大脑层级动力学的神经编解码计算模型丨计算神经科学读书会·周四直播

导语

大脑是一个复杂的多层次结构系统，从宏观到微观层次可以分为多个层次。在宏观层次，有视觉皮层、听觉皮层、运动皮层等负责不同的功能的脑区。在中观层次，神经元彼此之间通过突触连接形成神经元集群和局部网络等复杂的网络结构。在微观层次，则关注单个神经元和突触的细节，即每个神经元通过轴突和树突与其他神经元连接，突触则是神经信号传递的部位。神经动力学研究神经元活动的时间和空间模式，以及这些模式如何编码和解码信息。

集智俱乐部联合国内外多所知名高校的专家学者发起神经、认知、智能系列读书会第三季——「计算神经科学」读书会。从2024年2月22日开始，每周四19:00-21:00进行，持续时间预计10-15周，欢迎感兴趣的朋友报名参与，深入梳理相关文献、激发跨学科的学术火花！

分享简介

编码是指大脑如何将外界刺激转化为神经元的电活动模式。对于视觉系统来说，这包括从视网膜到视觉皮层的各个层次的信息处理。研究者使用计算模型来模拟这种编码过程，例如卷积神经网络就模仿了视觉系统的层次结构。解码是指从神经元的电活动模式中提取出原始的刺激信息。视觉系统是研究大脑信息处理的一个理想模型，对信息的处理从视网膜开始，通过视神经传递到视觉皮层的多个区域，进行逐步复杂的处理。本次分享将介绍基于视觉的编解码模型，通过理解大脑如何从神经活动中重建视觉图像，探究如何将视觉编解码模型应用于脑机接口，帮助人们通过大脑信号控制计算机或其他设备。

分享大纲

一、基于神经元与突触电生理的生物模型

二、基于神经元环路或群体的层次模型

三、模拟视觉系统分层处理的AI模型

核心概念

编码
解码
视觉系统
层级网络
脑结构解析

主讲人介绍

伯明翰大学神经计算实验室副教授。课题组在Nat.Commun., Nat.Biomed.Eng., eLife, J.Neurosci., PLoS Comput.Biol.， IEEE, NeurIPS/AAAI/CVPR/BMVC等发表论文60多篇。

研究方向: 计算神经科学，脑启发计算，类脑智能，神经形态计算。具体包括（1）计算脑科学：理解大脑的基本运算机制，例如感知、学习和记忆、决策和运动控制，以及数据分析和建模的方法和算法；（2）计算机器人：研究类脑计算和神经形态计算技术，并为智能机器人设计感知、决策与控制的新型算法和计算模型；（3）计算医学：利用机器学习设计用于治疗脑疾病的药物模型(神经系统的分子药物与物理模型)和疗法(机器辅助的神经假体和脑机接口)。

直播信息

时间：

2024年6月27日（本周四）晚上19:00-21:00

参与方式：

扫码参与计算神经科学读书会，加入群聊，获取系列读书会回看权限，成为计算神经科学社区的种子用户，与社区的一线科研工作者与企业实践者沟通交流，共同推动计算神经科学社区的发展。

报名成为主讲人：

读书会成员均可以在读书会期间申请成为主讲人。主讲人作为读书会成员，均遵循内容共创共享机制，可以获得报名费退款，并共享本读书会产生的所有内容资源。具体见系列读书会详情：计算神经科学读书会启动：从复杂神经动力学到类脑人工智能

资料推荐

基于脑启发的视觉计算正在发挥重要功能，本文重点介绍了机器学习技术如何帮助开发对抗各种类型神经信号的模型，从精细尺度的神经尖峰和单细胞钙成像到粗尺度的脑电图（脑电图）和功能性磁共振成像记录大脑信号。

Zhang, Y., Yu, Z., Liu, J. K., Huang T., Neural Decoding of Visual Information Across Different Neural Recording Modalities and Approaches. Machine Intelligence Research. 19: 350-365 (2022) DOI: 10.1007/s11633-022-1335-2

贾杉杉, 余肇飞, 刘健, 黄铁军. 面向生物视觉的神经编码模型研究：进展与挑战[J]. 电子与信息学报, 2023, 45(8): 2689-2698. doi: 10.11999/JEIT221368

提出STNMF模型，能够动态表征神经元回路的动态物理结构。

Jia S., Xing D., Yu Z., Liu, J. K., Dissecting cascade computational components in spiking neural networks, PLoS Comput Biol 17(11): e1009640 (2021) DOI: 10.1371/journal.pcbi.1009640

扩展了 STNMF 方法的范围。通过使用视网膜 GC 作为模型系统，STNMF 可以检测上游双极细胞（BC）的各种计算特性，包括空间感受野、时间滤波器和传递非线性。

Jia S, Yu Z, Onken A, Tian Y, Huang T, Liu J. K. Neural System Identification with Spike-triggered Non-negative Matrix Factorization. IEEE Transactions on Cybernetics 52(6): 4772-4783 (2022) DOI: 10.1109/TCYB.2020.3042513

采用了受图像分割技术启发的深度神经网络解码器从神经元反应中提取特征。

Zhang, Y., Bu, T., Zhang, Y., Tang, S., Yu, Z., Liu, J. K. Huang, T., Decoding Pixel-Level Image Features from Two-Photon Calcium Signals of Macaque Visual Cortex. Neural Computation 34 (6): 1369–1397 (2022) DOI: 10.1162/neco_a_01498

基于神经节细胞以非线性方式组合空间上的视觉信号的机理，提出一个考虑细胞感受野内的平均光强度及其随时间变化的模型，为模拟神经节细胞对自然图像的反应提供了一个易于获得的基准。

Liu, J. K., Karamanlis, D., Gollisch, T., Simple model for encoding natural images by retinal ganglion cells with nonlinear spatial integration. PLoS Comput Biol 18(3): e1009925 (2022) DOI: 10.1101/2021.08.29.458067

提出一种基于深度神经网络的新型解码框架尖峰图像解码器（SID）为人工视觉系统的神经形态计算提供了新的视角。

Zhang Y, Jia S, Zheng Y, Yu Z, Tian Y., Ma S., Huang T, Liu J.K. Reconstruction of Natural Visual Scenes from Neural Spikes with Deep Neural Networks. Neural Networks. 125:19-30 (2020) DOI: 10.1016/j.neunet.2020.01.033

介绍了尖峰触发的非负矩阵分解方法，用于检测神经元感受野内子单元的布局。该方法仅需要神经元在精细结构的感觉刺激下的尖峰反应，因此适用于同时记录的大量神经元。

Liu, J. K., Schreyer, H.M., Onken, A., Rozenblit, F., Khani, M.H., Krishnamoorthy, V., Panzeri, S., and Gollisch, T. Inference of neuronal functional circuitry with spike-triggered non-negative matrix factorization, Nature Communications, 8(1):149 (2017). DOI:10.1038/s41467-017-00156-9

计算神经科学读书会

人类大脑是一个由数以百亿计的神经元相互连接所构成的复杂系统，被认为是「已知宇宙中最复杂的物体」。本着促进来自神经科学、系统科学、信息科学、物理学、数学以及计算机科学等不同领域，对脑科学、类脑智能与计算、人工智能感兴趣的学术工作者的交流与合作，集智俱乐部联合国内外多所知名高校的专家学者发起神经、认知、智能系列读书会第三季——「计算神经科学」读书会，涵盖复杂神经动力学、神经元建模与计算、跨尺度神经动力学、计算神经科学与AI的融合四大模块，并希望探讨计算神经科学对类脑智能和人工智能的启发。读书会从2024年2月22日开始，每周四19:00-21:00进行，持续时间预计10-15周，欢迎感兴趣的朋友报名参与，深入梳理相关文献、激发跨学科的学术火花！