟人形机器人与人工敏感皮肤的大面积的身体。机器人应该自主发展接触身体上每一个触觉传感器的能力。为了有效地做到这一点,我们采用的计算框架的内在动机和变量的目标咿呀学语,而不是电机咿呀学语,证明使探索过程更快,并减轻病态的学习逆运动学。基于我们的研究结果,我们讨论了婴儿研究的下一步:需要哪些信息来进一步将这个计算模型建立在行为数据的基础上。
2020-08-31 cs.RO q-bio.NC
Graph-Based Representation Learning of Neuronal Dynamics and Behavior
Turner Institute for Brain and Mental Health(大脑与心理健康研究所);School of Psychological Sciences, Monash University(墨尔本大学心理学科学学院);Cortical Labs(皮层实验室)
提出TAVRNN框架,通过概率图学习与时间注意力机制建模时变神经元连接,在单单元与群体层面学习潜在动力学,跨三种数据集验证其优于现有方法,揭示了适应性行为与神经网络演化拓扑间的新关系。
2025-05-30 cs.LG cs.NE q-bio.NC
Can power-law scaling and neuronal avalanches arise from stochastic dynamics?
生物学中自组织临界性的存在通常通过事件大小分布的幂律标度来证明,这可以通过对数轴上的线性回归来测量。我们在这里表明,这样一个过程并不一定意味着系统表现出自组织临界性。我们首先提供了一个分析的多位点局部场电位(LFP)记录的大脑活动,并表明,事件大小分布定义为负LFP峰值可以接近幂律分布。然而,该结果对于检测阈值的变化或使用更严格的统计分析(如Kolmogorov-Smirnov检验)进行测试时不具有鲁棒性。类似的幂律缩放观察代理信号,表明幂律缩放可能是一个通用的属性阈值随机过程。接下来,我们调查这个问题的分析,并表明,事实上,随机过程可以产生虚假的幂律缩放而不存在潜在的自组织临界性。然而,这种幂律仅在对数表示中是明显的,并且不能经受更严格的分析,例如Kolmogorov-Smirnov检验。同样的分析也进行了人工网络已知显示自组织临界性。在这种情况下,图形表示和严格的统计分析都清楚地表明,雪崩的大小是按幂律分布的。我们的结论是,对数表示可以导致虚假的幂律缩放引起的随机性的现象。这种明显的幂律标度并不能证明自组织临界性,这应该通过更严格的统计检验来证明。
2010-01-09 nlin.AO q-bio.NC
Emergent organization of receptive fields in networks of excitatory and inhibitory neurons
Yale University(耶鲁大学);Wu Tsai Institute(吴蔡研究所)
局部模式的兴奋和抑制,可以产生神经波的研究作为一个计算机制的组织神经元调谐。稀疏编码算法的兴奋性和抑制性神经元网络的基础上提出的,表现出地形图的感受野适应输入刺激。受神经波的漏积分激发模型的启发,我们提出了一个更典型的人工神经网络的激活模型。给出了使用自然图像和自然语言文本的激活模型的计算实验。在图像的情况下,熟悉的“风车”模式的定向边缘检测器出现,在文本的情况下,由此产生的地形图表现出一个2维表示的颗粒字语义。与体感输入的合成模型的实验被用来研究如何网络动力学可能会影响可塑性的神经元地图下的输入的变化。
2022-05-26 cs.LG q-bio.NC
On the relationship between predictive coding and backpropagation
University of Notre Dame(圣母大学)
本文回顾并扩展了在监督学习任务中训练前馈人工神经网络时预测编码与反向传播之间数学关系的研究,并提供了Torch2PC函数库以支持在PyTorch模型中执行预测编码。
2024-04-23 cs.LG cs.NE q-bio.NC
Augmenting learning in neuro-embodied systems through neurobiological first principles
Newcastle University(纽卡斯尔大学);University of Tokyo(东京大学);University of Quebec in Trois-Rivieres(魁北克大学三河分校);IT:U Interdisciplinary Transformation University Austria(奥地利跨学科转型大学);Okinawa Institute of Science and Technology Graduate University(冲绳科学技术大学院大学)
本文提出一种基于神经生物学第一性原理的双框架方法,利用脉冲神经网络模拟神经元多样性和细胞特异性神经调节,以增强人工神经网络的持续学习、鲁棒性和资源效率。
2025-11-03 cs.AI cs.LG q-bio.NC
Synergistic pathways of modulation enable robust task packing within neural dynamics
Washington University in St. Louis(圣路易斯华盛顿大学)
该研究用循环神经网络比较神经元兴奋性与突触强度两种情境调制机制,揭示二者在任务封装效率、抗情境模糊性及诱发动力学上的互补协同。
2024-08-02 cs.AI q-bio.NC
Decoding Cortical Microcircuits: A Generative Model for Latent Space Exploration and Controlled Synthesis
本文提出一种生成模型,通过学习小鼠皮层微回路的连接图,揭示大脑发育的潜在蓝图,并可控生成具有特定结构特征的合成微回路。
2026-01-27 cs.AI cs.NE q-bio.NC
Firing Rate Models as Associative Memory: Excitatory-Inhibitory Balance for Robust Retrieval
Department of Information Engineering(信息工程系);Università degli Studi di Padova(帕多瓦大学);Center for Control, Dynamical Systems and Computation(控制、动态系统与计算中心);University of California at Santa Barbara(加州大学圣巴巴拉分校)
针对放电率模型应用于联想记忆的数学研究不足、成熟联想记忆设计缺乏关键生物学特征的问题,研究提出通用框架实现缩放记忆模式的稳定涌现,并分析其渐近稳定条件,为构建生物合理的稳健联想记忆系统提供支持。
2024-11-11 cond-mat.dis-nn cond-mat.stat-mech cs.AI