XiaoMi-AI文件搜索系统
World File Search Systemneural
psilocybin诱导的神经可塑性
收到：2024年9月10日修订：2024年9月13日接受：2024年9月17日的抽象背景和目标：psilocybin是一种血清素能迷幻的，最近与诱导大脑的神经可塑性有关。本综述旨在探讨psilocybin如何影响神经可塑性的当前证据，重点关注其对大脑活动，连通性和潜在治疗意义的影响。方法：对最近的研究进行了系统的综述，包括脑电图（EEG）的研究，theta功率变化，结构和功能性神经可塑性以及神经成像发现。评估psilocybin对神经发生，旋转生成和脑功能改变的影响的研究被审查，以了解其对神经可塑性的影响。结果：研究表明，psilocybin的给药会导致脑电图的显着增加，反映了神经活动和连通性的变化。psilocybin促进了结构和功能可塑性，这可以通过神经发生和旋转生成增加而证明。成像研究表明，psilocybin诱导的非同步和脑活动的改变，这与其治疗作用相关。这些发现表明，psilocybin诱导树突状棘的快速生长，影响神经元的结构和功能。结论：psilocybin具有诱导神经可塑性的重要潜力，对治疗神经系统和心理条件的影响。关键词：psilocybin，神经可塑性，神经发生，神经成像，大脑连通性观察到的大脑连通性和结构的变化强调了对迷幻诱导的神经可塑性机理及其潜在的治疗益处的进一步研究的需求。
红外神经刺激引起的兴奋性和抑制性神经反应的双光子成像
理解复杂的神经回路及其与特定行为的关系需要对神经元亚型进行精确的时间和空间调节。非遗传近红外光刺激是最有前途的大脑非侵入性神经接口技术之一。1-5 最近，脉冲红外神经刺激 (INS) 技术已被引入作为一种能够安全且可逆地调节神经活动的方法。1 与其他波长的红外刺激（例如 808 nm、2 980 nm、3 5.6 μ m 4、5 ）引起的效应相反，脉冲传输 ∼ 1.875 μ m 红外波长会导致局部热量传输并被水快速吸收。6 当通过 200 μ m 光纤以短脉冲串（0.25 ms、200 Hz、0.5 s）传输时，这种高度聚焦（亚毫米）光学方法为灵长类动物皮层中的功能性柱特异性刺激提供了一种独特的方法。 7 因此，INS 相较于传统电刺激的优势包括高空间选择性、非接触式传递，以及对于灵长类动物和人类应用而言更为重要的一点，即无需事先表达视蛋白即可对大脑部位进行神经调节。8、9 此外，凭借这种靶向光纤刺激的精确度和 MRI 兼容性，局部 INS 结合 MRI 可用于灵长类动物大脑网络的体内映射 10-12，并有望用于对清醒行为猴子进行神经调节。虽然这些应用已显示出对体内回路神经调节的巨大前景，但其作用机制或对单个细胞类型的影响目前仍然知之甚少。现在有越来越多的证据表明 INS 会导致神经调节。通过电生理学、内在信号光学成像和体内钙成像评估，INS 已被证明可在麻醉啮齿动物中诱导兴奋性和抑制性神经元反应。 13、14 INS 对麻醉恒河猴视觉皮层产生了典型的视觉诱导皮层内在信号 7 的反应，而且导致功能匹配的眼部优势域的选择性调节，与局部皮层-皮层连接的激活一致。超高场 MRI 中的 INS 可激活恒河猴解剖学预测的中尺度全球大脑部位，这进一步表明投射细胞（兴奋性锥体神经元）被 INS 激活。10 – 12 这些 INS 诱导的反应已被证明具有强度和持续时间依赖性。尽管有这些令人信服的证据，但直接用电生理学方法展示神经元反应仍然具有挑战性。一个被称为贝克勒尔效应的问题在于，记录电极的直接加热会通过电极中的热诱导电流污染神经元反应。Cayce 等人。使用同时在麻醉啮齿动物体内使用 INS 进行钙成像，并观察大脑表面皮质星形胶质细胞和顶端树突中的细胞内钙信号。14 Kaszas 等人使用遗传编码的钙指示剂 Syn-GCaMP6f 进行双光子钙成像，并表明 INS 在麻醉小鼠皮质体内的神经元中诱导微弱的细胞内钙信号。15 到目前为止，我们对神经元反应的理解仍然处于初级阶段。其潜在的作用机制尚不清楚 16 – 23，并且在细胞水平上对不同神经元亚型以及体内不同生理状态的反应的影响仍然缺乏。特别是，尽管 fMRI 研究表明 INS 可在远处皮质部位诱导 BOLD 激活，但对于细胞回路对这种功能连接结果的贡献知之甚少。为了研究 INS 如何影响体内单个神经元并检查对不同细胞亚型的影响，我们在小鼠体感皮层 2/3 层以单细胞分辨率对 INS 的神经元钙反应进行了双光子成像。使用特定的遗传编码钙指示剂 GCaMP6 检查了 hSyn 和 mDlx 标记的神经元亚型的钙反应。我们发现 INS 诱导了神经元钙反射变化的强烈、强度依赖性调节，这种调节与脉冲序列重复频率精确同步。在麻醉小鼠中，hSyn 神经元对 INS 表现出正偏转反应。令人惊讶的是，mDlx 神经元群体包含不同的反应，其中一些表现出负向反应，可能反映了抑制神经元群体的多样性。因此，这些数据确定了 INS 对 hSyn 和 mDlx 神经元的有效性以及对细胞亚型的可能依赖性。讨论了这一发现的意义。使用特定的遗传编码钙指示剂 GCaMP6s 检查了 hSyn 和 mDlx 标记的神经元亚型的钙反应。我们发现 INS 诱导了神经元钙反射变化的强烈、强度依赖性调节，这种调节与脉冲序列重复频率精确同步。在麻醉小鼠中，hSyn 神经元对 INS 表现出正偏转反应。令人惊讶的是，mDlx 神经元群体包含不同的反应，其中一些表现出负向反应，可能反映了抑制神经元群体的多样性。因此，这些数据确定了 INS 对 hSyn 和 mDlx 神经元的有效性以及对细胞亚型的可能依赖性。讨论了这一发现的含义。使用特定的遗传编码钙指示剂 GCaMP6s 检查了 hSyn 和 mDlx 标记的神经元亚型的钙反应。我们发现 INS 诱导了神经元钙反射变化的强烈、强度依赖性调节，这种调节与脉冲序列重复频率精确同步。在麻醉小鼠中，hSyn 神经元对 INS 表现出正偏转反应。令人惊讶的是，mDlx 神经元群体包含不同的反应，其中一些表现出负向反应，可能反映了抑制神经元群体的多样性。因此，这些数据确定了 INS 对 hSyn 和 mDlx 神经元的有效性以及对细胞亚型的可能依赖性。讨论了这一发现的含义。
使用基于自动编码器的神经网络有效的体内神经信号压缩
摘要 - 常规体内神经信号处理涉及从神经元合奏中记录的信号内提取尖峰活动，并且仅在足够的间隔上传输尖峰。但是，对于使用连续的局部场势（LFP）进行认知解码的脑部计算机界面（BCI）应用，将传输到计算机的神经数据的体积施加了相对较高的数据速率要求。对于使用具有数百或数千电极的高密度内部记录的BCI尤其如此。本文介绍了第一个基于自动编码器的压缩数字电路，用于LFP神经信号的有效传输。实施了各种拟南芥和架构级优化，以显着降低设计In In Vivo压缩电路的计算复杂性和内存需求。该电路采用基于自动编码器的神经网络，提供了强大的信号重建。体内压缩逻辑的应用特异性集成电路（ASIC）占据了最小的硅区域，并且在报告的最先进的压缩ASIC中消耗了最低功率。此外，它提供了更高的压缩率和较高的信噪比和失真率。
通过峰值神经网络的神经途径的自适应重组
人的大脑可以自我组织富有和多样化的稀疏神经途径，以逐步掌握数百项认知任务。但是，大多数现有的深层人工和尖峰神经网络的持续学习算法无法充分自动调节网络中有限的资源，这会导致性能下降，随着任务的增加，能源消耗的增加。在本文中，我们提出了一种脑启发的持续学习算法，并通过自适应重新组织神经途径，该途径采用自组织调节网络来重组单个和有限的神经网络（SOR-SNN），为丰富的稀疏神经途径，以有效地处理增量任务。所提出的模型表明，在各种持续学习任务的性能，能源消耗和记忆能力方面都具有一致的延长性，从类似孩子的简单任务到复杂的任务以及广义CIFAR100和Imagenet数据集。尤其是，SOR-SNN模型擅长学习更复杂的任务以及更多的任务，并能够将过去的知识与当前任务中的信息集成在一起，显示了促进旧任务的向后转移能力。同时，所提出的模型具有不可逆损害的自我修复能力，对于修剪的网络，可以自动分配从保留网络的新途径，以恢复记忆以获取被遗忘的知识。
利用循环神经网络从神经测量中重建计算动力学
使用循环神经网络从神经测量重建计算动力学 Daniel Durstewitz 1,2,3,*、Georgia Koppe 1,4、Max Ingo Thurm 1 1 海德堡大学医学院中央精神卫生研究所理论神经科学系 2 海德堡大学跨学科科学计算中心 3 海德堡大学物理与天文学院 4 海德堡大学医学院中央精神卫生研究所精神病学和心理治疗诊所* 通讯作者：daniel.durstewitz@zi-mannheim.de 关键词：动力系统理论、机器学习、循环神经网络、吸引子、混沌、多个单元记录、神经生理学、神经成像 摘要 神经科学中的机械和计算模型通常采用微分或时间递归方程组的形式。此类系统的时空行为是动力系统理论 (DST) 的主题。 DST 提供了一个强大的数学工具箱，用于描述和分析从分子到行为的任何级别的神经生物学过程，几十年来一直是计算神经科学的支柱。最近，循环神经网络 (RNN) 成为一种流行的机器学习工具，用于研究神经或行为观察背后的非线性动力学。通过在与动物受试者相同的行为任务上训练 RNN 并剖析其内部工作原理，可以产生关于行为的神经计算基础的见解和假设。或者，可以直接在手头的生理和行为时间序列上训练 RNN。理想情况下，一旦训练好的 RNN 将能够生成具有与观察到的相同的时间和几何属性的数据。这称为动态系统重建，这是机器学习和非线性动力学中一个新兴的领域。通过这种更强大的方法，就其动态和计算属性而言，训练过的 RNN 成为实验探测系统的替代品。然后可以系统地分析、探测和模拟训练过的系统。在这里，我们将回顾这个令人兴奋且迅速发展的领域，包括机器学习的最新趋势，这些趋势在神经科学中可能还不太为人所知。我们还将讨论基于 RNN 的动态系统重建的重要验证测试、注意事项和要求。概念和应用将通过神经科学中的各种示例进行说明。简介理论神经科学的一个长期原则是，神经系统中的计算可以用底层的非线性系统动力学来描述和理解（Amit & Brunel，1997；Brody & Hopfield，2003；Brunel，2000；Durstewitz，2003；Durstewitz 等，1999、2000、2021；Hodgkin & Huxley，1952；Hopfield，1982；Izhikevich，2007；Machens 等，2005；Miller，2016；Rinzel & Ermentrout，1998；Wang，1999，2002；Wilson，1999；Wilson & Cowan，1972）。相关思想可以追溯到 40 年代 McCulloch & Pitts (1943)、Alan Turing (1948) 和 Norbert Wiener (1948) 的工作，并在 80 年代早期通过 John Hopfield (1982) 的开创性工作获得了发展势头，该工作将记忆模式嵌入为简单循环神经网络中的固定点吸引子。Hopfield 网络的美妙之处在于它们免费提供了生物认知系统的许多特性，例如自动模式完成、通过部分线索进行内容可寻址记忆检索或对部分病变和噪声的鲁棒性。通过动态系统理论 (DST) 的视角来观察神经计算特别有力，因为一方面，许多（如果不是大多数）物理和生物过程都是自然形式化的
从神经数据中推断出随机的低级复发性神经网络
计算神经科学的核心目的是将大量神经元种群的活性与潜在的动态系统联系起来。这些神经动力学的模型理想情况下应既可以解释又适合观察到的数据。低级复发性神经网络（RNN）通过具有可拖动动力学表现出这种解释性。但是，尚不清楚如何最佳地拟合低级别的RNN与由对潜在随机系统进行嘈杂观察的数据组成的数据。在这里，我们建议与随机的低级RNN一起使用各种顺序蒙特卡洛方法。我们在由连续和尖峰神经数据组成的几个数据集上验证了我们的方法，在该数据集中，我们获得的尺寸潜在动力学比当前方法的当前状态较低。此外，对于具有分段线性非线性的低级模型，我们展示了如何有效地识别单位数量中多项式而不是指数成本的所有固定点，从而分析了针对大型RNN的推断动力学分析。我们的方法都阐明了实验记录的基础动力系统，并提供了一种生成模型，其轨迹与观察到的可变性相匹配。
脉冲神经膜系统和脉冲神经网络学习模型综述
脉冲神经网络 (SNN) 是一种受生物启发的神经网络模型，具有某些类似大脑的特性。在过去的几十年里，这种模型在计算机科学界引起了越来越多的关注，这也要归功于深度学习的成功。在 SNN 中，神经元之间的通信通过脉冲和脉冲序列进行。这使得这些模型有别于“标准”人工神经网络 (ANN)，在“标准”人工神经网络中，脉冲频率被实值信号取代。脉冲神经网络 P 系统 (SNPS) 可以被认为是 SNN 的一个分支，它更多地基于形式自动机的原理，在膜计算理论的框架内开发了许多变体。在本文中，我们首先简要比较了 SNN 和 SNPS 的结构和功能、优点和缺点。本文的一个关键部分是概述了 SNN 和 SNPS 形式化的机器学习和深度学习模型的最新成果和应用。
利用深度神经网络从神经脉冲重建自然视觉场景
神经编码是系统神经科学中理解大脑如何处理来自环境的刺激的核心问题之一，此外，它也是设计脑机接口算法的基石，其中解码传入的刺激对于提高物理设备的性能至关重要。传统上，研究人员专注于将功能性磁共振成像 (fMRI) 数据作为解码视觉场景的神经信号。然而，我们的视觉感知在称为神经尖峰的事件中以毫秒为单位的快速时间尺度运行。很少有关于使用尖峰进行解码的研究。在这里，我们通过开发一种基于深度神经网络的新型解码框架来实现这一目标，称为尖峰图像解码器 (SID)，用于从实验记录的视网膜神经节细胞群尖峰重建自然视觉场景，包括静态图像和动态视频。SID 是一个端到端解码器，一端是神经尖峰，另一端是图像，可以直接对其进行训练，以便以高精度的方式从尖峰重建视觉场景。与现有的 fMRI 解码模型相比，我们的 SID 在视觉刺激重建方面也表现出色。此外，借助脉冲编码器，我们展示了 SID 可以通过使用 MNIST、CIFAR10 和 CIFAR100 的图像数据集推广到任意视觉场景。此外，使用预先训练的 SID，可以解码任何动态视频，实现脉冲对视觉场景的实时编码和解码。总之，我们的结果为人工视觉系统的神经形态计算提供了新的启示，例如基于事件的视觉相机和视觉神经假体。
以交换为中心的神经记录系统
摘要 神经接口可以读取生物神经元的活动，有助于推动神经科学的发展，并为严重的神经系统疾病提供治疗选择。目前，使用多电极接口记录的神经元总数大约每 4-6 年翻一番 [5]。然而，在严格的功率限制下实时处理这种呈指数增长的数据，给传统神经记录系统的计算和存储带来了巨大的压力。现有系统部署了各种加速器以实现更好的每瓦性能，同时还集成了 NVM 以进行数据查询和做出更好的治疗决策。这些加速器可以直接访问有限数量的基于 SRAM 的快速内存，而这些内存无法管理不断增长的数据速率。交换到 NVM 是不可避免的；然而，简单的方法无法在神经元的不应期（即几毫秒）内完成，这会扰乱及时的疾病治疗。我们建议共同设计加速器和存储，以交换为主要设计目标，分别使用计算和存储的理论和实践模型来克服这些限制。
