前言：本日记仅记录认知科学领域中个人认为部分有趣和重要的文章及个人见解，技术分享，以及一些学术界的轶事和新闻等。所涉及文章的摘要或部分文摘均为机翻。本学术日记仅供个人学习记录与随缘分享，不具有任何解释和科普责任，但欢迎在评论区提问或讨论，也接受私信（但不负责回答包你满意）。本专栏不求流量，与本人其他作品无关，随缘更新。
1.
-
Social, self, (situational), and affective processes in medial prefrontal cortex (MPFC): Causal, multivariate, and reverse inference evidence (2019)
-
MPFC被认为具有多种社会、情感和认知功能。这些结论在很大程度上是由前向推理分析（如GLM功能磁共振成像研究和荟萃分析）推动的，这些分析表明了特定领域的任务倾向于在哪里产生活动，但很少告诉我们这些区域的作用。在这里，我们对布罗德曼9-11区内MPFC细分的功能采取了多方法、多领域的方法。我们考虑了四种方法，每种方法都具有反向推理或因果推理价值：病变工作、经颅磁刺激、多变量模式分析和神经合成分析。Neurosynth分析包括多项反向推理分析，这些分析同时比较几个感兴趣的领域。我们在五个领域考察了支持结构-功能联系的证据：社会认知、自我、价值、情感体验和心理时间旅行。证据被考虑用于三个MPFC亚类中的每一个：背内侧前额叶皮层（DMPFC）、前内侧前额叶皮质（AMPFC）和腹内侧前额叶大脑皮层（VMPFC）。尽管不同方法之间存在证据差异，但研究结果表明，社会过程在功能上与DMPFC相关（在VMPFC中有点令人惊讶），自我过程与AMPFC相关，情感过程与AMPFC和VMPFC相关。VMPFC还有一个相对非选择性的区域，可以支持情景处理，这是每个领域的过程关键，但也独立于每个领域。
-
https://doi.org/10.1016/j.neubiorev.2018.12.021
方法范例。有效地提出了一套解决影像学中结构功能因果推理困境的方法，亮点是对Neurosynth的处理。然而未能更多地涉及mPFC其他功能如EF决策和记忆。此外这种方法论能否推广到整个PFC甚至FC？我始终对依据FC的解刨划分来界定其功能范围持怀疑态度，mPFC能做的事为何其他脑区不能做？
2.
-
Microstates of the cortical brain-heart axis (2023)
-
脑电图（EEG）微观状态是具有准稳定头皮地形图的大脑状态。这种状态是否延伸到身体水平，也就是外周自主神经，仍然未知。我们假设微观状态作为中枢自主神经网络的一种功能状态在脑心轴水平上延伸。因此，我们将EEG和心跳动力学系列相结合，以估计起源于皮层的定向信息传递，目标是交感神经-迷走神经和副交感神经活动振荡，反之亦然，用于传入功能方向。数据来自两组参与者：36名健康志愿者受到心算引起的认知工作量，26名参与者受到冷压力测试引起的身体压力。所有参与者在研究时都是健康的。基于统计测试和拟合优度评估，我们证明了功能性脑心轴的微观状态的存在，重点是大脑皮层，因为微观状态源自EEG。这种神经系统微观状态是时空准稳定状态，专门指传出的大脑到心脏的方向。我们展示了可能与特定实验条件相关的脑心微观状态，以及与任务非特异性的脑心微状态。
-
https://doi.org/10.1002/hbm.26480
扩展了微状态的范围和功能，为心脑轴提供了一种神经解释，并拓展了具身认知的神经基础。然而仅通过记录ANS的电信号来界定心脑关系过于狭隘，缺乏更多生理指标。
另附上微状态发现人，EEG先驱Dietrich Lehmann在2014年的讣告（https://link.springer.com/article/10.1007/s10548-014-0390-6）：
我们遗憾地宣布，我们尊敬的同事、导师和朋友Dietrich Lehmann于 2014 年 6 月 16 日去世。他在 85 岁的人生中充满了激情和决心，而这种激情和决心本可以延续到很多很多人身上。
迪特里希·莱曼 (Dietrich Lehmann) 是脑电图绘制的先驱。 今天被精心称为高密度脑电图或电神经成像，他在 40 多年前就已经实施了。 他领先于他的时代数十年，并且很难说服专注于脑电图波形分析的社区相信他所提出的观点和方法，这些观点和方法在 2014 年被证明是最先进的思想。1969 年——45 年前 —他与 Derek Fender 一起在《脑电图和临床神经生理学》杂志上发表了一份病例报告，其中偶极源分析应用于一名分裂交叉患者的平均 48 通道视觉诱发电位。 两年后，即 1971 年，他在同一期刊上发表了题为“人类自发 α 脑电图场的拓扑图”的开创性论文，最终确立了“脑电图拓扑图”一词，并为头皮电场的创新空间分析铺平了道路。
Dietrich Lehmann 于 1929 年 12 月 3 日出生于德国海德堡附近，在那里完成了医学学业，并于 1957 年获得医学博士学位。在海德堡、慕尼黑、弗莱堡和马赛的神经病学实习结束后，他于 1963 年搬到了加利福尼亚州。 他最初在加州大学洛杉矶分校 (UCLA) 担任研究员，后来到加州理工学院 (CalTech) 担任高级研究员，最后成为加州大学视觉科学系副教授和代理系主任。 太平洋位于加利福尼亚州旧金山。 这一时期关于睡眠和梦游症《自然》、视觉感知《科学》以及诱发和自发场地形图《脑电图和临床神经生理学》的论文不仅记录了他的巨大影响和广泛的兴趣，而且还记录了新兴的焦点 他关于空间分析的脑电图工作。 1971 年，他接受了苏黎世大学医院神经内科的任命，并于 1988 年成为临床神经生理学教授。他于 1997 年退休，但在此之前，他于 1995 年创立了 KEY 脑-心智研究所。 苏黎世大学精神病学医院的科学主任，直至去世。
除了不懈地致力于脑电图的空间分析之外，迪特里希的科学兴趣还集中在人脑自发神经元活动的持续波动、它与白日梦的关系、它对感知的影响以及它对精神疾病的调节。 他发现自发脑电图以及事件相关电位可以分为电场稳定空间配置的连续片段。 他将这些部分命名为“功能微状态”，比成像界发明“静息状态”和“任务状态”术语早很多年。 他提出，这些空间静止的微观状态可能是信息处理的基本组成部分，可能反映了意识的时间——“思想原子”。 许多研究已经研究（并将继续研究）这些微观状态及其在不同疾病中的改变的重要性。 迪特里希自己的工作证明了精神分裂症以及睡眠、催眠和冥想过程中的微观状态调节，反映了意识状态的改变，他发现这无穷无尽地令人着迷。 微观状态的功能意义仍然是一个热门话题和深入研究的主题。
迪特里希·莱曼 (Dietrich Lehmann) 个性迷人，对知识和真理有着永不满足且深远的渴望。 他会像争论实验中受试者的正确位置一样坚持讨论意识的生物学基础理论的来龙去脉。 他孜孜不倦地为他所确信的正确的事情而奋斗，并挑战那些在他看来提出的论点缺乏坚实基础的人，无论是在被认为是真实的，还是在被认为是先验不可能的方面， 经常得到他敏锐的幽默和熟练的绘画的支持。 与此同时，他对他认为值得追求的假设表现出自由和非正统的态度，就像他痴迷于方法论的严谨性和对自己研究的深入理解一样。 当与迪特里希一起出版时，审稿人的评论通常远没有迪特里希对完美的不懈追求那么具有挑战性。
迪特里希不是一个喜欢闲聊的人，他也不喜欢肤浅的人。 对于大多数认识他的人来说，他不仅是一位鼓舞人心的真正科学家，而且还是一位善良、谦虚、足智多谋、富有同情心的朋友或导师。 多年来，他对了解自己记录的大脑信号的渴望并没有减弱。 相反，他对妻子兼长期科学合作者玛莎·库库·莱曼说的最后一句话是：“现在还为时过早。 科学领域还有很多事情要做。”
我们谨向玛莎及其女儿菲德拉和塔利亚、迪特里希的儿子马可以及其他家人表示最深切的哀悼。 我们将永远珍藏迪特里希·莱曼 (Dietrich Lehmann)
3.
-
A cortical circuit for audio-visual predictions (2022)
-
不同感觉模式的刺激之间的习得关联可以塑造我们感知这些刺激的方式。然而，人们还不太清楚这些交互是如何中介的，或者它们发生在处理层次的哪个级别。在这里，我们描述了一种神经机制，通过该机制，听觉输入可以通过小鼠听觉和视觉皮层之间的直接相互作用来塑造行为相关刺激的视觉表示。我们发现，在行为相关的背景下，听觉刺激和视觉刺激的关联会导致初级视觉皮层（V1）视觉反应的体验依赖性抑制。听觉皮层轴突向V1提供听觉和视网膜局部匹配的视觉输入的混合物，这些轴突的光遗传学刺激选择性地抑制V1神经元，这些神经元在学习后而不是学习前对相关视觉刺激有反应。我们的研究结果表明，跨模态关联可以通过长程皮层连接进行交流，并且随着学习，这些跨模态连接的作用是抑制对可预测输入的反应。
-
https://www.nature.com/articles/s41593-021-00974-7
多模态感知的细胞级研究，重要的是阐述了多模态感知的意义并将其和记忆联系起来，这对灵活性为至关重要，直接结果是发现了一种听觉对视觉的抑制效应而不是被更多研究的多模态促进。然而采用的强化联想学习范式是否会带对其神经机制带来其它或更多解释？更广泛地说，联想学习在多模态感知中的作用经常被忽视，且常常局限于研究模态相关皮层的交互。
4.
发现了一位研究电生理与神经编码的苏黎世大学的年轻PI，这是他的blog网站：https://gcamp6f.com/about/，他最近一篇有关介绍BTSP最新成果的文章非常引人入胜，结尾对脑切片的肯定让我深受启发。然而他和我相反似乎是个还原论者。
5.
-
High-speed low-light in vivo two-photon voltage imaging of large neuronal populations (2023)
-
在行为相关的时间尺度上监测大型神经元群体的尖峰活动对于理解神经回路功能至关重要。与钙成像不同，电压成像需要千赫采样率，从而将荧光检测降低到接近散粒噪声水平。高光子通量激发可以克服光子受限的散粒噪声，但光漂白和光损伤限制了同时成像神经元的数量和持续时间。我们研究了一种针对低双光子通量的替代方法，即低于散粒噪声极限的电压成像。该框架涉及开发具有改进的尖峰检测的正向电压指示器（SpikeyGi和SpikeyGi2）；双光子显微镜（“MURF”），用于0.4 毫米 × 0.4 mm视场；以及用于从散粒噪声受限信号推断荧光的自监督去噪算法（DeepVID）。通过这些综合进步，我们在清醒行为的小鼠中实现了100多个密集标记神经元在1小时内的同时高速深层组织成像。这证明了一种在不断增加的神经元群体中进行电压成像的可扩展方法。
-
https://www.nature.com/articles/s41592-023-01820-3
-
…………“因此，我们采取了一种融合蛋白质工程、光学工程和深度学习的多学科方法，以克服在大型神经元群体中实现快速电压成像的基本限制。我们开发了一种高速、正向双光子GEVI；千赫扫描、大视场“SMURF”（时空复用超快共振帧扫描）双光子显微镜；以及用于图像去噪的深度卷积神经网络（DeepVID）。通过这种技术的协同组合，我们为清醒行为动物的群体级双光子电压成像提供了一个框架。“
电压成像最新结果，亮点是AI的去噪应用以及持续在体成像，且达到了400 × 400 μm视场/1 kHz帧速率。然而原文并没有指出其最大可测量的神经元数量，只试验性地给出了＞100的答案。
6.
-
Credit Assignment in Neural Networks through Deep Feedback Control (2021)
-
深度学习的成功引发了人们的兴趣，即大脑是否通过使用类似的技术来学习，为每个突触权重对网络输出的贡献打分。然而，目前对生物学上合理的学习方法的大多数尝试要么是非局部的，要么需要高度特定的连接基序，要么与任何已知的数学优化方法没有明确的联系。在这里，我们介绍了深度反馈控制（DFC），这是一种新的学习方法，它使用反馈控制器来驱动深度神经网络以匹配期望的输出目标，并且其控制信号可以用于信用分配。由此产生的学习规则在空间和时间上是完全局部的，并且对于广泛的反馈连接模式近似于高斯-牛顿优化。为了进一步强调其生物学合理性，我们将DFC与皮层锥体神经元的多室模型联系起来，该模型具有局部电压依赖性突触可塑性规则，与最近的树突加工理论一致。通过将动力学系统理论与数学优化理论相结合，我们为DFC提供了强大的理论基础，并通过玩具实验和标准计算机视觉基准的详细结果进行了验证。
-
Minimizing Control for Credit Assignment with Strong Feedback (2022)
-
深度学习的成功引发了人们对大脑是否使用基于梯度的学习来学习分层表示的兴趣。然而，目前在深度神经网络中基于梯度的信用分配的生物学上可行的方法需要极小的反馈信号，这在生物学上现实的噪声环境中是有问题的，并且与神经科学中的实验证据不一致，该实验证据表明自上而下的反馈可以显著影响神经活动。在深度反馈控制（DFC）这一最近提出的信用分配方法的基础上，我们将对神经活动的强烈反馈影响与基于梯度的学习相结合，并表明这自然导致了对神经网络优化的新观点。权重更新不是逐渐将网络权重改变为具有低输出损耗的配置，而是逐渐最小化从驱动网络到受监督输出标签的控制器所需的反馈量。此外，我们还表明，在DFC中使用强反馈可以同时学习正向和反馈连接，使用空间和时间上完全局部的学习规则。我们用标准计算机视觉基准上的实验来补充我们的理论结果，显示出对反向传播的竞争性能以及对噪声的鲁棒性。总的来说，我们的工作提出了一种从根本上新颖的观点，将学习视为控制最小化，同时避开了生物学上不切实际的假设。
-
Bio-inspired, task-free continual learning through activity regularization (2023)
-
连续学习多个任务而不忘记的能力是生物大脑的一项关键技能，而这是对深度学习领域的一项重大挑战。为了避免灾难性遗忘，人们设计了各种持续学习方法。然而，这些通常需要离散的任务边界。这一要求在生物学上似乎是不可信的，并且经常限制CL方法在现实世界中的应用，因为现实世界中任务并不总是定义得很好。在这里，我们从神经科学中获得了灵感，在神经科学中，稀疏、不重叠的神经元表征被认为可以防止灾难性遗忘。与在大脑中一样，我们认为这些稀疏表示应该基于前馈（特定于刺激）和自上而下（特定于上下文）的信息来选择。为了实现这种选择性稀疏性，我们使用了一种称为深度反馈控制（DFC）的分层信用分配的生物合理形式，并将其与赢者通吃的稀疏性机制相结合。除了稀疏性之外，我们还在每一层中引入横向递归连接，以进一步保护先前学习的表示。我们在分裂的MNIST计算机视觉基准上评估了DFC的新稀疏递归版本，并表明相对于标准反向传播，只有稀疏性和层内递归连接的组合才能提高CL性能。我们的方法实现了与众所周知的CL方法类似的性能，如弹性权重合并和突触智能，而不需要有关任务边界的信息。总的来说，我们展示了从大脑中采用计算原理来推导CL的新的无任务学习算法的想法。
-
https://link.springer.com/article/10.1007/s00422-023-00973-w
一套ANN仿生信用分配方法，但作者少有地将其放入持续学习的框架中从而结合了这两个类脑算法的重点领域。这套框架很丰富，核心是类脑反馈处理，加之分层和稀疏处理。不过这套方法似乎仍然是基于传统ANN的改进，而不是真正的从头设计一套仿生持续学习网络。取得与传统工程算法相同的性能并不值得骄傲，不过仍然产生了许多启发性的结果。
7.
诺贝尔医学生物奖预测：光遗传学
获奖者：
Gero Miesenböck
Karl Deisseroth
Edward S Boyden
如果诺奖委员会有良心的话那么应该由潘卓华取代其中一位。
预测不中也没关系，只要我年年都押光遗传，总有一天会押中，人们就会称我为预言家
顺带再预言一下和平奖：