2、脉冲神经网络中的信息解码与硬件实现

脉冲神经网络中的信息解码与硬件实现

1. 运动系统中的神经元信息解码

在运动系统研究中，目标是根据从运动系统记录的尖峰模式来预测动物的运动。以猴子的运动皮层为例，许多神经元的放电率与手臂伸展的方向相关。当手臂朝着某个特定方向运动时，特定神经元的平均放电率会达到最大值，这个特定方向被称为该神经元的偏好方向。

1.1 群体向量方案

群体向量方案是一种常用的重建方法，它通过对每个神经元的偏好方向向量进行加权求和来估计手臂运动的方向，权重为该神经元的放电率。类似的编码策略也在负责水蛭弯曲反射的中间神经元中被发现。

1.2 基函数方法

更通用的重建方法是让神经元表示物理变量的更一般基函数。每当神经元放电时，它会在变量空间中贡献一个基函数，通过对这些函数进行加权求和，可以计算出物理变量的最佳估计值，权重为每个神经元在一个时间间隔内产生的尖峰数量。

1.3 贝叶斯重建和最大似然估计

另一种解码群体编码的方法基于贝叶斯重建和最大似然估计。这是一种概率方法，它考虑了先验概率，并试图重建整个概率分布。与基函数方法不同，概率方法假设每个神经元的尖峰是独立的，通过将核函数相乘来进行计算。这种方法可以用于确定神经编码的精度极限，费舍尔信息（即刺激的最大似然估计的方差）为基于神经响应的任何无偏估计器设定了极限。

然而，这些重建方法虽然能告诉我们神经元群体中可能存在的信息，但并不能说明大脑实际使用了哪些信息。目前尚不清楚这些重建方法是否可以通过神经元来实现。不过，有研究表明，最大似然解码可以通过高度循环的皮质电路架构来实现，并且前馈网络原则上可以读取贝叶斯编码，这意味着最优解码在已知的皮质网络机制能