XiaoMi-AI文件搜索系统
World File Search System神经元网络
基于客观监督机器学习的生物神经元网络分类和推理
摘要：生物神经元类型和网络的分类对全面了解人类大脑的组织和功能提出了挑战。在本文中，我们使用监督机器学习解决方案，基于神经元通信的属性，开发了一种新的生物神经元形态和电类型及其网络的客观分类模型。与现有的神经信息学方法相比，这种方法具有优势，因为从脉冲序列中获得的与神经元之间的相互信息或延迟相关的数据比传统的形态数据更丰富。我们从蓝脑计划现实模型中构建了两个名为 Neurpy 和 Neurgen 的各种神经元回路的开放式计算平台。然后，我们研究了如何对皮质神经元回路进行网络断层扫描，以对神经元进行形态、拓扑和电分类。我们提取了 10,000 个网络拓扑组合的模拟数据，其中包含五层、25 个形态类型（m 型）细胞和 14 个电类型（e 型）细胞。我们将数据应用于几种不同的分类器（包括支持向量机 (SVM)、决策树、随机森林和人工神经网络）。我们实现了高达 70% 的准确率，使用网络断层扫描推断生物网络结构的准确率高达 65%。使用神经元通信数据，可以通过级联机器学习方法实现生物网络的客观分类。在使用的技术中，SVM 方法似乎表现更好。我们的研究不仅有助于现有的分类工作，还为未来使用脑机接口设定了路线图，即在体内客观分类神经元作为大脑结构的传感机制。
猕猴大脑皮层神经元网络中的信息动态反映了认知状态和行为
先前的内部状态和环境的感觉输入。这个过程被称为35“分布式计算” [2，3]，在大脑的背景下，被认为是认知和36个havior的基础。可以通过将“信息动力学”分为三部分37 [3]：信息存储（神经元的过去活动都会告知其未来的程度，例如LTP 38或LTD）[4]，信息传输（来源神经元的过去的程度告诉目标神经元的39未来，例如突触通信）[5，6]和信息修改（即“非线性”计算40，其中神经元将不同的信息流集成到比零件总和更大的事物中）41 [7，8，9，10]。可以使用信息理论[11]进行正式化这三个动力学（请参阅秒1.1）。42先前使用信息理论研究记录的神经元网络中信息动态的先前工作43发现，在开发过程中修改信息变化的能力[10]以及在相同的发育44个窗口中，特定的信息传输模式“锁定” [12]。此外，45个信息修改的能力是在网络的神经元上分布的。集中在高46度，富俱乐部神经元中[13，14，15]。信息传输[16]已应用于各种神经和47个神经元记录（有关综合综述，请参见[5]），并允许研究人员估算有效的网络48相互作用的神经元模型。特定动态服务的目的仍然很困难。最后，主动信息存储为刺激响应49和视觉处理系统中的偏好提供了见解[4]。50尽管在这个领域进行了大量分析，但信息动态如何与行为相关的问题仍然不清楚，因为在神经文化中，许多上述工作都是在神经文化中进行的52，而不是与复杂环境相互作用的行为生物体相反。因此，提出了信息动态和行为之间的链接53（例如例如，尽管有很好的文献记录了协同信息动态，但仍不清楚它们在认知和行为相关的信息处理中扮演什么（如果有）角色，或者56仅仅是统计的Epiphenomena。为此，我们研究了信息动力学和由此产生的57个效率网络结构，同时记录了三个猕猴的额叶 - 顶端抓地力网络的最多三个皮质区域的神经种群。在录音过程中，猴子执行了59个延迟的感觉运动转换任务，涉及处理不同的视觉提示，制备和60个不同的掌握类型的记忆以及这些掌握类型的执行。（有关详细信息，请参见[17]。使用61这些数据，我们可以估计神经元级的活动信息存储，信息传输和协同62在不同的认知和行为状态中的信息修改，从而使我们能够直接评估信息动力学和复杂行为之间的相关性63个分离。68我们假设不同的行为状态和握把变化将与不同的69个信息动态模式相关。此外，通过推断传输熵64网络，我们可以应用网络科学[18，19]的技术来检查行为的变化如何改变65网络中神经元之间的有效连通性模式。最后，我们可以结合这两条66行分析，以探索神经元如何在网络夫妇中定位特定任务以揭示67个单个神经元在信息处理中的局部作用。特别地，我们假设需要高70度的主动处理的行为状态（例如与其他状态相比，识别行为提示，准备和执行动作）71将显示更复杂的活动和独特的网络结构（例如期望72固定）。我们的发现与这些假设是一致的：不同的行为状态与全球效果网络结构的明显相关性相关联73相关联，尤其是74的运动与系统的总体信息增加，并且在系统中增加了75个信息，并在协同信息处理的量中增加了75。对于两种不同的握把类型的每一种，这些网络范围的活动模式都是不同的76，并且可以根据77
大脑神经元网络的仿真可伸缩性得益于时间异步
处理。t这里有越来越庞大的研究项目，其1个目标是模拟大脑区域甚至完整的大脑2，以更好地了解其工作方式。让我们引用3个立场：欧洲的人脑项目（1），大脑4通过疾病研究的综合神经技术映射5（大脑/思想）在日本或大脑倡议（3）中，在6个联合国家中。几种方法是可行的。有7种生化方法（4），它注定了与大脑一样复杂的系统8。已经研究了一种更具生物物理的方法，例如，请参见（5），其中已成功模拟了皮质桶10，但仅限于10 5 11个神经元。然而，人脑含有约10 11个neu-12 rons，而像marmosets（2）这样的小猴子已经具有13 6×10 8神经元（6），而更大的猴子（如猕猴）具有14 6×10 9神经元（6）。15为了模拟如此庞大的网络，减少模型可以制作16个。特别是，神经元没有更多的物理形状，并且仅由具有18个特定电压的网络中的一个点表示。Hodgkin-Huxley方程（7），可以重现物理形状，代表了离子通道的动态，21，但这些耦合方程的复杂性形成了22个混乱的系统（8），使系统非常前端，使该系统非常前端，以模拟23个巨大的网络23。如果忽略了离子通道动态，则24个最简单的电压模型是集成与火的模型（9）。25使用此类模型，超级计算机26可以模拟人尺度的小脑网络，该网络达到约27 68×10 9神经元（10）。28然而，还有另一种观点，这可能使29我们可以使用简化的模型模拟此类大型网络。30的确，人们可以使用更多随机模型来重现31神经元的基本动力学：它们的插图模式。32不仅连接图的随机化，而且33图表上的动力学使模型更接近手头的34个数据，并在一定程度上解释其可变性。35随机的引入不是新的，并且在包括Hodgkin-Huxley（11）和泄漏37