XiaoMi-AI文件搜索系统
World File Search System神经集合
Pinotsis-and-Miller-电场-神经图像-2022.pdf
众所周知，维持特定记忆的确切神经元（神经集合）会随着每次试验而变化。这引出了一个问题：面对这种表征漂移，大脑如何实现稳定性。在这里，我们证明这种稳定性出现在神经活动产生的电场水平上。我们表明，电场携带有关工作记忆内容的信息。反过来，电场可以充当“护栏”，将高维变量神经活动引导到稳定的低维路线上。我们获得了与每个记忆相关的潜在空间。然后，我们通过将潜在空间映射到不同的皮质斑块（组成神经集合）并重建斑块之间的信息流来确认电场的稳定性。稳定的电场可以允许潜在状态在大脑区域之间转移，这与现代印迹理论一致。
Pinotsis-and-Miller-2023-Cerebral-Cortex.pdf
近几十年来，神经科学发生了范式转变。过去，我们关注的是单个神经元的特性（James 1890；Queenan 等人 2017）。现在人们逐渐意识到，信息的存储和处理依赖于空间分布的、动态的神经元组合（Fujisawa 等人 2008；Buschman 等人 2011；Yuste 2015），称为神经集合（Buschman 等人 2012；Tayler 等人 2013；Pfau 等人 2013；Pinotsis 等人 2017；Pinotsis 和 Miller 2017）或印迹细胞（Thompson 1976；Josselyn 等人 2015）。蛋白质诱导（Gordon 等人，1980 年）、立即早期基因 (IEG) 表达（Guzowski 等人，2005 年）和光遗传学（Fenno 等人，2011 年）等技术可以识别参与记忆存储和回忆的神经元集合（Ryan 等人，2015 年；Tonegawa 等人，2015b 年）。此外，最近的实验发现许多大脑区域同时存在维持相同记忆的神经集合，这被称为印迹复合体（Poo 等人，2016 年；Roy 等人，2019 年）。在 Roy 等人 (2019 年) 的研究中，他们使用蛋白质 cFos 和 IEG 绘制了总共 247 个大脑区域，其中发现 117 个区域在回忆恐惧记忆时会被显著重新激活。因此，记忆并非存储在单个大脑区域，而是分散在多个区域和神经集合中。早期的记忆巩固理论（Squire 和 Alvarez 1995）和多重痕迹理论（Nadel 和 Moscovitch 1997）也发现记忆存储在多个区域，形成印迹复合体。这些印迹复合体通过由单突触或多突触连接形成的印迹通路连接在一起（Tonegawa 等人 2015a）。
体内触觉耦合可形成记忆网络
伦敦城市大学数学神经科学与心理学中心和心理学系，伦敦 EC1V 0HB，英国 pinotsis@mit.edu 关键词：记忆印迹；神经集合；工作记忆；协同学；预测编码；自动编码器；有效连接 致谢。这项工作得到了 UKRI ES/T01279X/1、海军办公室的支持
使用基于内容的图像检索对人脑进行磁共振成像分析
我们的大脑不仅仅是身体里的一块脂肪。它是人体的动力源，也是各种活动的控制中心。[1] 我们的身体有一种不同的系统来控制我们身体部位的各种活动。这就是神经系统，它还涉及大量的人体神经和细而大的结构，即脊髓。它是一个复杂而强大的神经集合，是任何生物都必须拥有的电线。这个系统被称为控制各种身体部位的神经元。在人脑中，73% 的身体部分由水组成。[2] 中枢神经系统包含一个主要部分，称为大脑。大脑被坚硬的头骨覆盖。实际上，大脑在头骨中的液体中游动。它负责认知功能、执行功能，并调节神经系统其他部分的功能。神经系统控制着从肌肉到整个身体感官的一切。[3-5]
全皮质双光子介观成像和...
摘要 在主动感官辨别过程中，大脑皮层中的神经活动流受到特定任务的认知需求、运动和内部状态的限制。在行为过程中，大脑似乎从广泛的激活基序中进行采样。要了解这些局部和整体活动模式如何根据自发和任务相关行为进行选择，需要深入研究大面积皮质区域中单个神经元分辨率的密集采样活动。为了实现这一目标，我们开发了记录中尺度 2 光子 Ca 2+ 成像数据的程序，这些数据来自两种新型体内制剂，它们可以同时访问几乎所有的小鼠背部和外侧新皮质。作为原理证明，我们将神经活动与行为原语和高级基序对齐，以揭示大量神经元的存在，这些神经元通过运动和/或唤醒的自发变化协调皮质区域的活动。我们在此详述的方法有助于识别和探索广泛分布、空间异构的神经集合，其活动与行为的不同方面相关。
izhikevich的神经元小网络中的参数和耦合估计
如今，实验技术使科学家可以访问大量数据。为了从生成这些数据的复杂系统中获取可靠的信息，需要适当的分析工具。卡尔曼滤波器是一种经常使用的技术，可以推断出系统的模型，即从不确定观察结果中的模型参数。最近证明，卡尔曼过滤器的无味卡尔曼过滤器（UKF）的实现，能够推断一组耦合混乱振荡器的连通性。在这项工作中，我们测试UKF是否还可以重建一小组耦合神经元的连通性，而它们的链接是电气突触或化学突触。特别是我们认为Izhikevich神经元，并旨在推断哪些神经元相互影响，将模拟的尖峰列车视为UKF使用的实验观察结果。首先，我们验证UKF是否可以恢复单个神经元的参数，即使参数随时间变化。第二，我们分析了小型神经集合，并证明UKF允许推断神经元之间的连通性，即使是为了异构，有指导性和时间发展的网络。我们的结果表明，在这个非线性耦合系统中，可以进行时间有关的参数和耦合估计。
计算机生成的全息技术在针对性神经元调节方面的进展
摘要。遗传编码钙指示剂和光遗传学通过利用光以单细胞精度检测和调节神经活动，彻底改变了神经科学。为了充分利用这些技术的巨大潜力，需要先进的光学仪器，能够以高水平的空间和时间精度将光照射到定制的神经元集合上。具有塑造光束能力的现代光雕刻技术是首选，因为它们可以同时精确瞄准多个神经元，并以与自然神经元动力学相匹配的速率调节单个神经元大集合的活动。最通用的方法是计算机生成的全息术 (CGH)，它依赖于放置在相干激光束路径中的计算机控制光调制器来合成定制的三维 (3D) 照明模式并根据需要照亮神经集合。在这里，我们回顾了快速和时空精确的 CGH 技术的开发和实施的最新进展，该技术以 3D 形式雕刻光以光学方式询问神经回路功能。 © 作者。由 SPIE 根据 Creative Commons Attribution 4.0 International 许可证出版。分发或复制本作品的全部或部分内容需要完全注明原始出版物的出处，包括其 DOI。[DOI：10.1117/1.NPh.9.4.041409]
基于振荡的连接架构由内在空间组织而非认知状态或频率主导
神经振荡的功能连接（基于振荡的 FC）被认为能够在与任务相关的神经集合之间实现动态信息交换。尽管基于振荡的 FC 是相对于刺激前的基线进行经典定义的，从而导致个体连接发生快速的、依赖于情境的变化，但对分布式空间模式的研究表明，基于振荡的 FC 无处不在，即使在没有明确认知需求的情况下也会发生。因此，基于振荡的 FC 是否主要由认知状态形成还是本质上是内在的这一问题仍未得到解决。因此，我们试图通过查询 18 名术前人类患者（8 名女性）的 ECoG 记录来协调这些观察结果，以确定在六个任务状态下的五个典型频带中基于振荡的 FC 的状态依赖性。相位和振幅耦合的 FC 分析揭示了跨认知状态的高度相似、基本上状态不变（即内在）的空间成分。这种空间组织在所有频带上共享。然而，至关重要的是，每个波段还表现出时间独立的 FC 动态，能够支持频率特定的信息交换。总之，基于振荡的 FC 的空间组织在认知状态下基本稳定（即本质上主要是内在的），并在各个频带之间共享。总之，我们的发现与之前对空间不变的 FC 模式的观察结果相吻合，这些模式源自 fMRI 信号中极其缓慢和非周期性的波动。我们的观察表明，“背景”FC 应该在针对任务相关变化的基于振荡的 FC 的概念框架中得到考虑。
循环脉冲神经网络的非线性动力学与机器学习
人们对由相对少量相互作用的神经元组成的各种集合和大型神经形态系统进行了研究 [1±6]。在《Physics Uspekhi》中，许多综述介绍了使用非线性物理方法研究大脑和神经集合中的动态过程的相关主题 [7±18]。最近，对工作大脑的认知和功能特性进行建模已经成为神经动力学的前沿 [19±21]。尤其是，人们对这一主题越来越感兴趣，这与创建能够重现自然智能关键特性的人工智能系统有关 [22, 23]。为了解决这类问题，有必要建立新的动态模型，这些模型首先可以重现复杂的层次组织，其次可以重现神经元结构的可塑性，因为它们的组成以及结构之间和结构内的连接会根据信息输入的存在与否而变化。迄今为止，已经开发出两种动态建模方法 [24, 25]。其中一种方法是所谓的自上而下的方法，模型采用大脑活动模式——模拟大脑高级过程的积分变量 [20]。另一种方法自下而上，对于可以重现大脑高级功能的神经结构模型，首先，基于对神经元和结构之间连接的真实描述，建立单个神经元的模型 [25, 26]。显然，这两种方法的生物学相关模型都应该基于实验数据。在神经生理学家对大脑进行的实验研究中，神经元的活动是在受试者休息时或受试者执行某项任务时记录的。基于实验数据的模型可以通过两种方式开发。第一种是数据驱动建模，即重建一个动态系统，该系统产生的时间序列在数量上接近实验记录的时间序列。第二种方式是基于所考虑的行为问题建模，即