神經(jīng)元集群編碼與解碼模型研究.pdf

1、神經(jīng)元集群編碼與解碼是神經(jīng)信息處理的關(guān)鍵問題。本文首先引入放電率與峰電位計數(shù)率度量神經(jīng)元對外界刺激的響應(yīng)，分析了如何根據(jù)實驗記錄的神經(jīng)元峰電位活動獲得描述放電率的調(diào)置曲線?；谏窠?jīng)振子活動狀態(tài)的相位描述，我們得到神經(jīng)元在刺激相位下的平均發(fā)火率函數(shù)，考慮到神經(jīng)系統(tǒng)的互相關(guān)性和噪聲環(huán)境，建立神經(jīng)元集群活動的概率分布編碼模型并推廣到連續(xù)形式。通過數(shù)值模擬發(fā)現(xiàn)Fisher信息量隨有效相寬呈緩慢減小后迅速增加的趨勢，并隨著神經(jīng)元密度的增大而增大。

2、這說明集群編碼所能達(dá)到的最小誤差與神經(jīng)元密度呈遞減關(guān)系，集群編碼精度的實現(xiàn)依賴于集群規(guī)模的大小。 接下來我們介紹神經(jīng)元集群解碼的基本原理.貝葉斯法則，給出置信模型、非置信模型和矩法模型，運用極大似然推斷分析解碼模型的效率，并通過數(shù)值模擬比較它們之間的性能。結(jié)果發(fā)現(xiàn)基于置信模型的極大似然推斷(FMLI)的解碼誤差優(yōu)于基于非置信模型的極大似然推斷(UMLI)，并且其關(guān)于有效相寬和神經(jīng)元密度的變化情況與Fisher信息量的行為類似。當(dāng)

3、神經(jīng)元密度相當(dāng)大時，UMLI與FMLI具有大致相同的解碼性能，這說明UMLI可在解碼精度與計算成本間作一個很好的妥協(xié)。 最后我們提出基于極大似然推斷和最大化后驗估計(MAP)的序列貝葉斯解碼(SBD)方法，通過合理假定每個解碼步驟獲得的對刺激的估計作為隨后解碼的先驗知識，考察每步解碼過程中的誤差變化情況。結(jié)果發(fā)現(xiàn)所能獲得的最優(yōu)解碼誤差為第一步解碼誤差與解碼步驟數(shù)的比值，這說明先驗知識的積累是集群解碼精度的保證，為揭示腦的工作機(jī)理