NeuroPath2Path: Classification and elastic morphing between neuronal arbors using path-wise similarity
神经元的形状和连接性决定了它的功能。现代成像方法已被证明在提取此类信息方面是成功的。然而,为了分析这种类型的数据,神经元形态需要在图论方法中进行编码。这种编码使得能够使用高通量信息学方法来提取和推断大脑功能。图论方法的应用,神经元形态表示带来了一定的困难。在这里,我们报告了一种新颖的,有效的方法来完成这项任务。神经元的形态,包括其整体大小,整体形状,局部分支模式和细胞特异性生物物理特性,可以随着细胞的身份,位置以及发育和生理状态而显着变化。已经开发了各种算法来定制基于形状的统计和图形相关特征,用于神经形态学的定量分析,然后使用这些特征对神经元细胞类型进行分类。与传统的基于图像或三维重建神经元的特征提取方法不同,本文提出了一种基于神经元胞体到树突的根路径分解的模型,并提取了每条路径上的形态特征。为了验证这一说法,我们首先使用修改后的Munkres算法建立两个神经元之间的路径的对应关系。其次,建立了一个基于平方根速度函数的弹性变形框架,实现了连续变形,同时也提供了一种有效的可视化工具。我们通过实验证明了NeuroPath2Path、NeuroP2P在最先进技术水平上的功效。
2019-03-06 q-bio.NC
Investigating the Morphological Categories in the NeuroMorpho Database by Using Superparamagnetic Clustering
在生物学、计算学、物理学和化学领域之间的多学科合作的催化下,神经科学的持续进步意味着越来越复杂的方法来理解和模拟哺乳动物的神经系统。一个特别重要的相关问题涉及神经元细胞的形态和功能之间的关系的研究,这需要应用有效的手段来对其进行分类,例如通过使用多变量、模式识别和聚类方法。目前的工作旨在进行这样的研究,同时考虑从NeuroMorpho数据库中获得的大量神经元细胞,该数据库是目前最全面的此类存储库。我们的方法适用于无监督聚类技术,称为超顺磁聚类,在一组关于四个主要的神经元类别的形态测量。特别是,我们针对两个重要的问题:(i)我们调查所获得的集群和原始类别之间的一致性;(ii)我们验证这些类别中的每个类别内的最终子集群。我们报告了一个很好的协议之间获得的集群和原始类别,以及识别的情况下,锥体神经元细胞的一个相对复杂的结构的子集群。
2010-03-15 physics.bio-ph q-bio.NC
Efficient optimization of ODE neuron models using gradient descent
本文提出基于可微分ODE求解器的梯度下降算法,利用GPU加速,高效优化具有大量参数的神经元模型,并通过刺激记录所有树突区室实现参数可辨识。
2024-07-20 q-bio.NC
Type I and type II neuron models are selectively driven by differential stimulus features
神经系统中的神经元表现出各种各样的形态学和生理学特性。然而,接近阈值时,这种显著的丰富性可以简单地分为两种基本类型的兴奋性,通常称为I型和II型。这两种类型的神经元的动力学特性已被广泛表征。然而,了解它们的动力学特性对信息处理的影响将是有趣的。为此,在这里,我们确定的刺激功能之间的差异,诱导放电的I型和II型神经元。我们的工作与现实的电导为基础的模型和最小的正常形式。我们的结论是,I型神经元火灾响应无标度去极化刺激。相反,II型神经元最有效地由包含去极化和超极化阶段的输入刺激驱动,在对应于细胞固有频率的频带中具有显著的功率。
2008-01-25 q-bio.NC
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
Identification of Neuronal Polarity by Node-Based Machine Learning
识别神经网络中信号流的方向是理解活体大脑复杂信息动力学的最重要阶段之一。利用分布在果蝇大脑不同区域的213个投射神经元的数据集,我们开发了一种强大的机器学习算法:基于节点的神经元极性识别器(NPIN)。该模型仅通过节点信息进行训练,包括体细胞特征(包含从给定节点到体细胞的空间信息)和局部特征(包含给定节点的形态信息)。在包括节点极性之间的空间相关性之后,我们的NPIN提供了极高的准确性(>96.0%)用于神经元极性的分类,即使对于具有多于两个树突/轴突簇的复杂神经元。最后,我们进一步应用NPIN分类的丽蝇的神经元极性,这是一个更少的神经元数据。我们的研究结果表明,NPIN是一个强大的工具,以确定神经元极性的昆虫和映射出的信号流在大脑的神经网络。
2020-06-22 q-bio.NC
Emergence of small-world anatomical networks in self-organizing clustered neuronal cultures
从蝗虫神经节分离的无脊椎动物神经元的体外原代培养物被用来实验研究活神经元的组装的形态学演变,因为它们从分离的细胞的集合自组织成精心制作的,成簇的网络。在培养物发育的所有不同阶段,通过专用软件识别神经元和神经突的位置允许最终从培养物的每个图像中提取邻接矩阵。反过来,一组拓扑观测的系统统计分析,使我们有可能量化和跟踪的文化的自组织过程中的主要网络的特征的进展。我们的研究结果指出,存在一个特定的状态对应于一个小世界网络配置,其中几个相关的图形的微观和介观尺度的属性出现。最后,我们确定了主要的物理过程统治文化的形态转变,并将其嵌入到一个简化的增长模型,定性再现整体的实验观察。
2013-11-01 nlin.AO physics.soc-ph q-bio.NC
Morphological Error Detection in 3D Segmentations
Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学);Google, Inc.(谷歌公司)
用于连接组学的深度学习算法依赖于局部分类,而不是整体形态。这导致错误合并对象的发生率很高。相比之下,人类可以通过获得对物体正确形态的直觉来轻松检测此类错误。生物神经元具有复杂多变的形状,学习起来很有挑战性,合并错误也有多种不同的形式。我们提出了一种算法MergeNet,该算法表明3D ConvNets实际上可以从高级神经元形态中检测合并错误。MergeNet遵循无监督训练,并在数据集上运行。我们展示了MergeNet在各种连接组学数据和从合并的MNIST图像创建的数据集上的性能。
2017-05-30 cs.AI cs.CV q-bio.NC
Synthetic Data Generation for Classifying Electrophysiological and Morpho-Electrophysiological Neurons from Mouse Visual Cortex
Institut du Neurone(神经元研究所);Département de Neurochirurgie, Unité des Pathologies Cérébrales Résistantes, Hôpital Gui de Chauliac, Centre Hospitalier Universitaire de Montpellier(蒙彼利埃大学医院吉伊·德·肖利亚克医院难治性脑病理单元神经外科部门);Lausanne University Hospital (CHUV)(洛桑大学医院)
本文提出利用SMOTE等合成数据增强方法提升小鼠视觉皮层神经元分类准确率,发现SMOTE效果最佳,优于深度生成模型。
2026-01-12 q-bio.NC
Effects of the spike timing-dependent plasticity on the synchronisation in a random Hodgkin-Huxley neuronal network
在本文中,我们研究了在一个网络的霍奇金-赫胥黎神经元同步的影响,尖峰时间依赖的可塑性。神经元可塑性是神经元及其网络暂时或永久改变其生化、生理和形态特征以适应环境的灵活特性。关于可塑性,我们考虑赫布规则,特别是尖峰时间依赖可塑性(STDP),而对于网络,我们认为连接是随机分布的。我们根据输入水平和连接的概率来分析同步和去同步。此外,我们验证了同步的过渡取决于神经网络的结构,和外部扰动水平。
2015-03-07 nlin.CD q-bio.NC
Self-Supervised Graph Representation Learning for Neuronal Morphologies
University of Göttingen(哥廷根大学);University of Tübingen(图宾根大学);Max Planck Institute for Dynamics and Self-Organization(马克斯·普朗克动力学与自组织研究所)
本文提出GraphDINO,一种基于Transformer的自监督图表示学习方法,通过空间图增强、位置编码调整和AC-Attention机制学习三维神经元形态低维表示,在无先验知识下实现与专家分类相当的细胞类型聚类,并可用于一般图级嵌入任务。
2023-06-21 cs.LG q-bio.NC stat.ML
A Benchmark Analysis of Graph and Non-Graph Methods for Caenorhabditis Elegans Neuron Classification
Department of Computer Science, Emory University, USA(计算机科学系,埃默里大学,美国);Department of Biomedical Informatics, Emory University, USA(生物医学信息学系,埃默里大学,美国);College of AI, Tsinghua University, China(人工智能学院,清华大学,中国)
本研究通过比较图方法与非图方法,验证了GNNs在果蝇神经元分类中的有效性,并指出空间和连接特征是关键预测因子。
2026-02-19 cs.AI q-bio.NC
Quantifying topological invariants of neuronal morphologies
神经系统的特征在于神经元显示出多种形态学形状。传统上,不同的形状已经定性描述的基础上的视觉检查和定量描述的基础上的形态学参数。这两个过程都没有为各种形态的分类提供坚实的基础,这是一个在许多领域都很重要的问题。我们提出了一个稳定的拓扑措施作为一个标准化的描述任何树状形态,编码其骨骼分支解剖。更具体地,它是分支树的条形码,如通过以根或神经元胞体为中心的球形过滤所确定的。这种拓扑形态描述符(TMD)允许在线性计算成本的随机和神经元树的群体的歧视。
2016-03-28 cs.DS math.AT q-bio.NC
Classification of Open and Closed Convex Codes on Five Neurons
神经代码,表示为二进制字符串的集合,编码神经活动并显示刺激之间的关系。某些神经元,称为位置细胞,已经被实验证明在空间的凸区域中放电。一个自然的问题是:哪些神经代码可以作为凸集的交集模式出现?虽然过去的研究已经建立了几个标准,凸性的完整条件还不知道超过四个神经元的代码。我们将所有具有五个神经元的神经代码分类为凸/非凸代码。此外,我们调查这些代码可以表示为开放与封闭的凸集。有趣的是,我们发现了一个代码,这是一个开放的,但不是封闭的凸代码,并证明了这种现象的一个最小的例子。
2019-09-19 math.CO q-bio.NC
Growth-Driven Percolations: The Dynamics of Community Formation in Neuronal Systems
神经元系统的本质属性是它们选择性突触连接的密集模式。目前的工作描述了一种基于物理的方法来神经元的形状建模和合成,并考虑到神经元的发育和神经元社区的形成的模拟。从真实神经元的图像开始,获得几何测量值并用于构建概率模型,随后可以对其进行采样,以产生形态上逼真的神经元细胞。这些细胞逐渐生长,同时监测它们的连接随着时间的推移,这是分析的渗滤概念。然而,与传统的渗流,临界点是验证沿生长阶段,而不是细胞的密度,这在整个神经元生长动力学保持不变。它表明,通过模拟,生长的β细胞往往比具有相同直径的α对应物更快地达到渗滤。此外,对于更高密度的细胞,渗滤变得更突然,对于β细胞明显更尖锐。
2004-11-02 cond-mat.dis-nn physics.bio-ph q-bio.NC
Impact of Neuron Models on Spiking Neural Networks performance. A Complexity Based Classification Approach
Institute of Fundamental Technological Research, Polish Academy of Sciences(波兰科学院基础技术研究所)
本研究通过基于Lempel-Ziv复杂度的评估方法,系统比较了多种神经元模型和学习规则对脉冲神经网络分类性能的影响,发现分类精度取决于模型、网络规模和学习规则的相互作用。
2025-08-24 cs.AI q-bio.NC
Joint Learning Neuronal Skeleton and Brain Circuit Topology with Permutation Invariant Encoders for Neuron Classification
Wuhan University(武汉大学)
本文提出NeuNet框架,通过结合神经元骨架形态与神经回路拓扑信息实现自动化神经元分类,并在人类大脑皮层和果蝇大脑的VEM图像数据集上分别取得0.9169和0.9363的准确率。
2024-03-26 cs.CV eess.IV q-bio.NC
Dynamic neuronal networks efficiently achieve classification in robotic interactions with real-world objects
生物皮层网络是潜在的完全递归网络,没有任何明显的输出层,其中识别可能依赖于其神经元之间的活动分布。因为这样的生物网络可以具有丰富的动态,它们被精心设计以应对自然界中发生的类型的动态交互,而传统的机器学习网络可能很难理解这些数据。在这里,我们将一个简单的模型神经元网络(基于具有生物现实动力学(LSM)的“线性求和神经元模型”,由10个兴奋性和10个抑制性神经元组成,随机连接)连接到具有多种类型的力传感器的机器人手指上,当与不同级别的顺应性材料相互作用时。范围:探讨网络对分类精度的影响.因此,我们将网络输出的性能与感官数据的统计特征及其机械性能的主成分分析进行了比较。值得注意的是,尽管LSM是一个非常小且未经训练的网络,并且仅被设计为提供丰富的内部网络动态,而神经元模型本身被高度简化,但我们发现LSM在准确性方面优于其他统计方法。
2022-11-11 cs.RO q-bio.NC
Neuronal Cell Type Classification using Deep Learning
Bar-Ilan University(巴伊兰大学)
本文提出一种可解释深度学习框架,基于电生理活动对小鼠和人类神经元进行细胞类型、宽泛类型及转基因品系分类,并通过领域自适应取得最先进性能。
2023-06-01 cs.LG eess.SP q-bio.NC
Artificial neural networks in action for an automated cell-type classification of biological neural networks
识别不同的神经元细胞类型对于理解它们对大脑功能的贡献至关重要。然而,神经元的自动和可靠分类仍然是一个挑战,主要是因为它们的生物复杂性。典型的方法包括费力且昂贵的免疫组织化学分析,而最近已经提出了基于细胞特征的特征提取算法。前者依赖于分子标记物,这些标记物通常在许多细胞类型中表达,而后者则面临类似的问题:发现每个类别的独特特征已被证明同样具有挑战性。此外,这两种方法都很耗时,需要大量的人为干预。在这项工作中,我们建立了第一个自动化的细胞类型分类方法,该方法依赖于神经元的活动,而不是分子或细胞特征。我们在真实世界的数据集上测试了我们的方法,该数据集包括四种神经元类型的原始钙活动信号。我们比较了三种不同的深度学习模型的性能,并证明了我们的方法可以以前所未有的准确度实现神经元细胞类型的自动分类。
2020-09-28 cs.NE q-bio.NC
An Operating Principle of the Cerebral Cortex, and a Cellular Mechanism for Attentional Trial-and-Error Pattern Learning and Useful Classification Extraction
本文修订并扩展了新皮层锥体神经元的细胞级分类学习假设,引入BTSP规则与注意力机制,提出基于不同兴奋途径的四种神经元兴奋分类,并探讨微柱束内树突的去极化耦合机制。
2025-02-02 physics.bio-ph q-bio.NC
Unsupervised Image Classification Through Time-Multiplexed Photonic Multi-Layer Spiking Convolutional Neural Network
我们提出了一个深度光子尖峰卷积神经网络的结果,基于两部分VCSEL,针对图像分类。训练是基于无监督的尖峰时间依赖可塑性,而神经元时间复用和超快响应被利用,以减少90%的物理神经元计数
2020-09-16 eess.IV q-bio.NC
An information theoretic approach to the functional classification of neurons
一群神经元通常对感觉输入表现出广泛的多样性反应。功能分类的直观概念是,细胞可以聚集在一起,这样大部分的多样性就被捕获在集群的身份中,而不是集群中的个体。我们展示了如何使用信息论来精确地做出这种直觉,而不需要在刺激或反应的空间上引入度量。应用于蝾螈的视网膜神经节细胞,这种方法恢复了经典的结果,但也提供了明确的证据,超出了以前确定的子类。此外,我们发现每个神经节细胞在功能上都是独特的,即使在同一亚类中,也只需要几个棘波就可以可靠地区分细胞。
2002-12-31 physics.bio-ph physics.data-an q-bio.NC
Implementation of quantum stochastic walks for function approximation, two-dimensional data classification, and sequence classification
研究了一种基于图上量子随机游动的量子随机神经网络(QSNN),并利用梯度下降法更新网络参数。我们应用玩具模型的QSNN与几个神经元的函数逼近,二维数据分类和序列分类的问题。一个简单的五个神经元的QSNN被训练来确定一个单词序列是否是一个句子,我们发现QSNN可以减少训练步骤的数量。具有11个神经元的QSNN在提高识别新类型输入(如诗句)的准确性方面显示出量子优势。此外,我们的玩具模型,我们发现相干QSNN是更强大的标签噪声和设备噪声相比,退相干QSNN。这些结果表明,量子随机游走可能是实现量子神经网络的有用资源。
2022-04-18 q-bio.NC quant-ph
Towards NeuroAI: Introducing Neuronal Diversity into Artificial Neural Networks
The Chinese University of Hong Kong(香港中文大学);Southeast University(东南大学);Cornell University(康奈尔大学)
纵观历史,人工智能特别是人工神经网络的发展一直是开放的,并不断受到对大脑日益加深的理解的启发,比如神经认知机的启发,它是卷积神经网络的开创性工作。根据新兴领域NeuroAI的动机,大量的神经科学知识可以通过赋予网络更强大的功能来帮助催化下一代AI。正如我们所知,人类大脑有许多形态和功能不同的神经元,而人工神经网络几乎完全建立在一个单一的神经元类型。在人类大脑中,神经元的多样性是各种生物智能行为的一个使能因素。由于人工网络是人类大脑的缩影,因此引入神经元多样性对于解决人工网络的基本问题(如效率、可解释性和记忆)应该是有价值的。在本书中,我们首先讨论了生物神经元多样性的分类以及生物神经元中信息传递和处理的特征。然后,我们回顾了人工网络设计新的神经元的研究。接下来,我们将讨论神经元多样性可以为人工网络带来什么好处,以及在几个重要领域的示例性应用。最后,我们讨论了神经元多样性的挑战和未来方向,以探索NeuroAI的潜力。
2023-03-11 cs.AI cs.ET cs.LG
A Deep Learning Framework for Classification of in vitro Multi-Electrode Array Recordings
University of California, Santa Barbara(加利福尼亚大学圣巴巴拉分校);Neuroscience Research Institute(神经科学研究所)
多电极阵列(MEA)被广泛用于记录神经元的活动,可用于基因缺陷和药物效应的诊断。在本文中,我们解决的问题,在体外MEA记录的小鼠和人类神经元培养物从不同的基因型,没有简单的方法来直接利用原始序列作为输入训练的端到端的分类模型进行分类。虽然手工仔细提取一些特征可以部分解决问题,但这种方法存在明显的缺点,例如难以推广。我们提出了一个深度学习框架来应对这一挑战。我们的方法正确地分类了从两种不同基因型制备的神经元培养数据-小鼠敲除δ-连环蛋白基因和威廉姆斯综合征的人类诱导多能干细胞衍生神经元。通过将长记录分成短切片进行训练,并在测试期间应用共识预测,与基于特征的逻辑回归相比,我们的深度学习方法将预测准确率提高了16.69%。我们在小鼠MEA记录数据的一个子集中使用共识预测进一步实现了95.91%的准确度,这些数据都是在体外6天记录的。随着高密度MEA记录变得越来越广泛,这种方法可以推广到携带不同突变的神经元的分类和药物反应的分类。
2019-06-05 cs.LG eess.SP q-bio.NC
A Neurochaos Learning Architecture for Genome Classification
National Institute of Advanced Studies(国家先进研究所);Indian Institute of Science Campus(印度科学研究所校区);Consciousness Studies Programme(意识研究项目);Indian Institute of Science(印度科学研究所);Indian Institute of Science Campus, Bengaluru, India(印度科学研究所校区,班加罗尔,印度)
在生物神经网络中,单神经元水平上存在非线性和混沌的经验证据。混沌神经元的特性启发我们将其应用于人工学习系统。在这里,我们提出了一种神经混沌学习(NL)架构,其中用于从数据中提取特征的神经元是一维混沌映射。ChaosFEX+SVM是这种NL架构的一个实例,它是混沌和经典机器学习算法的混合组合。我们正式证明,一个单层的NL与有限数量的一维混沌神经元满足普遍逼近定理的混沌神经元的数量需要近似一个离散的实值函数有限的支持的精确值。这是由于混沌的拓扑传递性和所选一维混沌映射存在不可数无穷多个稠密轨道。NL中的混沌神经元在输入刺激(数据)的存在下被激活,并输出混沌放电轨迹。从NL的单个神经元的这种混沌放电轨迹中,我们提取了构成ChaosFEX特征的放电时间、放电率、能量和熵。然后将这些ChaosFEX特征馈送到具有线性内核的支持向量机进行分类。NL(ChaosFEX+SVM)进行的混沌特征工程的有效性证明了在低和高训练样本制度的合成和真实世界的数据集。具体而言,我们考虑的问题,从其他冠状病毒(SARS-CoV-1,MERS-CoV和其他)的SARS-CoV-2的基因组序列的分类。对于1000个随机训练试验,每个类只有一个训练样本,我们报告了从SARS-CoV-1基因组序列中分类SARS-CoV-2的平均宏观F1分数> 0.99。还证明了ChaosFEX特征对加性噪声的鲁棒性。
2020-10-12 cs.LG cs.NE q-bio.NC
Learning Internal Biological Neuron Parameters and Complexity-Based Encoding for Improved Spiking Neural Networks Performance
本研究提出了一种基于生物神经元参数和复杂度的SNN学习方法,通过优化内在动态提升分类准确率和效率。
2026-03-02 cs.AI cs.NE q-bio.NC