XiaoMi-AI文件搜索系统
World File Search System尖峰
海马CA1中的差分空间表示和在进化的尖峰神经网络中出现的亚表征
摘要 - 在啮齿动物的导航研究中，在海马次区域CA1和下毛（Sub）中都鉴定出空间反应，但这两个大脑区域似乎对空间特征进行了不同的编码。位于子位置细胞的位置比CA1更大且特异性较少。此外，子神经元显示出针对行进标题和轴的更强定向调制。基于记录在“ Triple-T”迷宫上执行导航任务的神经和行为数据，我们提出了一个尖峰的神经网络建模框架，以复制在CA1和SUB中观察到的响应属性。将峰值定时依赖性可塑性和同源缩放（STDP-H）的参数进化，以使两种不同的SNN类似于CA1的录音的响应，当大鼠穿越Triple-t Maze时。我们的结果表明，位置输入在形成CA1位置细胞中可能更具影响力，而Sub似乎同时集成了同类中心位置信息和自我运动提示，以编码“位置类别”。此外，我们的结果预测，这些区域中不同的空间响应可能部分归因于不同的stdp-H学习参数。此处介绍的框架可以用作自动参数调整系统，用于复制其他大脑区域的响应。
利用自适应噪声估计进行体内神经尖峰检测
摘要 目的. 能够从受噪声污染的相对大量的神经元中可靠地检测出神经尖峰对于可靠地解码记录的神经信息至关重要。方法. 本文首先分析了各种潜在的尖峰检测技术在体内实现的准确性和可行性。然后介绍了一种准确且计算效率高的尖峰检测模块，该模块可以自主适应记录通道统计数据的变化。主要结果. 使用合成和真实神经记录评估所选候选尖峰检测技术的准确性。在备选检测方法中，设计的检测器还在两个动物行为数据集上提供了最高的解码性能。意义. 在标准 180 nm CMOS 工艺中设计的 128 通道尖峰检测模块的实现结果是面积和功率效率最高的尖峰检测 ASIC 之一，并且在脑植入物的组织安全约束范围内运行，同时提供自适应噪声估计。
使用神经尖峰稳健的转码感觉信息
摘要 - 神经编码，包括编码和解码，1是神经科学的关键问题之一：2大脑如何使用神经信号将感觉感知3和运动行为与神经系统联系起来。然而，其中大多数研究仅旨在处理神经系统的类比信号5，同时缺乏生物6神经元的独特特征，称为Spike，这是神经计算的基本信息7单元，以及8个脑氨基素界面的基础。针对这些局限性，我们构成了一个转码框架，将多模式感觉10信息编码为神经尖峰，然后从11个尖峰中重建刺激。可以将感官信息压缩为10％的神经峰值，但通过重建100％的信息100％。我们的框架不仅可以可行，14个准确地重建动态视觉和听觉场景，15，还可以重建功能性磁性16共振成像大脑活动的刺激模式。重要的是，它具有各种类型的人工噪声18和背景信号的噪声免疫的17种能力。所提出的框架提供了19种有效的方法来以高通量方式执行多模式特征表示和20种重建，在嘈杂的环境中，有效的神经形态计算的潜在用法21。22
无线脑机接口尖峰检测算法的硬件评估
摘要 — 当前，植入式脑机接口 (BMI) 的趋势是增加通道数量，以改进信息传输速率的下一代设备。然而，这会增加有线或无线系统的原始数据带宽，最终影响功率预算（和热耗散）。因此，植入物上的特征提取和/或压缩对于降低数据速率至关重要，但处理能力令人担忧。皮层内 BMI 的一种常见特征提取技术是尖峰检测。在这项工作中，我们通过实证比较了三种硬件高效的尖峰强调器、非线性能量算子 (NEO)、幅度斜率算子 (ASO) 和导数能量 (ED) 以及两种常见的统计阈值机制（使用平均值或中位数）的性能、资源利用率和功耗。我们还提出了一种新颖的中位数近似法来解决中位数算子硬件效率不高的问题。这些都已在可重构硬件 (FPGA) 上实现和评估，以估计它们在最终 ASIC 设计中的硬件效率。我们的结果表明，采用平均阈值的 ED 提供了最高效的硬件（低功耗/资源）选择，而使用中值则具有更高的检测精度和更高的阈值乘数设置稳健性的优势。这项工作意义重大，因为它是首次实现和比较硬件和算法权衡，在将算法转化为硬件实例以设计无线植入式 BMI 之前必须做出这些权衡。
稀疏学习尖峰的生物启发实现......
摘要 — 神经系统，更具体地说是大脑，能够简单高效地解决复杂问题，远远超过现代计算机。在这方面，神经形态工程是一个研究领域，专注于模仿控制大脑的基本原理，以开发实现这种计算能力的系统。在这个领域，仿生学习和记忆系统仍然是一个有待解决的挑战，这就是海马体的作用所在。它是大脑中充当短期记忆的区域，允许学习和非结构化、快速存储来自大脑皮层所有感觉核的信息，并随后回忆起来。在这项工作中，我们提出了一种基于海马体的新型仿生记忆模型，该模型能够学习记忆，从提示（与其余内容相关的记忆的一部分）中回忆记忆，甚至在尝试学习具有相同提示的其他记忆时忘记记忆。该模型已在 SpiNNaker 硬件平台上使用脉冲神经网络实现，并进行了一系列实验和测试以证明其正确且符合预期的操作。所提出的基于脉冲的记忆模型仅在收到输入时才会产生脉冲，具有节能效果，并且学习步骤需要 7 个时间步，调用先前存储的记忆需要 6 个时间步。这项工作提出了第一个功能齐全的生物启发式基于脉冲的海马记忆模型的硬件实现，为未来更复杂的神经形态系统的开发铺平了道路。
一种用于实现随机二进制尖峰时间相关可塑性的 CMOS-忆阻器混合系统
本文介绍了一个完全实验性的混合系统，其中使用定制的高阻态忆阻器和采用 180 nm CMOS 技术制造的模拟 CMOS 神经元组装了一个 4 × 4 忆阻交叉脉冲神经网络 (SNN)。定制忆阻器使用 NMOS 选择晶体管，该晶体管位于第二个 180 nm CMOS 芯片上。一个缺点是忆阻器的工作电流在微安范围内，而模拟 CMOS 神经元可能需要的工作电流在皮安范围内。一种可能的解决方案是使用紧凑电路将忆阻器域电流缩小到模拟 CMOS 神经元域电流至少 5-6 个数量级。在这里，我们建议使用基于 MOS 阶梯的片上紧凑电流分配器电路，将电流大幅衰减 5 个数量级以上。每个神经元之前都添加了这个电路。本文介绍了使用 4 × 4 1T1R 突触交叉开关和四个突触后 CMOS 电路的 SNN 电路的正确实验操作，每个电路都有一个 5 个十进制电流衰减器和一个积分激发神经元。它还演示了使用此小型系统进行的一次性赢家通吃训练和随机二进制脉冲时间依赖可塑性学习。
对δSARS-CoV-2尖峰的体液和细胞反应......
a 意大利国家传染病研究所 Lazzaro Spallanzani-IRCCS 转化研究单位，邮编 00149 罗马，意大利 b 意大利 S. Andrea 大学医院“Sapienza”大学临床和分子医学系，邮编 00189 罗马，意大利 c 意大利 San Camillo 医院风湿病科，邮编 00152 罗马，意大利 d 意大利国家传染病研究所 Lazzaro Spallanzani-IRCCS 简易手术室 (UOS) 专业卫生技术部门，邮编 00149 罗马，意大利 e 意大利国家传染病研究所 Lazzaro Spallanzani-IRCCS 呼吸道传染病科，邮编 00149 罗马，意大利 f 拉霍亚免疫学研究所 (LJI) 传染病和疫苗研究中心，邮编 92037 拉霍亚，加利福尼亚州，美国 g 风湿病学、过敏学和临床免疫学，Dipartimento di medicina dei sistemi，罗马托尔维加塔大学，罗马，意大利 h 病毒学单位，国家传染病研究所 Lazzaro Spallanzani-IRCCS，00149 罗马，意大利 i UOC Direzione Sanitaria，国家传染病研究所 Lazzaro Spallanzani-IRCCS，00149 罗马，意大利 j UOC Malattie Infettive ad Alta Intensità di Cura，国家传染病研究所 Lazzaro Spallanzani-IRCCS，00149 罗马，意大利
选择神经尖峰检测的有效幅度阈值
脑机接口正在利用细胞外记录中的神经尖峰波形或尖峰时间实现重要的新功能 [1]，[2]。尖峰检测是从记录中提取神经尖峰的重要步骤。它不仅可以提取用于神经活动解码的信息，还可以将数据带宽减少数百甚至数千倍，从而实现无线传输并实现完全植入神经接口而无需经皮导线突破皮肤。尖峰检测性能对于保存神经信息和避免解码精度下降至关重要。阈值是尖峰检测的最常用方法，超过阈值的值被视为尖峰。面对不断变化的大脑环境，自适应且稳健的阈值至关重要。文献中提出了许多用于定义阈值的算法。一种方法是使用计算算法 [3]，[4]，例如短时傅立叶变换、小波变换和模板匹配。还有一些算法方法，例如反馈控制阈值 [5]。最常见的方法是根据信号统计数据设置阈值。噪声统计数据被广泛用于设置阈值。还提出了一种硬件高效估计方法，使用乘数将平均值/中位数/标准差/均方根值设置为阈值 [6]。其他人选择使用稳健统计估计来设置阈值 [7]。将阈值设置为 T = αN ，其中 N 是噪声统计数据，α 是用户定义的参数，这是设置阈值的常用方法 [8]。由于其简单性，这种方法在植入体实施中尤其受欢迎 [9]。然而，这种算法的自适应性
大脑刺激与持续的振荡竞争，以控制灵长类动物大脑中的尖峰时序
经颅交流电流刺激（TAC）通常用于增强脑节律，以期改善行为性能。不幸的是，这些干预措施通常会产生高度可变的结果。在这里，我们通过在警报非人类灵长类动物中记录单个神经元来确定这种变异性的关键来源。我们发现，TACS似乎与大脑的内源性振荡竞争以控制尖峰时序，而不是增强节奏活动。具体而言，当刺激的强度相对于内源性振荡较弱时，TACS实际上会降低尖峰的节奏性。但是，当刺激相对较强时，TACS对尖峰活动施加了自身的节奏。因此，TAC的作用明确地取决于神经夹带的强度，内源性振荡在行为状态和大脑区域之间差异很大。未经仔细考虑这些因素，试图将外部节奏施加到特定的大脑区域，通常可能与预期效应相反。