Scalable Bayesian Functional Connectivity Inference for Multi-Electrode Array Recordings
多电极阵列（MEA）可以同时记录数百或数千个神经元的细胞外动作电位（也称为“尖峰”）。从锋电位训练推断功能网络是神经科学中一项基本而艰巨的计算任务。随着MEA技术的进步，开发用于分析作为网络的多个神经元活动的统计工具变得越来越重要。在本文中，我们提出了一个可扩展的贝叶斯框架推理功能网络MEA数据。我们的框架利用神经元网络的层次结构。我们将大规模记录分成较小的局部网络进行网络推理，这不仅减轻了贝叶斯采样的计算负担，而且还提供了关于类器官和大脑区域连接的有用见解。我们通过使用并行计算来加快昂贵的贝叶斯采样过程。在合成数据集和大规模真实世界MEA记录上的实验表明了可扩展贝叶斯框架的有效性和效率。从对照实验中暴露的神经文化镉网络的推断提出了可区分的结果，并进一步证实了我们的框架的效用。
2020-07-04 cs.CE q-bio.NC
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
Spatially Masked Regression Reveals Local and Distributed Predictability in Electrophysiological Recordings
Department of Electrical and Computer Engineering, IUT（电气与计算机工程系）；McGovern Institute for Brain Research, Massachusetts Institute of Technology (MIT)（脑科学研究所，麻省理工学院（MIT））
提出空间掩蔽回归（SMR）框架，通过逐步增大掩蔽区域量化电极信号中局部与分布式信息的贡献，应用于颅内和头皮脑电数据，发现邻近电极贡献显著但非全部，表明信号同时包含局部冗余和全局结构。
2026-06-11 cs.LG physics.data-an q-bio.NC
Mixed Neural Network Approach for Temporal Sleep Stage Classification
Imperial College London（帝国理工学院）
本文提出了一种实用的方法来解决在睡眠阶段分类应用中使用单个有源电极所带来的限制。基于脑电图（EEG）的睡眠阶段进展的表征有助于诊断和监测的许多睡眠病理。几个先前的报告已经探索了自动化睡眠EEG的分析和降低可靠区分睡眠阶段所需的数据的复杂性的方法，以便能够在家中（而不是仅在专门的临床设施中）以较低的成本进行睡眠研究。然而，这些报告涉及来自放置在颅顶或枕骨上的电极的记录，这可能使受试者不舒服或难以定位。那些利用包含较少睡眠信息的单个EEG通道的方法显示出较差的分类性能。我们利用整流器神经网络进行特征检测，利用长短期记忆（LSTM）网络进行序列数据学习，以优化单电极记录的分类性能。在探索替代电极放置后，我们在前额上发现了一种舒适的单通道EEG配置，并表明它可以与额外的电极集成，以同时记录眼电图（EOG）。对62人（睡眠时间为494小时）的数据进行的评估表明，我们的自动睡眠分类分析算法的性能优于使用顶点或枕部电极放置的现有方法。使用这种记录配置与神经网络去卷积承诺，使临床指示的家庭睡眠研究实用。
2017-08-03 cs.CV cs.LG cs.NE
Deep Neural Imputation: A Framework for Recovering Incomplete Brain Recordings
Caltech（加州理工学院）；UCSF（加州大学旧金山分校）；U of Washington（华盛顿大学）
神经科学家和神经工程师长期以来一直依赖多电极神经记录来研究大脑。然而，在一个典型的实验中，许多因素会破坏来自单个电极的神经记录，包括电噪声、运动伪影和制造缺陷。目前，通常的做法是丢弃这些损坏的记录，减少已经有限的数据，难以收集。为了解决这一挑战，我们提出了深度神经插补（DNI），这是一个框架，通过从跨空间位置，日期和参与者收集的数据中学习，从电极中恢复缺失值。我们使用线性最近邻方法和两个深度生成自动编码器探索我们的框架，展示了DNI的灵活性。一个深度自动编码器单独对参与者进行建模，而另一个则扩展此架构以联合对许多参与者进行建模。我们在12名植入多电极颅内皮层电图阵列的人类参与者中评估了我们的模型;参与者没有明确的任务，并且在数百小时的记录中表现得很自然。我们表明，DNI恢复不仅时间序列，而且频率内容，并进一步建立DNI的实用价值，通过恢复显着的性能在一个科学相关的下游神经解码任务。
2022-06-16 cs.LG cs.NE q-bio.NC
Simultaneous multi-patch-clamp and extracellular-array recordings: Single neuron reflects network activity
本文结合多膜片钳与多电极阵列同步记录，证明单个神经元膜电位可高灵敏反映全网络协同活动，为大规模电极监测提供灵活替代方案。
2017-07-20 cond-mat.dis-nn physics.bio-ph q-bio.CB
Online detection and sorting of extracellularly recorded action potentials in human medial temporal lobe recordings, in vivo
要了解复杂皮层回路的功能，需要同时记录清醒和行为正常的动物的许多神经元的动作电位。实际上，这可以通过使用单线电极从多个脑部位进行细胞外记录来实现。然而，在密集的神经结构中，如人类海马体，单个电极可以记录多个神经元的活动。因此，需要区分不同神经元的动作电位的分析技术。目前，离线锋电位分选方法用于在完成实验后检测和分选动作电位。由于从人脑记录的机会相对较少，因此希望使用在线分类和检测算法快速分析大量同时记录。通过这种方式，可以针对记录的神经元的特定响应特性来优化实验。在这里，我们提出并评估了一种方法，能够检测和排序细胞外单线记录实时。我们证明了该方法的实用性，通过将其应用于我们从人类癫痫患者海马中长期植入深度电极获得的广泛数据集。该数据集特别具有挑战性，因为它是在嘈杂的临床环境中记录的。这种方法将允许开发闭环实验，其立即使实验刺激和/或任务适应观察到的神经反应。
2006-04-26 q-bio.NC q-bio.QM
Avalanche analysis from multi-electrode ensemble recordings in cat, monkey and human cerebral cortex during wakefulness and sleep
自组织临界态存在于许多自然系统中，从地震到森林火灾，它们也在神经系统中被观察到，特别是在神经元培养中。然而，在清醒的大脑中临界状态的存在仍然存在争议。在这里，我们比较了雪崩分析不同的体内制剂在觉醒，慢波睡眠和REM睡眠，使用高密度电极阵列在猫运动皮层（96个电极），猴子运动皮层和运动前皮层和人类颞叶皮层（96个电极）癫痫患者。在从单位（高达160个单位）定义的神经元雪崩中，雪崩的大小从未明显地按幂律缩放，而是按指数缩放或显示中间缩放。我们还分析了不同电极之间局部场电位（LFP）的动态变化，特别是LFP负峰（nLFP）（颞叶皮质中多达96个位点或相邻运动和前运动皮质中多达128个位点）。在这种情况下，从nLFP定义的雪崩显示幂律缩放双对数表示，如先前在猴中所报道的。然而，雪崩定义为正LFP（pLFP）峰，这是不太直接相关的神经元放电，也表现出明显的幂律缩放。使用更可靠的累积分布函数（CDF）和其他严格的统计方法对这种比例进行更仔细的检查，并没有证实幂律比例。同样的模式也出现在猫、猴子和人类身上，以及清醒和睡眠的不同大脑状态。我们还测试了其他替代发行版。多重指数拟合得到了雪崩动力学与双指数分布的最佳拟合。总的来说，这些结果没有明确的证据表明，从猫到人，哺乳动物清醒和睡眠的大脑中存在幂律缩放或自组织临界状态。
2012-07-15 nlin.AO q-bio.NC
Identifying stimulus-driven neural activity patterns in multi-patient intracranial recordings
Dartmouth College（达特茅斯学院）
识别刺激驱动的神经活动模式对于研究认知的神经基础至关重要。这在颅内数据集中可能特别具有挑战性，其中电极位置通常因患者而异。本章首先概述了在一般情况下识别刺激驱动的神经活动模式的主要挑战。接下来，我们将回顾几种特定于模态的注意事项和方法，并讨论颅内记录特有的几个问题。在此背景下，我们将考虑各种受试者内和跨受试者的方法来识别和建模多患者颅内记录中刺激驱动的神经活动模式。这些方法包括广义线性模型，多变量模式分析，表征相似性分析，联合刺激活动模型，分层矩阵分解模型，高斯过程模型，几何对齐模型，受试者间的相关性，和受试者间的功能相关性。从最近的文献中的例子来说明的主要概念，并提供每种方法的概念直观。
2022-02-04 cs.LG q-bio.NC
Brain Treebank: Large-scale intracranial recordings from naturalistic language stimuli
Brain Treebank是最大规模的颅内电生理记录数据集，记录了10名受试者观看好莱坞电影时的神经响应，并包含对齐多模态特征的通用依存句法树库，旨在桥接语言学概念、感知与神经表征。
2024-11-13 q-bio.NC
Chronic neural probe for simultaneous recording of single-unit, multi-unit, and local field potential activity from multiple brain sites
耐药性局灶性癫痫可以通过切除癫痫病灶来治疗，需要使用立体脑电图（SEEG）探头进行精确的病灶定位。由于商业SEEG探针仅提供有限的空间分辨率，因此具有更高通道数和设计自由度的探针能够结合宏电极和微电极，这将有助于提高空间分辨率，从而为研究局灶性癫痫及其治疗的机制开辟新的视角。这项工作描述了一种新的SEEG探针的制造工艺，其材料和尺寸与临床探针相似，能够以高空间分辨率记录单个神经元的活动。聚酰亚胺被用作生物相容性柔性基板，铂电极和导线被植入其中。所得探头特征与临床批准器械的特征相匹配。盐水溶液中的测试证实了穿刺针的稳定性和功能性。探针被植入一只猴子（Macaca mulatta）的大脑中，接受不同的运动任务训练。包括多达128个电极位点的合适配置允许记录任务相关的神经元信号。将具有32个和64个电极位点的探针植入后顶叶皮质。早在植入后1小时就记录了局部场电位和多单位活动。在植入64通道探针后长达26天实现了稳定的单单位活性。所有记录的信号在任务执行期间显示调制。使用新型探针，可以在超过人类患者癫痫病灶定位所需的通常时间的时间跨度内记录稳定的生物相关数据。这是第一次记录单个单位沿圆柱形聚酰亚胺探针长期植入22毫米深的猴子的大脑，这表明该探针对人类应用的潜在有用性。
2017-06-19 physics.med-ph q-bio.NC
Inexpensive surface electromyography sleeve with consistent electrode placement enables dexterous and stable prosthetic control through deep learning
University of Utah（犹他大学）
传统肌电假肢的灵活性部分地受到用于训练控制算法的小数据集的限制。表面电极定位的变化使得难以收集一致的数据并随着时间可靠地估计运动意图。为了应对这些挑战，我们开发了一种廉价，易于穿戴的套管，可以从32个嵌入式单极电极记录稳健和可重复的表面肌电。嵌入的金属片用于使套筒与自然皮肤标记一致地对准（例如，痣、雀斑、疤痕）。套筒可以在几个小时内制造，价格不到60美元。来自七名完整参与者的数据显示，套筒提供了14的信噪比，11秒以下的安装时间，以及亚厘米的电极放置精度。此外，在一个完整的参与者的案例研究中，我们使用套筒来证明神经网络可以提供六个自由度的同时和比例控制，即使在初始算法训练后263天。我们还强调，随着时间的推移积累的一致记录可以建立一个大型数据集，显着提高灵活性。这些结果表明，使用74层神经网络的深度学习可以大大提高肌电假肢控制的灵活性和稳定性，并且深度学习技术可以很容易地通过具有一致记录位置的廉价套筒/插座进行实例化和进一步验证。
2020-02-28 cs.CV cs.RO q-bio.NC
Computational EEG in Personalized Medicine: A study in Parkinson's Disease
University of Basel（巴塞尔大学）；Hospital of the University of Basel（巴塞尔大学医院）
脑电活动的记录携带着关于一个人认知健康的信息。为了记录EEG信号，非常常见的设置是受试者在其眼睛闭合的情况下休息。这些记录的分析通常涉及降维步骤，其中电极被分组为10个或更多个区域（取决于可用的电极数量）。然后取每组的平均值，作为后续评估的特征。目前，临床实践中使用的最突出的特征是基于谱功率密度。在我们的工作中，我们考虑一个简化的分组电极成两个区域。除了光谱特征，我们还通过Tsallis熵$S_{q=2}$的镜头引入了关于大脑活动的次要的、非冗余的观点。我们进一步采取脑电图测量不仅在一个眼睛关闭（ec），而且在一个眼睛打开（eo）的状态。对于我们的健康对照（HC）和帕金森病（PD）患者队列，我们提出的问题是：在这个简化的二元分组中，如何区分HC和PD？这个问题的动机是廉价和易于使用的便携式EEG设备的商业可用性。如果在这种二元分组中保留了足够的信息，那么这种简单的设备可能被用作个人监测工具，作为全科医生的标准筛查工具，或者作为数字生物标志物，以便在神经学研究期间进行长期监测。
2018-12-02 cs.LG eess.SP q-bio.NC
New modalities of cortical electrophysiology, perspectives in medical research and human physiology
本文综述了新型高分辨率皮层电生理电极的技术进展，并提出了其在表征癫痫局灶性发作机制方面的首批应用及未来前景。
2024-02-05 eess.SP q-bio.NC
Reconstructing Speech Stimuli From Human Auditory Cortex Activity Using a WaveNet Approach
Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Langone School of Medicine, New York University（纽约大学朗格尼医学院）
大脑皮层的颞上回（STG）区域对语音识别起着关键作用。在这项工作中，我们表明，一个拟议的WaveNet，有限的可用数据，是能够重建语音刺激从STG颅内录音。我们进一步研究了每个记录电极的拟合模型的脉冲响应，并观察了皮层记录区域的音素水平时间谱调谐特性。这一发现与先前的研究一致，该研究暗示了语音的语音表示中的后STG（pSTG），并且提供了在语音识别期间某些电极部位可能提取的详细声学特征。
2018-11-08 cs.LG cs.SD eess.AS
A Time-Resolved Framework for Quantifying Neuronal Network State Transitions
University of Trento（特伦托大学）
提出一个多参数时间分辨分析框架，结合组合分析分解电极级状态，以揭示常规方法难以检测的细微瞬态网络反应，并在药理学和光遗传学干预下验证其有效性。
2026-10-07 q-bio.NC q-bio.QM
Evaluation of the criticality of in vitro neuronal networks: Toward an assessment of computational capacity
新型计算硬件是跟上当今对数据存储和处理能力日益增长的需求所必需的。在这个研究项目中，我们转向大脑的灵感，开发新的计算基板，是自我学习，可扩展，节能，容错。这项工作的首要目标是开发能够再现在体外神经元网络中观察到的目标行为的计算模型。这些模型最终将用于帮助在更易工程化的基底中实现这些行为：纳米磁体阵列。通过分析神经元网络的电生理记录来识别目标行为。已经进行了初步分析，以确定网络处于临界状态时，基于网络范围的雪崩的活动的大小分布，并在这里报告了这种分析的结果。这种关键网络与非关键网络的分类在识别可以预期在计算任务上表现良好的网络方面是有价值的，因为关键性被广泛认为是系统最适合计算的状态。这种类型的分析预计能够识别非常适合计算的网络，并将网络分类为扰动或健康。
2019-07-04 cs.ET q-bio.NC
A comparison of single-trial EEG classification and EEG-informed fMRI across three MR compatible EEG recording systems
同时记录的脑电图（EEG）和功能性磁共振成像（fMRI）可以用于非侵入性地测量人脑的时空动力学。一个挑战是处理当两种模式同时记录时，每种模式引入另一种模式的伪影，例如心冲击图（BCG）。我们进行了初步比较三种不同的MR兼容的EEG记录系统，并评估其性能方面的单次试验分类的EEG同时收集功能磁共振成像。我们在所有三个系统中发现了权衡，例如，不同的设置容易程度和参考电极（REF）的分类准确性提高，但脉冲伪影减法（PAS）或参考层自适应滤波（RLAF）没有。
2017-07-25 q-bio.NC stat.ML
Learning Biophysical Models of Large-Scale Multineuronal Data to Enable Precise Neurostimulation
Stanford University（斯坦福大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）
研究利用可微生物物理模拟等从细胞外多电极阵列测量数据快速推断霍奇金-赫胥黎模型参数，用于预测神经尖峰反应，以验证方法收集猕猴视网膜数据，准确率达90.6%。
2026-08-11 q-bio.NC
Separation of Neural Drives to Muscles from Transferred Polyfunctional Nerves using Implanted Micro-electrode Arrays
Imperial College London（帝国理工学院）；Medical University of Vienna（维也纳医科大学）；Royal Free Hospital（皇家自由医院）
提出一种结合TMR手术与高密度微电极阵列的新型生物接口，通过数学源分离方法在单块重神经化肌肉内提取多种神经指令，无需手术分割神经，提升了假肢控制并揭示了运动编码机制。
2024-10-14 cs.LG eess.SP q-bio.NC
Monkey Perceptogram: Reconstructing Visual Representation and Presumptive Neural Preference from Monkey Multi-electrode Arrays
University of California, San Diego (UCSD)（加州大学圣地亚哥分校）；National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）
本研究提出整合编码与解码的框架，从猕猴腹侧视觉流多电极阵列数据中重建视觉刺激的低级与高级特征，揭示神经群体表征及层级组织，实现可行且可推广的知觉重建。
2025-10-08 q-bio.NC
A statistical model for in vivo neuronal dynamics
单神经元模型在计算神经科学中有着悠久的传统。诸如Hodgkin-Huxley模型的详细生物物理模型以及诸如积分激发模型类的简化神经元模型将输入电流与神经元的膜电位相关联。这些类型的模型已被广泛地拟合到输入电流受控的体外数据。然而，这些模型在表征细胞内体内记录时用处不大，因为神经元的输入是未知的。在这里，我们提出了一种新的单神经元模型，其特征在于在体内记录的统计特性。更具体地说，我们提出了一个随机过程，其中阈下膜电位遵循高斯过程，尖峰发射强度非线性地依赖于膜电位以及尖峰历史。我们首先表明，该模型具有丰富的动态剧目，因为它可以捕捉任意的阈下自协方差函数，发射率的适应以及任意形状的动作电位。然后，我们表明，该模型可以有效地拟合数据，而不会过度拟合。最后，我们表明，该模型可用于表征，因此精确地比较各种细胞内在不同的动物和实验条件下的体内记录。
2015-10-23 q-bio.NC
Pairwise Ising model analysis of human cortical neuron recordings
在清醒和深度睡眠的大脑状态下，皮层神经网络表现出不同的行为，第二个特征是高网络活动的瞬变。为了研究它们对神经元行为的影响，我们通过推断最大熵模型来应用成对伊辛模型分析，该模型再现了神经元尖峰活动的单个和成对时刻。在这项工作中，我们首先回顾了Ferrari，Phys. Rev. E（2016）中介绍的推理算法。然后，我们成功地应用该算法来推断模型从一个大的合奏的神经元记录在人类颞叶皮层的多电极阵列。我们比较了伊辛模型在捕捉清醒和深度睡眠期间网络活动的统计特性方面的性能。对于后者，成对模型错过了高网络活动的相关瞬态，这表明需要额外的约束来准确地建模数据。
2017-10-26 cond-mat.dis-nn q-bio.NC
Deep Learning Models for Atypical Serotonergic Cells Recognition
针对非典型5-羟色胺能神经元缺乏可靠识别标准的问题，本文利用荧光蛋白鉴定的体外电生理记录训练CNN，实现典型与非典型5-羟色胺能细胞的高准确率分类。
2024-05-09 cs.CE q-bio.NC
SpikeDeep-Classifier: A deep-learning based fully automatic offline spike sorting algorithm
Objective.最近的进展，在电极设计和微制造技术允许存在的微电极阵列与数百个通道的单细胞记录。在这种电生理记录中，每个植入的微电极可以记录其附近的一个以上神经元的活动。记录多个神经元的活动也可以被称为多单元活动。然而，对于任何进一步的分析，主要目标是隔离每个记录的神经元的活动，因此称为单单位活动。该过程也可以被称为尖峰分选或尖峰分类。最近提取SUA的方法是耗时的，主要是由于在尖峰排序流水线的各个阶段需要人为干预。缺乏标准化是当前可用方法的另一个缺点。因此，在这项研究中，我们提出了一个标准的尖峰排序器：SpikeDeep-Classifier，一个全自动的尖峰排序算法。Approach.我们提出了一种新的尖峰排序管道，基于一组监督和无监督学习算法。我们使用基于监督的深度学习算法来提取有意义的通道，并从提取的通道中去除背景活动（噪声）。我们还表明，一旦从数据中完全去除了噪声/伪影，聚类过程就会变得简单明了。因此，在下一阶段，我们应用了一个简单的聚类算法（K-mean），并预先定义了最大聚类数。最后，我们使用了一个基于相似性的标准来保持不同的集群和合并相似的集群。主要结果。我们在从两个不同物种（人类和非人类灵长类动物（NHP））收集的数据集上评估了我们的算法，而没有进行任何重新训练。我们还在两个公开的标记数据集上验证了我们的算法。
2019-12-23 eess.SP q-bio.NC q-bio.QM
High-Density Multi-Depth Human Recordings Using 45 mm Long Neuropixels Probes
University of California Davis Health（加州大学戴维斯分校健康中心）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
Neuropixels 1.0-NHP Long探针在人类手术中实现多深度单神经元分辨率记录，为研究人类大脑功能和病理提供了新方法。
2026-01-14 q-bio.NC
SPySort: Neuronal Spike Sorting with Python
多电极阵列细胞外记录是当代神经科学的基本工具之一。这些记录主要用于监测许多单个神经元的活动，被理解为发射动作电位的序列。但是细胞外记录产生的原始数据通常是几个神经元活动的混合物。为了得到单个贡献神经元的活动，需要一个称为尖峰排序的预处理步骤。我们在这里提出了一个经过良好测试的尖峰排序过程的纯Python实现。后者是以模块化的方式设计的，以便从交互式排序（例如IPython）顺利过渡到自动排序。令人惊讶的是-或者说是可悲的是，这取决于一个人的观点-将我们现在15岁的过程重新编码到Python中是主要的方法改进之际。
2014-12-19 cs.CE q-bio.NC
Time- and frequency-resolved covariance analysis for detection and characterization of seizures from intracraneal EEG recordings
脑电图（EEG）的不同频带中的功率量携带关于受试者的行为状态的信息。因此，治疗癫痫患者的神经学家监测不同频带的时间演变。我们提出了一种基于协方差的方法来检测和表征癫痫发作的带通滤波的EEG信号。该算法是无监督的，并执行颅内EEG记录的主成分分析，检测每个频带中的功率的瞬态波动。它的简单性使其适合在线实现。需要对非发作期进行良好的采样，而对发作活动期间的数据量没有要求。我们测试了5例患者的32次癫痫发作的方法。在所得到的受试者工作特征曲线下的面积对于癫痫发作的检测为87%，对于募集电极的检测为91%。为了确定生理信号的行为相关性，我们确定了与意识丧失程度相关的每个频带的方差的瞬时变化，后者由所谓的意识癫痫发作量表评估，总结了癫痫发作期间要求的许多行为测试中受试者的表现。我们的结论是，这些危机与最大的意识障碍往往表现出增加的方差约40秒后癫痫发作，主要功率在θ和α波段，并减少δ和β活动。
2020-06-15 q-bio.NC
Estimation of neuronal interaction graph from spike train data
当前神经生物学的主要问题之一是了解多神经元集合之间的相关尖峰活动以及神经生理学实验中刺激驱动和自发活动之间的差异。现在普遍使用的多电极阵列记录以来自许多良好识别的神经元的脉冲序列的形式监测神经元活动。分析这些数据时的一个基本问题是识别描述神经元之间"突触耦合"的有向图。在这篇文章中，我们处理这个问题与高质量的多电极阵列记录数据集（Pouzat等人，2015年）从蝗虫的第一个嗅觉中继，$Schistocerca$ $americana$。从数学的角度来看，本文提出了两个新的。首先，我们提出了一个程序，允许处理实际数据集中遇到的小样本量。此外，我们解决部分观察网络的敏感情况。我们的出发点是Duarte et al.（2016）中介绍的程序。我们通过模拟研究，这也是用于参数调整和探索只记录一个小的子集的网络的神经元的影响，原始和改进的程序的性能进行评估。
2017-10-11 q-bio.NC stat.AP
Biological Neurons Compete with Deep Reinforcement Learning in Sample Efficiency in a Simulated Gameworld
Turner Institute for Brain and Mental Health（特纳脑与心理健康研究所）；Monash University（莫纳什大学）；Cortical Labs（皮层实验室）；IITB-Monash Research Academy（印度理工学院孟买分校-莫纳什大学研究院）；Wellcome Centre for Human Neuroimaging（惠康人类神经影像中心）；University College London（伦敦大学学院）
该研究比较了体外生物神经网络与深度强化学习算法在模拟游戏中的学习效率，发现生物神经元在样本效率上显著优于深度RL，展示了更高的学习速度。
2024-05-27 cs.AI q-bio.NC
Neuronal Shot Noise and Brownian $1/f^2$ Behavior in the Local Field Potential
我们证明，人体电生理记录的局部场电位（LFP）从颅内电极，从各种大脑区域，显示出一个无处不在的$1/f^2$缩放功率谱。我们开发了一个定量模型，以类似的方式来处理这些领域的电子散粒噪声的产生，并使用该模型来专门解决这个$1/f^2$布朗噪声的原因。该模型给出了两个易于分析的解决方案，两者都显示布朗噪声：1）显示尖锐初始活动的不相关细胞，其细胞外场缓慢衰减，2）快速发射，产生UP-DOWN状态的时间相关细胞。
2008-07-18 q-bio.NC
A hybrid bio-organic interface for neuronal photo-activation
人工功能材料与活体神经组织的对接是生物纳米技术的前沿。迄今为止，尝试基于金属和无机半导体作为偏置器件中的电极或光敏层的微尺度加工。最近，也研究了纳米材料的性质。然而，尽管有广泛的研究，生物组织和人工传感器之间的通信仍然是一个挑战。制约因素包括制造工艺的复杂性（即金属和半导体光刻）、机械性能（例如柔性和机械侵入性）和化学影响（例如炎症反应）。此外，电极具有限制刺激在空间中的位置的固定几何形状，并且通常电流对于整个系统是有害的。在这方面，有机软物质在生物亲和性和机械性能方面提供了一个机会。特别是共轭聚合物具有吸引人的光电特性，这可能导致新一代的神经元通信和光操纵技术。到目前为止，共轭聚合物仅被测试作为用于神经元活动记录的电极涂层。在这里，我们报告了它们的大规模使用：用途：通过光激发，有机半导体与培养的原代神经元网络成功连接。这为神经元的光学刺激提供了一种新的范例，这可能对基于有机光电探测器的人工视网膜的开发具有重要意义。
2012-02-06 cond-mat.soft physics.bio-ph q-bio.NC
