神经编码

神经编码研究试图回答两个基本问题：“编码”——特定的刺激或意图如何转化为神经活动模式；“解码”——如何从观察到的神经活动中解读出所携带的信息。

• 感受编码：感觉系统如何编码刺激的属性（如视觉中的朝向、运动方向；听觉中的频率、强度；触觉中的位置、纹理）。

• 运动编码：运动系统如何编码动作的参数（如方向、速度、力度）。

• 认知编码：高级脑区如何编码记忆、决策、注意、空间位置等抽象信息。

神经信息可以体现在多个维度的活动特征中，主要编码方案包括：

1. 基于放电率的编码

• 原理：信息编码在神经元在特定时间窗口内的平均放电频率中。这是最经典、研究最广泛的编码方式。

• 示例：初级视觉皮层中，特定朝向的线条刺激会引起对应该朝向的神经元放电率显著升高。肌梭的运动指令强度与运动神经元放电率成正比。

• 优点：鲁棒性强，噪声容忍度高。

• 缺点：时间精度较低，信息传递速率有限。

2. 基于时间的编码

• 原理：信息编码在动作电位的精确发放时刻或多个神经元动作电位之间的相对时间关系中。

  • 时间模式编码：单个神经元的放电间隔模式携带信息（如对振动频率的编码）。

  • 相位编码：动作电位相对于背景振荡（如θ波、γ波）的相位携带信息，在记忆和导航中很重要。

  • 同步性编码：多个神经元动作电位在毫秒级时间尺度上的同步发放，可能作为特征绑定或显著性信号的编码机制。

• 优点：时间精度高，信息容量大，能快速传递信息。

• 缺点：对噪声敏感，检测和分析更复杂。

3. 基于群体活动的编码

• 原理：信息并非由单个神经元独立编码，而是由一大群神经元的协同活动模式来编码。这是大脑处理复杂信息的核心方式。

  • 稀疏编码：只有一小部分神经元对特定刺激有强烈反应，提高了能量效率和表征容量。

  • 分布编码：信息广泛分布在一个大神经群体的活动模式中，每个神经元参与编码多种特征（如在高级视觉皮层）。

  • 群体向量编码：在运动皮层，运动方向由一群方向调谐神经元的加权向量和编码。

• 优点：鲁棒性极强（少数神经元损伤不影响整体功能），能同时表征多个信息维度，支持复杂计算。

4. 基于神经振荡的编码

• 原理：信息编码在神经元群体同步振荡的幅度、频率、相位以及不同频率振荡之间的耦合中。被认为是工作记忆、注意、感知整合等认知功能的基础。

  • 通信通过相干性假说：不同脑区通过振荡节律的同步（相干性）来调节信息传递的效率。

信息在大脑中沿处理通路传递时，编码方式会发生系统的转换：

1. 从外周向中枢：编码从精确的、高分辨率的（如视网膜的点对点映射）逐渐变为更抽象的、不变性的（如颞叶皮层对面孔的识别不受视角、光照影响）。

2. 从感觉向运动：编码从表征“是什么”转变为表征“怎么做”。

• 电生理学：在体单细胞/多细胞记录是研究编码的黄金标准。

• 钙成像/电压成像：在群体水平观察神经元活动。

• 神经解码算法：使用线性解码器、支持向量机、人工神经网络等机器学习方法，从记录的神经活动中尝试“读出”刺激或行为信息，以量化编码的效率和信息内容。

• 信息论：使用互信息等数学工具，定量计算神经活动携带了多少关于刺激的信息。

• 脑机接口：BCI的核心就是神经解码。通过解读运动皮层活动，控制机械臂或光标；或解读听觉皮层活动，为人工耳蜗提供优化策略。

• 神经假体：成功的假体设计（如人工视网膜、人工耳蜗）必须理解并模拟自然的感觉编码原理。

• 疾病机制：癫痫、帕金森病等可被视为神经编码的病理状态（如异常同步振荡）。

• 人工智能启发：神经编码的原理（如稀疏编码、脉冲神经网络）为开发新一代人工智能算法提供了灵感。

• 高维度与规模：同时记录成千上万个神经元的活动并理解其群体编码是巨大挑战。

• 动态性：编码规则会因行为状态、学习、注意而动态变化。

• 因果关系确立：观察到的相关编码是否对行为是必需的？

• 整合多模态信息：大脑如何编码和整合来自不同感觉通道的信息。

• Dayan, P., & Abbott, L. F. (2001). Theoretical Neuroscience: Computational and Mathematical Modeling of Neural Systems. MIT Press.
• Rieke, F., Warland, D., de Ruyter van Steveninck, R., & Bialek, W. (1997). Spikes: Exploring the Neural Code. MIT Press.
• Panzeri, S., Macke, J. H., Gross, J., & Kayser, C. (2015). Neural population coding: combining insights from microscopic and mass signals. Trends in Cognitive Sciences, 19(3), 162-172.
• Georgopoulos, A. P., Schwartz, A. B., & Kettner, R. E. (1986). Neuronal population coding of movement direction. Science, 233(4771), 1416-1419.
• Buzsáki, G. (2010). Neural syntax: cell assemblies, synapsembles, and readers. Neuron, 68(3), 362-385.
• Quian Quiroga, R., & Panzeri, S. (2009). Extracting information from neuronal populations: information theory and decoding approaches. Nature Reviews Neuroscience, 10(3), 173-185.
• Kayser, C., Montemurro, M. A., Logothetis, N. K., & Panzeri, S. (2009). Spike-phase coding boosts and stabilizes information carried by spatial and temporal spike patterns. Neuron, 61(4), 597-608.
• 李, 澄宇, & 刘, 世荣. (2018). 神经编码研究的进展与展望. 生理学报, 70(5), 519-531.