脉冲时序依赖可塑性

脉冲时序依赖可塑性（Spike-timing dependent plasticity，STDP）是一种神经突触可塑性的形式，它根据突触前后神经元的活动时间差异来调整突触权重。STDP被认为在学习与记忆过程中发挥关键作用，其基本原理是：如果突触前神经元放电先于突触后神经元，突触权重增加（长时程增强，LTP）；反之则降低（长时程抑制，LTD）。这一规则使突触在时间上更精确地匹配神经元活动。

STDP的机制基于突触前后的长时程可塑性。当突触前神经元释放神经递质后，若突触后神经元在短时间内（通常为数十毫秒）被激活，则突触权重增强。具体而言，突触后去极化通过NMDA受体和钙离子内流触发下游信号级联反应，从而诱导LTP或LTD。时间差越小，权重变化越大。

STDP学习窗口：突触权重变化与突触前-后脉冲时间差的关系

STDP已在多种实验系统中被观测到，包括海马体培养神经元（Bi & Poo, 1998）和大鼠视觉皮层（Markram et al., 1997）。这些研究表明，时间差为±10毫秒时，权重变化最为显著；时间差超过±50毫秒时，变化趋于零。

多个数学模型描述了STDP，包括加性模型（additive model）和乘性模型（multiplicative model）。加性模型假设权重变化与时间差无关，而乘性模型则引入权重依赖约束，以防止权重无限制增长。此外，STDP可与突触稳态（如突触缩放）协同工作，以保证网络稳定性。

STDP被视为一种时间编码的学习规则，它能够检测并强化因果关系：突触前导致的突触后活动被加强，反之则减弱。这与Hebbian学习（“一起放电，一起连接”）一致，但STDP进一步引入时序信息。STDP在模式识别、序列学习和联想记忆等方面发挥着重要作用。

STDP已被应用于神经形态计算和人工神经网络中，如脉冲神经网络（SNN）。通过模拟生物STDP规则，SNN能够实现无监督学习和决策任务。此外，STDP的机制也在脑机接口和神经假体中具有潜在应用价值。

• Bi, G. Q., & Poo, M. M. (1998). Synaptic modifications in cultured hippocampal neurons: dependence on spike timing, synaptic strength, and postsynaptic cell type. The Journal of Neuroscience, 18(24), 10464-10472.
• Markram, H., Lübke, J., Frotscher, M., & Sakmann, B. (1997). Regulation of synaptic efficacy by coincidence of postsynaptic APs and EPSPs. Science, 275(5297), 213-215.
• Dan, Y., & Poo, M. M. (2004). Spike timing-dependent plasticity: from synapse to perception. Physiological Reviews, 86(3), 1033-1048.
• Froemke, R. C., & Dan, Y. (2002). Spike-timing-dependent synaptic modification induced by natural spike trains. Nature, 416(6879), 433-438.
• Sjöström, P. J., Turrigiano, G. G., & Nelson, S. B. (2001). Rate, timing, and cooperativity jointly determine cortical synaptic plasticity. Neuron, 32(6), 1149-1164.
• Song, S., & Abbott, L. F. (2001). Cortical development and remapping through spike timing-dependent plasticity. Neuron, 32(2), 339-350.
• Hu, W., & Zheng, J. (2020). 脉冲时序依赖可塑性的研究进展. 生物化学与生物物理进展, 47(2), 129-140.
• 张建新, & 李勇. (2015). 基于STDP的脉冲神经网络学习算法研究. 计算机应用与软件, 32(6), 35-39.