用訊息理論分析找出神經編碼
在生物組織中，由神經元們提供的電壓造成的局部場電位(Local Field Potential, LFP)是我們常拿來研究的目標之一；關於這些電位變化之中存在著什麼樣的訊息，而我們又要怎麼獲得並解讀它們，仍然是一門新鮮的學問。而這些訊號又要怎麼被應用到電腦科學中又是另一個好玩的話題了，這篇文章會對以上的話題都稍微聊一下。
來自伊朗德黑蘭阿米爾卡比爾理工大學的學者們去年便針對了這個題目下去做研究。他們使用了具STDP可塑性且具有AMPA及GABA突觸的脈衝神經網路(Spiking Neural Network, SNN)，針對MNIST資料庫去做訓練，試圖讓神經們辨識出手寫的數字。
一般而言，我們拿到一組數位訊號都會利用傅立葉轉換(Fourier Transform)去觀察它的頻率分佈；不過當我們的訊號只出現在時域及頻域的一小段時，PSWF(Prolate Spheroidal Wave Function)級數就可以比傳統正弦波傅立葉級數更有效率的表示我們的訊號。他們證實了，經過了STDP的訓練(96.1%的辨識率)，從MNIST輸入取得的PSWF級數，與位於輸出端的分類區神經的LFP能量頻譜(Power Spectrum)是等效的。另外，這組PSWF級數與計算區連接到分類區神經的連接權重數(Synaptic Weight)有82.3%的相似度；這也給了我們將這種模型延伸到真實生物上的自信。
如果你是具理工背景的讀者，作者也提供了將這種SNN作為一種通道來傳輸資訊的思考方式：也就是將MNIST資料庫作為PSWF級數輸入，通過通道後即得到了神經叢集的LFP。這或許可以成為將來腦機介面的一種實作方式。
撰寫人：葉宸甫
原始論文：Soheila Nazari, Karim Faez, Mahyar Janahmadi, A new approach to detect the coding rule of the cortical spiking model in the information transmission, Neural Networks, Volume 99 (2018)
參考資料：
Wouter Dullaert, Hendrik Rogier, Freek Boeykens, Advantages of PSWF-based models for UWB systems
來自伊朗德黑蘭阿米爾卡比爾理工大學的學者們去年便針對了這個題目下去做研究。他們使用了具STDP可塑性且具有AMPA及GABA突觸的脈衝神經網路(Spiking Neural Network, SNN)，針對MNIST資料庫去做訓練，試圖讓神經們辨識出手寫的數字。
一般而言，我們拿到一組數位訊號都會利用傅立葉轉換(Fourier Transform)去觀察它的頻率分佈；不過當我們的訊號只出現在時域及頻域的一小段時，PSWF(Prolate Spheroidal Wave Function)級數就可以比傳統正弦波傅立葉級數更有效率的表示我們的訊號。他們證實了，經過了STDP的訓練(96.1%的辨識率)，從MNIST輸入取得的PSWF級數，與位於輸出端的分類區神經的LFP能量頻譜(Power Spectrum)是等效的。另外，這組PSWF級數與計算區連接到分類區神經的連接權重數(Synaptic Weight)有82.3%的相似度；這也給了我們將這種模型延伸到真實生物上的自信。
如果你是具理工背景的讀者，作者也提供了將這種SNN作為一種通道來傳輸資訊的思考方式：也就是將MNIST資料庫作為PSWF級數輸入，通過通道後即得到了神經叢集的LFP。這或許可以成為將來腦機介面的一種實作方式。
撰寫人：葉宸甫
原始論文：Soheila Nazari, Karim Faez, Mahyar Janahmadi, A new approach to detect the coding rule of the cortical spiking model in the information transmission, Neural Networks, Volume 99 (2018)
參考資料：
Wouter Dullaert, Hendrik Rogier, Freek Boeykens, Advantages of PSWF-based models for UWB systems
留言
張貼留言