神经编码

神经编码是与表征刺激与个体或整体神经元反应之间的假定关系以及整体神经元电活动之间的关系有关的神经科学领域。基于该理论，感觉和其它信息在表示脑由神经元网络，可以认为神经元可以编码两个数字和模拟信息。

神经元在人体细胞中的显着之处在于其在远距离内快速传播信号的能力。他们通过产生称为动作电位的特征性电脉冲来实现此目的：可以沿着轴突传播的电压尖峰。感觉神经元通过激发各种时间模式的动作电位序列来改变其活动，同时存在外部感觉刺激，例如光、声音、味道、气味和触觉。众所周知，有关刺激的信息是以这种动作电位模式编码的，并传递到大脑内和周围，但这不是xxx的方法。诸如视网膜神经元之类的专门神经元可以通过梯度电位传达更多信息。这与动作电位不同，因为有关刺激强度的信息与神经元输出的强度直接相关。对于梯度电位，信号衰减快得多，需要较短的神经元间距离和较高的神经元密度。分级电位的优势在于，与尖峰神经元相比，能够编码更多状态（即保真度更高）的信息速率更高。

尽管动作电位的持续时间，幅度和形状可能有所不同，但是在神经编码研究中，动作电位通常被视为相同的定型事件。如果忽略动作电位的短暂持续时间（大约1毫秒），则动作电位序列或尖峰序列可以简单地通过一系列时间上的全有或无点事件来表征。尖峰序列中两个连续尖峰之间的尖峰间隔（ISI）的长度通常变化，显然是随机的。神经编码的研究涉及测量和表征神经元动作电位或峰值如何表示刺激属性（例如光或声音强度）或运动动作（例如手臂运动的方向）。为了描述和分析神经元放电，统计方法以及概率论和随机点过程的方法已被广泛应用。

随着大规模神经记录和解码技术的发展，研究人员已经开始破解神经代码，并且已经在记忆形成和记忆在海马区中的记忆中首次提供了对实时神经代码的xxx印象。成为记忆形成的中心。神经科学家已经发起了几个大规模的脑解码项目。

可以从两个相反的角度研究刺激与反应之间的联系。神经编码是指从刺激到反应的映射。主要焦点是了解神经元如何响应各种各样的刺激，并构建试图预测对其他刺激的反应的模型。神经解码是指从响应到刺激的反向映射，而挑战则是从它引起的尖峰序列中重建一个刺激或该刺激的某些方面。

尖峰的序列或“序列”可以包含基于不同编码方案的信息。例如，在运动神经元中，受神经支配的肌肉收缩的力量仅取决于“射击速率”，即每单位时间的平均尖峰数（“速率代码”）。另一方面，复杂的“ 时间码 ”基于单个尖峰的精确定时。它们可能被锁定在外部刺激上，例如在视觉和听觉系统中，或者可能是由神经系统固有地产生的。

即使没有明确定义这些术语的含义，神经元是使用速率编码还是时间编码是神经科学界争论不休的话题。

当发现精确的尖峰定时或高频点火速率波动会携带信息时，通常会将神经代码识别为时间代码。许多研究发现，神经代码的时间分辨率在毫秒级，这表明精确的尖峰定时是神经编码中的重要元素。这种通过尖峰之间的时间进行通信的代码被称为脉冲间隔代码，并得到了最近研究的支持。

神经元表现出发射频率的高频波动，其可能是噪音或可能携带信息。速率编码模型表明这些不规则性是噪声，而时间编码模型表明它们对信息进行编码。如果神经系统仅使用速率代码来传达信息，则在进化上更加一致，规则的发射速率将是进化上的优势，并且神经元将利用此代码来替代其他较不健壮的选择。时间编码为“噪声”提供了另一种解释，表明它实际上是对信息进行编码并影响神经处理，为了对此思想进行建模，可以使用二进制符号标记峰值：1表示峰值，0表示没有峰值。允许序列000111000111表示不同于001100110011的值，即使两个序列的平均发射率相同，均为6峰值/ 10 ms 直到最近，科学家们仍最重视速率编码作为对突触后电位的模式。但是，脑的功能是多个时间比使用仅率编码的精确似乎允许。换句话说，由于速率代码无法捕获尖峰序列的所有可用信息，可能会丢失基本信息。此外，相似（但不完全相同）的刺激之间的响应足够不同，以表明尖峰的不同模式所包含的信息量要大于速率码中可能包含的信息量。

时间代码采用了尖峰活动的那些特征，而这些特征不能由发射速率来描述。例如，刺激开始后到xxx次尖峰的时间，基于ISI 概率分布的第二和更高统计时刻的特征，尖峰随机性或精确定时的尖峰组（时间模式）都可以用作时间代码。由于神经系统中没有xxx的时间参考，因此可以根据神经元数量的相对峰值时序或正在进行的脑震荡来传递信息。在存在神经振荡的情况下对时间代码进行解码的一种方法是在振荡周期的特定阶段出现的尖峰在使突触后神经元去极化方面更有效。

刺激引起的尖峰序列的时间结构或激发速率既取决于刺激的动力学，又取决于神经编码过程的性质。无论使用哪种神经编码策略，迅速变化的刺激都趋向于产生精确定时的尖峰和快速变化的点火速率。时间编码是指响应中的时间精度，它不仅是由刺激的动力学产生的，而是与刺激的特性有关。刺激和编码动力学之间的相互作用使得识别时间码变得困难。

在时间编码中，学习可以通过与活动有关的突触延迟修饰来解释。修改本身不仅可以取决于尖峰速率（速率编码），还可以取决于尖峰定时模式（时间编码），即可以是依赖于尖峰时序的可塑性的特殊情况。

时间编码的问题与独立尖峰编码的问题不同且独立。如果每个峰值与列车中的所有其他峰值无关，则神经代码的时间特性由时间相关的点火速率r（t）的行为确定。如果r（t）随时间缓慢变化，则该代码通常称为比率代码，而如果其快速变化，则该代码称为时间代码。