确定性尖峰神经元的自适应概率神经编码：基于第一原理的分析
摘要：神经元将其输入转换为输出脉冲，这种转换是神经系统中的计算基本单位。神经元对复杂的时间变化输入的脉冲响应可以从神经元的详细生物物理特性中预测，该特性被建模为确定性非线性动力学系统。然而，在神经编码的传统中，神经元或神经系统被视为黑盒子，并使用统计技术来识别其编码特性的功能模型。这项工作的目标是将机制性的、生物物理学的神经元功能方法与编码模型的描述联系起来。在单个神经元层面上的先前工作的基础上，我们从第一原理出发，发展了一个数学理论，将两个简单但强大的模型类之间的关系进行了映射：确定性的积分-火模型和线性-非线性编码模型。为此，我们开发了一种方法，通过对观察到的线性估计器进行条件处理来研究非线性动力学系统。我们推导了线性滤波器的渐近闭合形式表达式和线性/非线性模型的非线性决策函数的估计值。我们在理论上推导了线性滤波器对输入统计的依赖关系，并展示了确定性非线性动力学如何调节概率编码的属性。我们证明，没有任何额外电流的积分-火模型可以实现完美的对比度增益控制，这是一个复杂的自适应计算，并且我们确定了负责的一般动力学原理。然后，我们从第一原理开始设计了一个实现增益控制的非线性动力学模型。虽然我们专注于可处理性的积分-火模型，但我们提出的将LN和动力学模型联系起来的框架自然地推广到更复杂的生物物理模型。
作者：Michael Famulare and Adrienne Fairhall
论文ID：1111.0097
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2011-12-19