一种研究信鸽OT中深层连续运动敏感神经元的编码机制的方法与流程

一种研究信鸽ot中深层连续运动敏感神经元的编码机制的方法
技术领域
1.本发明属于生物医学领域，涉及一种研究信鸽ot中深层连续运动敏感神经元的编码机制的方法。


背景技术：

2.鸟类具有卓越的高空高速下视感知能力，其眼睛通常占其颅腔的一半或更多，而人类的眼睛所占比例不足5％。有研究表明，鸟类脑部视神经纤维数量是人眼的2.5倍，这为鸟类在高空高速下识别地面微小物体提供了可靠的生理基础。通过解剖学以及电生理技术，依据功能特点，鸟类视觉系统主要由三条相对独立的视觉通路构成：离顶盖通路(视网膜
‑
视顶盖
‑
圆核
‑
外纹体)、离丘脑通路(视网膜
‑
丘脑主视核
‑
视丘通路)和副视系统(视网膜
‑
基底视束核或扁豆核通路)。其中，离顶盖通路是最主要的一条视觉通路，参与对颜色分辨、目标辨识、运动目标捕捉以及视动控制等方面的调控。离顶盖通路中的视顶盖(the optic tecturn，ot)是鸟类视觉信息处理过程中一个非常重要的神经核团，体积较大，由浅及深可分为15层，其浅层接受来自视网膜(retinal ganglion cell，rgc)的输入，中深层接受来自浅层、视顶盖下峡核前脑的输入。浅、中、深层神经细胞轴突与树突互相交错，且感受野逐渐增大(从0.5
°
到甚至上百度)，反映出视顶盖细胞对视觉信息进行了某种程度的编码整合。
3.在鸟类ot的中深层存在一类连续运动敏感神经元，该类神经元通常对运动小目标敏感，且更加偏好具有长持续时间的目标连续运动，但对静止物体、突然出现或全场刺激不敏感；此外，相较于传统的神经元建模方式，即胞体由所有树突输入的加权和得到的电流所驱动，连续运动敏感神经元的单个树突就具有诱发胞体spike的能力，即它们更适合于局部运动目标的检测。
4.目前还没有关于该类神经元的原理性模型，多是现象类模型，虽然也有若干相关的电生理研究及建模工作，但是缺乏以该类神经元偏好长持续运动小目标为切入点的较为全面系统的电生理和编码模型研究。因此，本发明通过探究其表现出特殊特点背后的机制，构建了信鸽ot中深层连续运动敏感神经元的编码机制，给出一种生物模拟的弱小目标检测算法。


技术实现要素：

5.本发明的目的在于：提供了一种研究信鸽ot中深层连续运动敏感神经元的编码机制的方法，解决了现有技术对鸟类ot区神经元感知弱小目标的信息处理机制的研究不到位的问题。本发明采用的技术方案如下：
6.一种研究信鸽ot中深层连续运动敏感神经元的编码机制的方法，包括以下步骤：
7.步骤1：先通过运动光点刺激、稀疏噪声刺激和on/off刺激得到连续运动敏感神经元，对于那些具有相对较大的运动感受野、稀疏较小的稀疏感受野、对on/off刺激不敏感的
神经元，被认定是连续运动敏感神经元。
8.步骤2：对连续运动敏感神经元进行不同运动连续度的刺激，并统计其胞体spike发放数并得出其调谐规律，得到该类神经元偏好长持续连续运动的结论。
9.步骤3：基于步骤2的确定结论，提出树突场的有向能量累计假设；并针对单个树突就能够诱发胞体响应的特点，提出胞体的序贯概率激活假设。
10.步骤4：调整模型的参数，测试模型对于不同运动连续度刺激的响应情况，统计其胞体spike发放数，得到其响应调谐曲线，再结合现有实验数据，得出该编码模型定性拟合了连续运动敏感神经元的生理响应特性的结论。
11.进一步地，所述步骤2的具体步骤如下：
12.步骤2.1：对连续运动敏感神经元进行不同运动连续度的刺激实验，即：连续运动、随机连续运动和随机出现运动，并记录多个连续运动敏感神经元在不同运动连续度刺激后的神经元响应。
13.步骤2.2：对获得的连续运动敏感神经元响应进行分析，并通过计算多个神经元在不同运动连续度刺激下的发放数进行定量的比较。
14.步骤2.3：根据步骤2.2的实验结果，得出该类运动敏感神经元偏好长持续连续运动的确定结论。
15.进一步地，所述步骤3的具体步骤如下：
16.步骤3.1：连续运动敏感神经元的胞体位于鸟类中央灰质皮层，其树突关于胞体成稀疏的余弦分布，每个树突与视网膜神经节细胞的轴突末端成单突触连接。因此，构建连续运动敏感神经元的树突场，其中树突密度关于树突场中心成余弦分布可表示为：
17.ρ(r)＝a b cos(cr)
18.这里的r代表树突末端所在小区域δa距离胞体中心的距离，ρ(r)为相应区域的树突密度，通过调整a，b和c可以控制生成的树突场的密度大小。在泊松簇处理过程中，树突的位置由密度函数决定(在一个小区域内，有一个“父位置”的概率等于ρ(r)/2
×
δa)。接着，以每一个“父位置”为中心，使用对称2d高斯分布来生成两个树突末端。这个过程是符合泊松的，因为在一个小区域内有一个“父位置”的概率是独立于其他小区域的。这个过程也是非齐次的，因为对于单个连续运动敏感神经元来说，这个概率在其空间上是不均匀的，它依赖于小区域距离树突场中心的距离r。
19.步骤3.2：提出有向能量累计假设。
20.更进一步地，所述步骤3.2的具体步骤如下：
21.步骤3.2.1：假定一个连续运动敏感神经元具有n个树突，这些树突的位置固定。在时间t，一个小的运动目标激活一个树突，这个过程可以用一个二维向量来表示：
22.s
t
＝[p
t a
t
]
[0023]
其中p
t
代表该树突的位置，a
t
代表该树突携带的激活强度，也就是树突携带的spike序列。
[0024]
步骤3.2.2：假设在时刻t，某一树突s
t
被激活，它会获得一个能量e
t
，并且在其邻近区域内产生一个能维持一小段时间的便利区域r
t
，如图3所示。这个便利区域是树突s
t
预测将来目标激活的树突会出现的预测区域。
[0025]
步骤3.2.3：在t 1时刻如果激活树突s
t 1
出现在了还没有消失的便利区域r
t
，树突
s
t
和树突s
t 1
可以形成一段目标轨迹γ。同时，树突s
t 1
会产生一个沿着目标轨迹的“更强”有向便利区域r
t 1
。为了体现这种有向连续激活的影响，树突s
t 1
会累积能量e
t
和能量得到能量e
t 2
。其中，代表当前激活的树突s
t 1
落入先前产生的便利区域r
t
的概率。
[0026]
步骤3.2.4：在t 2时刻，如果一个树突s
t 2
又刚好再次落入还未消失的便利区域r
t 1
，那么，连接s
t
、s
t 1
和s
t 2
可以形成一段更长的目标轨迹γ，树突s
t 2
也会相应累积得到更强的能量e
t 2
，产生沿着γ的便利区域r
t 2
。如果树突s
t 2
没有落入区域r
t 1
，或者r
t 1
已经消失，那么树突s
t 2
会如同树突s
t
一样开始累积能量。
[0027]
步骤3.2.5：结合步骤3.2.2、步骤3.2.3和步骤3.2.4，在时刻t，t 1，t 2，树突s
t
，树突s
t 1
，树突s
t 2
分别被激活，并产生各自的便利区域，同时连接树突，形成对应得目标轨迹γ。由于树突场的不规则性和运动目标的波动性性，这三个激活的树突所形成的线可能不是一条直线。因此，在三个树突的基础上拟合出一条直线，即运动趋势估计d。
[0028]
步骤3.2.6：分别估算直线d与三个树突的距离e
t
，e
t 1
和e
t 2
，那么目标轨迹的线性度s
line
可表示为：
[0029][0030][0031]
l
t 2
衡量目标轨迹的线性波动，l
max
是允许的最大线性波动。
[0032]
步骤3.2.7：通过计算树突在拟合直线d上的投影点p
t
和p
t 1
之间的距离l1，p
t 1
和p
t 2
之间的距离l2。目标轨迹τ的速度波动程度s
vec
可以表示为：
[0033][0034][0035]
其中v
t 2
衡量τ的速度波动，v
max
是允许的最大速度波动。
[0036]
步骤3.2.8：当前树突落入先前激活树突所产生的便利区域的概率p被定义为：
[0037]
p＝(s
line
s
vec
)/2
[0038]
对于树突s
t 2
，它所积累的能量可以被表示为：
[0039][0040]
其中是激活树突s
t 2
落入先前激活树突s
t 1
所产生的便利区域r
t 1
的概率。树突s
t 1
所累积的能量为e
t 1
。
[0041]
步骤3.3：针对单个树突就能够诱发胞体响应的特点，提出胞体的序贯概率激活假设。针对连续运动敏感神经元的信息整合情况，本发明提出一种胞体被续贯概率激活的信息整合机制，在刺激机制下，激活的树突能否诱发胞体spike，取决于该树突自身累积的能量。也就是说，如果在时间，连续运动敏感神经元的树突场中某一个树突被激活，其产生的
一簇spike序列具有一定的概率诱发胞体的动作电位，而该概率值取决于该激活树突与之前激活树突作用所累积的能量。很显然，能量越大，该spike序列就具有更大的概率诱发胞体动作电位。而对于多个被激活树突，每个树突所产生spike通过胞体的概率取决于各自累积的能量。
[0042]
进一步地，所述步骤4的具体步骤如下：
[0043]
步骤4.1：对神经元的树突场进行建模，其树突末端关于树突场中心呈余弦分布。
[0044]
步骤4.2：分别测定模型对连续运动、随机连续运动和随机出现的响应情况，并统计spike发放率，得到神经元的响应调谐曲线。
[0045]
步骤4.3：通过步骤4.2的结果与神经元的响应情况比较，得到模型能够定性的拟合神经元的响应的结论。
[0046]
综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0047]
1.一种研究信鸽ot中深层连续运动敏感神经元的编码机制，通过记录ot区运动敏感神经元在不同连续度刺激模式下的spike响应信号，并对spike信号进行分析来探索运动敏感神经元的偏好性。
[0048]
2.本发明中通过运动敏感神经元偏好长持续连续运动的结论，提出有向能量累计假设以及序贯概率激活假设，并构建了连续运动敏感神经元的编码模型。再结合步骤2中神经元响应与步骤4的模型结果相比较，增加了模型的有效性以及可靠性。
[0049]
3.本发明步骤4.1中对树突场进行建模，使树突末梢以余弦分布的地方式进行排列，确保树突地排列与神经元运动感受野形状的一致性，从而保证了该实验的准确率。
[0050]
4.本发明构建的连续运动敏感神经元的编码模型将给出一种生物模拟的弱小目标检测算法，对构建新型类脑算法具有重要的理论和现实意义。
附图说明
[0051]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：
[0052]
图1是一种研究信鸽ot中深层连续运动敏感神经元的编码机制的方法的流程图；
[0053]
图2是本发明步骤2.2的神经元对连续运动、随机连续运动和随机出现刺激的调谐曲线；
[0054]
图3是本发明步骤3.2的有向能量累计假设；
[0055]
图4是本发明步骤3.3的序贯概率激活假设；
[0056]
图5是本发明步骤4.2的模型对连续运动、随机连续运动和随机出现刺激的调谐曲线。
具体实施方式
[0057]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通
常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0058]
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0059]
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0060]
一种研究信鸽ot中深层连续运动敏感神经元的编码机制的方法，包括以下步骤：
[0061]
步骤1：先通过运动光点刺激、稀疏噪声刺激和on/off刺激得到连续运动敏感神经元，对于那些具有相对较大的运动感受野、稀疏较小的稀疏感受野、对on/off刺激不敏感的神经元，被认定是连续运动敏感神经元。
[0062]
步骤2：对连续运动敏感神经元进行不同运动连续度的刺激，并统计其胞体spike发放数并得出其调谐规律，得到该类神经元偏好长持续连续运动的结论。
[0063]
步骤3：基于步骤2的确定结论，提出树突场的有向能量累计假设；并针对单个树突就能够诱发胞体响应的特点，提出胞体的序贯概率激活假设。
[0064]
步骤4：调整模型的参数，测试模型对于不同运动连续度刺激的响应情况，统计其胞体spike发放数，得到其响应调谐曲线，再结合现有实验数据，得出该编码模型定性拟合了连续运动敏感神经元的生理响应特性的结论。
[0065]
实施例一
[0066]
本发明较佳实施例提供的一种研究信鸽ot中深层连续运动敏感神经元的编码机制的方法，具体步骤如下：
[0067]
步骤1：先通过运动光点刺激、稀疏噪声刺激和on/off刺激得到连续运动敏感神经元，对于那些具有相对较大的运动感受野、稀疏较小的稀疏感受野、对on/off刺激不敏感的神经元，被认定是连续运动敏感神经元。
[0068]
步骤2：对连续运动敏感神经元进行不同运动连续度的刺激，并统计其胞体spike发放数并得出其调谐规律，得到该类神经元偏好长持续连续运动的结论。
[0069]
步骤2.1：对连续运动敏感神经元进行不同运动连续度的刺激实验，即：随机出现运动、1/8的随机连续运动、1/4的随机连续运动和连续运动，对应图2中路径比率分别为0、0.125、0.25和1，并记录多个连续运动敏感神经元在不同运动连续度刺激后的神经元响应。
[0070]
步骤2.2：对获得的连续运动敏感神经元响应进行分析，并通过计算多个神经元在不同运动连续度刺激下的发放数进行定量的比较。
[0071]
步骤2.3：根据步骤2.2的实验结果，得出该类运动敏感神经元偏好长持续连续运动的确定结论。
[0072]
步骤3：基于步骤2的确定结论，提出树突场的有向能量累计假设；并针对单个树突就能够诱发胞体响应的特点，提出胞体的序贯概率激活假设。
[0073]
步骤3.1：连续运动敏感神经元的胞体位于鸟类中央灰质皮层，其树突关于胞体成稀疏的余弦分布，每个树突与视网膜神经节细胞的轴突末端成单突触连接。因此，构建连续运动敏感神经元的树突场，其中树突密度关于树突场中心成余弦分布可表示为：
[0074]
ρ(r)＝a b cos(cr)
[0075]
这里的r代表树突末端所在小区域δa距离胞体中心的距离，ρ(r)为相应区域的树突密度，通过调整a，b和c可以控制生成的树突场的密度大小。在泊松簇处理过程中，树突的位置由密度函数决定(在一个小区域内，有一个“父位置”的概率等于ρ(r)/2
×
δa)。接着，以每一个“父位置”为中心，使用对称2d高斯分布来生成两个树突末端。这个过程是符合泊松的，因为在一个小区域内有一个“父位置”的概率是独立于其他小区域的。这个过程也是非齐次的，因为对于单个连续运动敏感神经元来说，这个概率在其空间上是不均匀的，它依赖于小区域距离树突场中心的距离r。
[0076]
步骤3.2：提出有向能量累计假设。
[0077]
步骤3.2.1：假定一个连续运动敏感神经元具有n个树突，这些树突的位置固定。在时间t，一个小的运动目标激活一个树突，这个过程可以用一个二维向量来表示：
[0078]
s
t
＝[p
t a
t
]
[0079]
其中p
t
代表该树突的位置，a
t
代表该树突携带的激活强度，也就是树突携带的spike序列。
[0080]
步骤3.2.2：假设在时刻t，某一树突s
t
被激活，它会获得一个能量e
t
，并且在其邻近区域内产生一个能维持一小段时间的便利区域r
t
，如图3(a)所示。这个便利区域是树突s
t
预测将来目标激活的树突会出现的预测区域。
[0081]
步骤3.2.3：在t 1时刻如果激活树突s
t 1
出现在了还没有消失的便利区域r
t
，树突s
t
和树突s
t 1
可以形成一段目标轨迹γ。同时，树突s
t 1
会产生一个沿着目标轨迹的“更强”有向便利区域r
t 1
。为了体现这种有向连续激活的影响，树突s
t 1
会累积能量e
t
和能量得到能量e
t 2
。其中，代表当前激活的树突s
t 1
落入先前产生的便利区域r
t
的概率。
[0082]
步骤3.2.4：在t 2时刻，如果一个树突s
t 2
又刚好再次落入还未消失的便利区域r
t 1
，那么，连接s
t
、s
t 1
和s
t 2
可以形成一段更长的目标轨迹γ，树突s
t 2
也会相应累积得到更强的能量e
t 2
，产生沿着γ的便利区域r
t 2
。如果树突s
t 2
没有落入区域r
t 1
，或者r
t 1
已经消失，那么树突s
t 2
会如同树突s
t
一样开始累积能量。
[0083]
步骤3.2.5：结合步骤3.2.2、步骤3.2.3和步骤3.2.4，在时刻t，t 1，t 2，树突s
t
，树突s
t 1
，树突s
t 2
分别被激活，并产生各自的便利区域，同时连接树突，形成对应得目标轨迹γ。由于树突场的不规则性和运动目标的波动性性，这三个激活的树突所形成的线可能不是一条直线。因此，在三个树突的基础上拟合出一条直线，即运动趋势估计d，如图3(b)所示。
[0084]
步骤3.2.6：分别估算直线d与三个树突的距离e
t
，e
t 1
和e
t 2
，那么目标轨迹的线性度s
line
可表示为：
[0085]
[0086][0087]
l
t 2
衡量目标轨迹的线性波动，l
max
是允许的最大线性波动。
[0088]
步骤3.2.7：通过计算树突在拟合直线d上的投影点p
t
和p
t 1
之间的距离l1，p
t 1
和p
t 2
之间的距离l2。目标轨迹τ的速度波动程度s
vec
可以表示为：
[0089][0090][0091]
其中v
t 2
衡量τ的速度波动，v
max
是允许的最大速度波动。
[0092]
步骤3.2.8：当前树突落入先前激活树突所产生的便利区域的概率p被定义为：
[0093]
p＝(s
line
s
vec
)/2
[0094]
对于树突s
t 2
，它所积累的能量可以被表示为：
[0095][0096]
其中是激活树突s
t 2
落入先前激活树突s
t 1
所产生的便利区域r
t 1
的概率。树突s
t 1
所累积的能量为e
t 1
。
[0097]
步骤3.3：针对单个树突就能够诱发胞体响应的特点，提出胞体的序贯概率激活假设。针对连续运动敏感神经元的信息整合情况，本发明提出一种胞体被续贯概率激活的信息整合机制，在刺激机制下，激活的树突能否诱发胞体spike，取决于该树突自身累积的能量。也就是说，如果在时间，连续运动敏感神经元的树突场中某一个树突被激活，其产生的一簇spike序列具有一定的概率诱发胞体的动作电位，而该概率值取决于该激活树突与之前激活树突作用所累积的能量。很显然，能量越大，该spike序列就具有更大的概率诱发胞体动作电位。而对于多个被激活树突，每个树突所产生spike通过胞体的概率取决于各自累积的能量。
[0098]
在图4中，树突1和树突2在时间t被激活，分别产生一系列的spike。表示树突1产生的spike，1.1、1.2、1.3分别表示每个spike的序号。表示树突2产生的spike，2.1和2.2分别表示每个spike的序列号。根据序贯概率激活假设，由这两个树突产生的spike序列将以一定的概率通过胞体，该概率取决于该树突本身所积累的能量。在t δt时刻，树突1的spike序列1.1和1.3流过胞体，但1.2没有流过，而树突2的spike序列2.1和2.2都流过胞体。
[0099]
步骤4：调整模型的参数，测试模型对于不同运动连续度刺激的响应情况，统计其胞体spike发放数，得到其响应调谐曲线，再结合现有实验数据，得出该编码模型定性拟合了连续运动敏感神经元的生理响应特性的结论。
[0100]
步骤4.1：对神经元的树突场进行建模，其树突末端关于树突场中心呈余弦分布。
[0101]
步骤4.2：分别测定模型对连续运动、随机连续运动和随机出现的响应情况，并统计spike发放率，得到神经元的响应调谐曲线。
[0102]
步骤4.3：通过步骤4.2的结果与神经元的响应情况比较，得到模型能够定性的拟合神经元的响应的结论。
[0103]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。