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(wèn)題。本文首先引入放電率與峰電位計(jì)數(shù)率度量神經(jīng)元對(duì)外界刺激的響應(yīng)，分析了如何根據(jù)實(shí)驗(yàn)記錄的神經(jīng)元峰電位活動(dòng)獲得描述放電率的調(diào)置曲線。基于神經(jīng)振子活動(dòng)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(dòng)的概率分布編碼模型并推廣到連續(xù)形式。通過(guò)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(shì)，并隨著神經(jīng)元密度的增大而增大。

2、這說(shuō)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(shí)現(xiàn)依賴(lài)于集群規(guī)模的大小。 接下來(lái)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(yùn)用極大似然推斷分析解碼模型的效率，并通過(guò)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(lèi)似。當(dāng)

3、神經(jīng)元密度相當(dāng)大時(shí)，UMLI與FMLI具有大致相同的解碼性能，這說(shuō)明UMLI可在解碼精度與計(jì)算成本間作一個(gè)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(yàn)估計(jì)(MAP)的序列貝葉斯解碼(SBD)方法，通過(guò)合理假定每個(gè)解碼步驟獲得的對(duì)刺激的估計(jì)作為隨后解碼的先驗(yàn)知識(shí)，考察每步解碼過(guò)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(shuō)明先驗(yàn)知識(shí)的積累是集群解碼精度的保證，為揭示腦的工作機(jī)理