在大脑中，共同的输入在引发神经元组装中的同步放电方面发挥着重要作用。但是，观察者通常不知道公共输入。如果一个未被观察到的公共输入只能从输出中重构出来，那将有利于理解大脑中的信息交流。
因此，东京理科大学（Tokyo University of Science）的研究团队开发了一种仅从非耦合神经元模型的输出放电率重建公共输入的方法。为此，该团队提出了一个叠加递归图（SRP），包括通过使用多个递归图中每个像素处的点的联合确定的点。当使用具有不同放电率基线的各种类型的神经元时，SRP 方法可以重建公共输入，即使在使用表现出混沌响应的非耦合神经元模型时也是如此。
当根据波动的宽度选择足够的时间窗口来计算放电率时，SRP 方法可以稳健地重建应用于神经元模型的公共输入。这些结果表明某些信息嵌入在发射率中。这些发现可能成为利用速率编码分析全脑通信的可能基础。
该研究以「Superposed recurrence plots for reconstructing a common input applied to neurons」为题，于 2022 年 9 月 12 日发布在《PHYSICAL REVIEW E》。
在与任务相关的活动和休息时，在大脑中普遍观察到神经同步。对于神经同步，公共输入通过从空间分离的神经元中引发集体行为而发挥重要作用。经颅交流电刺激已被用于在某些大脑区域施加电共同输入以激活神经元集合，从而提高工作记忆性能。每个神经元在接收到更强的公共输入时会表现出更高的放电率。平均放电率取决于每个神经元的放电特性。随后，集体神经元的反应是稳健的，因为它们可以产生同步输出。
除了实验情况外，观察者通常不知道常见的输入。如果可以从输出测量中重建未观察到的公共输入，这将有助于理解信息如何在大脑中传递。因此，东京理科大学的研究团队开发了一种仅从输出发射率重建公共输入的方法。还检查了稳健性以研究不同类型的神经元是否可以保留来自常用输入的信息。
给定层中的同一类神经元通常在它们的放电特性上具有小的个体差异，同时共享相同的膜动力学。神经元之间的这种个体差异可能会通过改变神经元之间的放电时间来干扰公共输入信息的传输。
此外，大脑中存在具有不同特征的各种类型的神经元。例如，皮质中的锥体神经元表现出相对缓慢（10-60 Hz）的周期性和规律性尖峰，而抑制性神经元表现出快速尖峰（80-140 Hz）。视觉皮层中的一些锥体细胞表现出颤动的尖峰，其中观察到间歇性爆发。虽然颤抖的神经元局限于小区域，但不同类型的神经元在皮层和其他区域共存。因此，不同类型的神经元通常同时接收公共输入。
通过使用从各种类型的神经元获得的放电率一致地识别一个共同的输入，研究人员可以通过使用速率编码来获得有关通信的信息，这是主要的神经元编码方案之一。因此，在本研究中，研究人员开发了一种使用递归图（RP）来重建公共输入的方法。
之前，Eckmann 团队引入了 RP 的概念，以根据周期性、非线性和非平稳性来识别动力系统的性质。非线性的、可能是混沌的、确定性的动力系统经常返回到相空间中的相邻轨迹。换句话说，非线性确定性动力系统表现出递归。RP 是递归的视觉表达，用于描述非线性动力系统的特征，因为它们可以拥有多维信息，尽管提供了二维可视化。
在 Eckmann 团队引入 RP 十年后，Casdagli 进一步证明了输出时间序列的 RP 与从目标动力系统获得的输入时间序列的 RP 相似。自这一发现以来，RPs 已被用于通过利用目标动力系统的输出时间序列来重建公共输入。根据 Hirata 团队的说法，可以使用以下过程重建从非线性动力系统生成的公共输入。
- 首先，使用同时接收公共输入的强制系统的相应输出时间序列创建多个 RP。
- 随后，为了获得关于公共输入的 RP 的近似值，通过在多个 RP 中的每个对应像素处取并集来计算 RP。
- 接下来，通过关注 RP 联合中的大区域来创建粗粒度 RP，因为短线对应于强制模型的局部动态。
- 然后将粗粒度的 RP 转换为一个网络，该网络的每个链接都有一个由多维相空间中状态之间的相似性定义的权重。
- 最后，通过对网络应用多维缩放方法来重构输入时间序列的幅度。
这种重建方法的范围不限于特定的动态系统，因为 RP 使用嵌入在高维空间中的状态信息，而不是目标系统的细节。所以，研究人员假设这种方法也可能对产生点过程的强制系统有用，例如接收公共输入的非耦合神经元。
神经元是非线性动力系统，有时会表现出混沌行为。递归图可以表示非线性动力系统的性质。通常，神经元的放电率反映了公共输入中的波动，例如强度和持久性，以及每个神经元的动态。因此，如果能够抵消神经动力学的影响，研究人员就可以假设获得有关公共输入的信息。
为了验证该假设，研究人员开发了一个叠加递归图（SRP），它指的是一个 RP，其中每个像素的值在多个 RP 的相应像素之间求和，并根据每个像素的总和是否大于或等于 1 二值化为 1 或 0。在该研究的条件下，每个 RP 是使用接收公共输入的神经元的输出时间序列计算的。
为了重建公共输入，研究人员设置了一个特定的时间范围，在该时间范围内使用点过程来计算发射率。重建的准确性可能取决于时间范围，因为触发时间的比例可能因系统而异。因此，研究人员检查了时间窗口宽度 w 对发射率计算和重建公共输入的准确性的影响。
「我们开发了一种使用递归图 (RP) 的方法。RP 最初被引入来表征非线性动力系统，因为它们包含多维信息，尽管只提供二维可视化。」论文的通讯作者 Tohru Ikeguchi 教授解释说，「由于神经元是非线性动力学系统，如果我们平衡神经动力学的影响，我们可以假设获得有关公共输入的信息。」
在这项研究中，研究人员通过 SRP 方法使用 Izhikevich 提出的非耦合神经元模型的放电率来重建公共输入。主要考虑了三种情况。
在第一种情况下，研究人员使用从共享近似相似放电率的神经元获得的放电率重建应用于局部神经元的公共输入，尽管它们根据模型的参数存在个体差异。参数的变化使神经元模型的状态分叉，产生 10-20 ms 的发射时间变化。
在第二种情况下，研究人员使用从表现出不同放电特性并因此具有不同基线放电率的三种神经元获得的放电率，重建了一个通用输入，该输入应用于在单个大脑区域中共存的不同类型神经元的混合物：Izhikevich 神经元模型的颤振（CH）、规则尖峰（RS）和快速尖峰（FS）。
在第三种情况下，研究人员检查 SRP 方法是否也可用于重建 Izhikevich 神经元模型的混沌响应的公共输入。如果有用，即使应用于混沌神经元，SRP 方法也可能广泛适用于产生点过程的各种类型的系统。
最终，实验证明了使用发射率重建公共输入的可能性。
「当我们选择足够的时间段来计算神经元的放电率时，我们能够以相当高的准确度重建输入信号。」Ikeguchi 教授说。这不仅代表了大脑和神经科学研究的重大突破，也代表了其他显示混沌行为的动力系统的重大突破。
正如 Ikeguchi 教授指出的那样，他们的发现对人工智能的潜在影响是巨大的，「目前的人工智能模型无法真正再现我们大脑的信息处理能力。这是因为所使用的神经元模型过于简化，远不能代表我们大脑中的实际神经元。我们的研究使我们更接近于理解信息过程是如何在我们的大脑中发生的。这可以为新型神经形态计算设备铺平道路。」
此外，它可以帮助科学家更好地了解精神疾病的发作并为它们设计治疗方法。
论文链接：https://journals.aps.org/pre/abstract/10.1103/PhysRevE.106.034205
相关报道：https://phys.org/news/2022-09-reverse-engineering-brain-decode-output-neuron.html
