- 综合排序
- 最热优先
- 最新优先
- 来自专栏WOLFRAM
大脑、神经元、认知：计算神经科学
Wolfram Research的下一步努力将是让生物学变得可计算，在这里很高兴与大家分享我们最近发布的神经科学相关的内容。 人类神经系统最中心的部分是大脑。 我们新的神经科学内容将带给你大脑、神经元和认知的事实，让你有机会窥视这神奇的神经科学世界。 找到支配左手的神经： 使用 AnatomyPlot3D 函数进行立体可视化： 神经元特性 到目前为止，我们已经看过我们神经系统的宏观图片。现在让我们看看大脑的功能单位，神经元。 随着我们洞察力的增加，知识库的不断扩大，我们可以更好和更深的了解人类的神经系统。 不要走开噢，我们还会发布更多与神经科学相关的内容！ 想了解更多关于神经科学的例子，请前往 Wolfram|Alpha 范例网站： http://www.wolframalpha.com/examples/Neuroscience.html http://
90870发布于 2018-05-31 - 来自专栏用户6291251的专栏
Python数据科学：神经网络
(Artificial Neural Network，ANN)人工神经网络模型，以数学和物理的方法对人脑神经网络进行简化、抽象和模拟。 本次只是一个简单的神经网络入门，涉及神经元模型和BP神经网络。 GridSearchCV进行最优参数搜索 param_grid = { # 模型隐层数量 'hidden_layer_sizes': [(10, ), (15, ), (20, ), (5, 5)], # 激活函数 'activation': ['logistic', 'tanh', 'relu'], # 正则化系数 'alpha': [0.001, 0.01 输出最优参数下模型的参数 print(gcv.best_params_) # 输出参数值为{'alpha': 0.01, 'activation': 'tanh', 'hidden_layer_sizes': (5, 5)} # 使用指定数据集输出最优模型预测的平均准确度 print(gcv.score(scaler_test_data, test_target)) # 输出值为0.9169384823390232
96710发布于 2020-10-09 - 来自专栏CreateAMind
神经科学的深度学习框架
在这里，我们认为更多地关注这些组件也有利于系统神经科学。 这允许一些具体的建议，例如关于顶端树突如何参与信用分配12、14，或者自上而下的注意力机制如何与神经调节剂相结合可以解决信用分配问题37、38（图 5). 我们还可以直接测试可以解决信用分配问题的学习规则的假设生物模型，例如使用注意力37、38或使用树突信号进行信用分配12、14的模型（图 5). 结论 许多系统神经科学都试图就大脑中单个神经元的功能制定简洁的陈述。这种方法已经成功地解释了一些（相对较小的）电路和某些硬连线行为。 正如我们所说，如果动物可以解决的一组任务是神经科学的基本考虑因素，那么构建能够实际解决这些任务的模型就至关重要。 不可避免地，需要自下而上的描述性工作和自上而下的理论工作才能在系统神经科学中取得进展。
43730编辑于 2023-09-01 - 来自专栏云深之无迹
Blackrock-Nerotech神经科学设备
今天朋友给我发了篇文章，里面有几种BCI设备，在说牛逼的时候也可以看看有没有可以学习的地方：
20310编辑于 2024-08-21 - 来自专栏CreateAMind
组合神经科学的新数学语言
我们的工作旨在将这些线索综合成一个专为组合神经科学量身定制的综合操作子演算。 • 第 5 节：展示双函子（由函子构建）如何捕捉海马重放，以及自然变换（函子之间的变换）如何建模神经调节。 5.2 用于神经调节的自然变换 神经调节系统，如去甲肾上腺素 (NA)、多巴胺 (DA)、乙酰胆碱 (ACh) 和 5-羟色胺 (5-HT)，起源于相对较小的皮层下核团（表示为 S 中的对象，例如蓝斑、 关键在于开发可访问且稳健的软件库和工具链（建立在 AlgebraicJulia/Catlab 等努力之上或开发神经科学专用平台），这对于使更广泛的神经科学社区能够使用这些高级数学技术至关重要。 跨学科合作 (Cross-Disciplinary Collaboration)： 进展将很大程度上依赖于范畴论学家、计算神经科学家、认知科学家和实验神经科学家之间持续、紧密的合作，以确保数学形式体系保持生物学相关性且可经实证检验
12410编辑于 2026-03-11 - 来自专栏脑机接口
脑机接口基础之神经科学
负责大脑信息处理任务的是一种叫做神经元的细胞。它们负责从其他大量神经元中获取信息、处理并将信息传递给其他神经元。它们之所以能完成这些工作，主要是由神经元的生物物理特性决定的。 神经元又称神经细胞，是神经系统最基本的结构和功能单位，也常被认为是神经系统最基本的计算单元。神经元分为细胞体和突起两部分。细胞体由细胞核、细胞膜、细胞质组成，具有联络和整合输入信息并传出信息的作用。 轴突除分出侧枝外，其末端形成树枝样的神经末梢。末梢分布于某些组织器官内，形成各种神经末梢装置。 ? 神经元和电信号 神经元是如何产生电信号的呢？ 神经元存在于水介质中，细胞内外都有大量的离子，比如钠离子、钙离子，氯离子、钾离子等。 当神经细胞接收到其他神经细胞的神经递质(化学物质)后，会引发一系列事件的发生：钠离子快速流入细胞内，使得细胞膜电位升高，直到钾离子通道打开，促使钾离子流出细胞，使得细胞膜电位下降，这种膜电位快速上升和下降的现象称为动作电位或锋电位
79720发布于 2020-06-29 - 来自专栏CreateAMind
深度学习与神经科学相遇（一）
Figure 0 中所示的动态热图表示跨个体的这种图案化模式的共同结构，特别是一些介于解剖区域对（pairs of anatomic regions）之间差异表达的基因数目，在我们的实验测量中，有5/6 引言 计算神经科学专注于计算的详细实现，研究神经编码、动力学和电路。 我们建议一些神经科学的研究方向可以寻求改进和测试这些假设。 介绍 今天的机器学习和神经科学使用的并不是同一种“语言”。 虽然此后神经科学在机器学习继续发挥作用（Cox and Dean, 2014），但许多主要的发展都是以有效优化的数学为基础，而不是神经科学的发现（Sutskever and Martens,2013）。
38820发布于 2018-07-24 - 来自专栏思影科技
工作记忆的认知神经科学
50多年来，心理学家和认知神经科学家已经认识到，工作记忆在多个目标处于活动状态时协调加工，并用不存在于当前环境中的信息指导行为的重要性。 虽然我们不能仅仅在一篇综述中就对如此庞大的文献做出客观评价，但我们确实希望从认知神经科学的角度强调我们认为的工作记忆研究的重要进展。 2.1 工作记忆基于状态描述的神经可行性 近年来，基于状态的工作记忆模型越来越受到重视，因为认知神经科学研究表明，它们能很好地适应神经数据。 事实上，在系统和认知神经科学文献中，我们可以看到PFC刺激表征模型的变量流行度与工作记忆的多成分模型密切相关。 结论 在过去的50年里，工作记忆这个概念激发了许多领域的研究，包括认知、神经科学和临床。
1.3K10编辑于 2022-04-12 - 来自专栏新智元
【计算神经科学】脑科学与人工智能的必要桥梁
【作者汪小京】上海纽约大学副校长、纽约大学神经科学教授，原耶鲁大学神经科学终身教授。 计算神经科学：脑科学与人工智能的必要桥梁 众所周知，科技创新对社会经济的进步起着巨大的作用。 同时，发展神经科学也具有战略意义。 因此侧重于理论和模型的计算神经科学与实验神经科学的互动，将会对认识大脑工作机制起到十分关键的作用。 因此，计算神经科学与信息科学应密切合作，对脑科学与类脑人工智能重大前沿问题进行联合攻关。 在这些方面，中国都具有很大的潜力优势，而发展计算神经科学是关键。 计算神经科学在我国还相对薄弱，但我们拥有大批杰出的理工科人才，尤其是年轻人。他们若有机会进入脑科学，计算神经科学的快速发展便指日可待。
1.7K70发布于 2018-03-13 意识科学：探索神经关联与理论困境
这些问题可能有客观答案，但由于它们涉及私密、主观的体验，无法直接测量，它们存在于科学方法所能揭示的边界。尽管如此，在过去的30年里，神经科学家在大脑中搜寻所谓的“意识的神经关联”，已经学到了很多。 也许是因为知道他们无法解释这是如何发生的，神经科学家们在20世纪90年代之前一直回避意识的谜团。 如果神经科学家能在人们的意识感知切换时扫描他们的大脑，他们就能找到与该变化相关的大脑部分：意识的神经关联。Koch下了大赌注，毫不夸张。 它无法解释牙痛与头痛的感觉有何不同，为何循环功能丧失的人会有濒死体验，或者为何迷幻药物5-甲氧基二甲基色胺会让时间似乎停止并消除自我感。在我们的日常体验和科学能解释的内容之间存在一道鸿沟。 这场主要在在线帖子和媒体中进行的辩论，最终在去年三月的《自然神经科学》杂志上得到了梳理。自那时起，参与的科学家们似乎正试图将这一不愉快的章节抛在脑后。
21000编辑于 2026-01-27- 来自专栏CreateAMind
深度学习与神经科学相遇（三）
原文： https://zhuanlan.zhihu.com/p/23979871 深度学习与神经科学相遇（一）[译] 深度学习与神经科学相遇（二）[译] 上次说到误差梯度的“反向传播”（Backpropagation 文中很多地方提到neuron spike, 神经元的电活动，但不代表该神经元一定被激活。个人觉得比较难翻译, “神经元动作电位”在有的地方不太通顺，所以后面就直接使用英文来描述这个概念。 STDP，Wikipedia：是大脑自身调整其神经元之间的连接强度的生物过程。 该过程基于特定神经元的输出和输入动作电位（或spike）的相对定时来调整连接强度。 在神经科学中，我们发现几乎无论在哪里找到前馈连接，哪里就伴随有反馈连接，讨论它们的作用是很多研究理论的主题（Callaway, 2004; Maass et al., 2007）。 例如，在大脑中，神经元往往是兴奋性的或抑制性的，但不是两者同时存在，而在人工神经网络中，单个神经元可向其下游神经元同时发送兴奋性和抑制性信号。
33820发布于 2018-07-24 - 来自专栏CreateAMind
深度学习与神经科学相遇（二）
https://zhuanlan.zhihu.com/p/23804250 更新：深度学习与神经科学相遇（一）[译] 注：阅读本文需要一定的机器学习、深度学习以及神经科学基础 2. 在一些结构中，其可以使用遗传基因预先规定的神经回路去解决仅需要基于数据即可快速学习的问题，或者可以利用局部优化以避免通过多层神经元来分配信用的需要。 ）的神经回路，即快速计算成本函数对于任何给定连接权重的近似梯度。 一些效率增益可以通过扰乱神经活动而不是突触权重来实现，遵循神经突触的任何长程效应通过神经元介导的事实。 大脑中的真实神经回路似乎具有编码与实现那些算法相关的信号的机制（例如，可扩散神经调节器）。
54430发布于 2018-07-24 脉冲神经网络：当神经科学遇见人工智能
脉冲神经网络：当神经科学遇见人工智能人工神经网络（ANN）训练的高能耗和计算成本往往令人望而却步。此外，它们在学习简单时序任务方面的困难和无能似乎困扰着研究社区。 信息表示：脉冲生物神经元细胞的行为不像我们在ANN中使用的神经元。但是什么使它们不同呢？一个主要区别是生物神经元可以处理的输入和输出信号。生物神经元的输出不是要传播的浮点数。 另一方面，生物神经元依赖于时间维度。在任何时刻，它们都可以接收输入信号并产生输出，而不管其他神经元的行为如何。总之，生物神经元具有内部动力学，导致它们随时间变化。 另一方面，在神经元放电之前到达的脉冲强烈影响神经元脉冲的时间，因此其权重增加以通过这个突触（权重w₁）在时间上连接两个神经元。由于这个过程，模式出现在神经元的连接中，并且已经表明实现了学习。 我们设置我们的损失函数和优化器：loss = nn.CrossEntropyLoss()optimizer = torch.optim.Adam(net.parameters(), lr=5e-4, betas
36610编辑于 2025-10-31- 来自专栏脑电信号科研科普
Nature：功能神经成像作为整合神经科学的催化剂
从这个角度来看，我们认为功能磁共振成像可以很好地整合系统神经科学、认知神经科学、计算神经科学和临床神经科学的不同子领域。 4．计算神经科学中的fMRI有了功能神经成像获取认知过程的途径，神经科学家面临着如何理解功能神经成像数据中固有的复杂模式的新挑战。 简而言之，人类大脑与人工神经网络当然有一些关键的不同之处，但两者之间的相似之处和差异为我们理解大脑如何产生认知提供了许多潜在的途径。5. 这并不是说fMRI在目前的状态下不能对临床神经科学做出有意义的贡献;相反，我们建议重新关注发生在系统、认知和计算神经科学中的基础科学发现如何为临床神经科学提供信息，反之亦然。 虽然很多注意力都集中在基础科学的发现如何为临床问题提供信息上，但fMRI也可以促进从临床神经科学回到系统、认知和计算神经科学的基础科学模块的丰富可能的相互贡献。
61110编辑于 2023-11-26 - 来自专栏新智元
Nature：AI与神经科学再现模拟大脑
伦敦大学学院盖茨比计算神经科学团队的理论神经学专家Maneesh Sahani说。 “ 斯坦福大学的计算神经学家Daniel Yamins正在开发一套能够模拟大脑活动的神经网络 再现感官 斯坦福大学计算神经科学家Daniel Yamins采用的方法是建立一个可以复制大脑数据的人工系统。 Yamins说，现在只凭神经科学很难揭示无监督学习的运行机制。 “如果没有AI解决方案，如果没有任何人工构建的方式，就不可能建立起大脑的运作模型，” 他认为，计算机科学家更有可能提出一种或多种可供神经科学家测试的解决方案。 计算机的数据处理和建模能力已经带来了脑科学的进步。“人工智能将对神经科学产生巨大影响，”Sussillo说，“而我希望成为其中的一部分。”
90220发布于 2019-08-15 - 来自专栏计算机视觉战队
神经网络机制中的脑科学原理
类脑计算是生命科学，特别是脑科学与信息技术的高度交叉和融合，其技术内涵包括对于大脑信息处理原理的深入理解，在此基础上开发新型的处理器、算法和系统集成架构，并将其运用于新一代人工智能、大数据处理、人机交互等广泛的领域 2）DeepMind 公司目前最前沿的研究之一，是试图通过“模块化的网络” 自主学习来解决困扰人工神经网络几十年的 “灾难性失忆” 问题。 但是，他们现在所面临的技术难点，不在芯片的神经元高密度集成上，也不在芯片运算的加速技术上，而是无法制造出高智能表现的神经形态处理器。 奇点时刻取决于在何时制造出临界深构造的人工脑神经网络。 总结而言，类脑计算是融合了脑科学与计算机科学、 信息科学和人工智能 等领域的交叉学科，我们有理由期待这一领域的研究将在不久的将来带来更多的令人瞩目的成就，推动智能技术向通用的人类水平的智能，即强人工智能的目标逐渐逼近
1K70发布于 2018-04-17 - 来自专栏思影科技
解开神经科学中的交叉频率耦合
神经科学的核心问题之一是神经活动如何在不同的空间和时间尺度上协调。这个问题的一个优雅的解决方案可能是，局部神经群的活动是根据全局神经元动力学来调节的。 因为较大的神经群在较低的频率振荡和同步，而较小的群神经在较高的频率活跃。CFC可促进神经活动在时间和空间上的灵活协调。与这一观点一致，许多研究报告了这种跨频率的关系。 非平稳性和频谱相关性：一枚硬币的两面 我们测量的大多数神经元信号都是非平稳的。时变的感觉刺激，自上而下的影响，神经调节，内源性调节过程和全局生理状态的变化，都会使神经元动力学非平稳。 因此，CFC的生物学机制可以发生在神经元群体水平，单个神经元水平，或两者兼有。 5测试非线性：输入信号的非线性响应或信号转换过程中的非线性会导致相位振幅CFC。信号中谐波的存在应通过双相干（bicoherence）分析进行测试，并讨论其对CFC的贡献。
1.2K20发布于 2021-10-18 - 来自专栏人工智能
深度学习与神经科学相遇（三）译
原文： https://zhuanlan.zhihu.com/p/23979871 深度学习与神经科学相遇（一）[译] 深度学习与神经科学相遇（二）[译] 上次说到误差梯度的“反向传播”（Backpropagation 文中很多地方提到neuron spike, 神经元的电活动，但不代表该神经元一定被激活。个人觉得比较难翻译, “神经元动作电位”在有的地方不太通顺，所以后面就直接使用英文来描述这个概念。 STDP，Wikipedia：是大脑自身调整其神经元之间的连接强度的生物过程。 该过程基于特定神经元的输出和输入动作电位（或spike）的相对定时来调整连接强度。 在神经科学中，我们发现几乎无论在哪里找到前馈连接，哪里就伴随有反馈连接，讨论它们的作用是很多研究理论的主题（Callaway, 2004; Maass et al., 2007）。 例如，在大脑中，神经元往往是兴奋性的或抑制性的，但不是两者同时存在，而在人工神经网络中，单个神经元可向其下游神经元同时发送兴奋性和抑制性信号。
76800发布于 2017-12-28 - 来自专栏脑机接口
脑机接口基础之神经科学(更新)
负责大脑信息处理任务的是一种叫做神经元的细胞。它们负责从其他大量神经元中获取信息、处理并将信息传递给其他神经元。它们之所以能完成这些工作，主要是由神经元的生物物理特性决定的。 神经元又称神经细胞，是神经系统最基本的结构和功能单位，也常被认为是神经系统最基本的计算单元。神经元分为细胞体和突起两部分。细胞体由细胞核、细胞膜、细胞质组成，具有联络和整合输入信息并传出信息的作用。 轴突除分出侧枝外，其末端形成树枝样的神经末梢。末梢分布于某些组织器官内，形成各种神经末梢装置。 ? 神经元和电信号 神经元是如何产生电信号的呢？ 由于神经元的细胞膜由磷脂双分子层构成，如下图： ? 如果神经元的朝向是随机排列的，则一个神经元的正电就有可能相邻于另一个神经元的负电，这样就会相互抵消了。 类似地，如果一个神经元接收到兴奋性神经递质，而另一个神经元接收到抑制性神经递质，则神经元偶极子朝向会相反，也会相互抵消。如果所有的神经元都有相似的朝向，且接收同样类型的输入，则它们的偶极子会叠加。
1.5K10发布于 2020-06-30 - 来自专栏脑机接口
用机器学习和神经科学解码大脑信号
人脑包含约860亿个神经元，每个神经元分别与其他神经元相连。每当我们思考或移动肌肉时，这些神经元就会被能量激活。BCI可以识别大脑中的这些能量模式。 ? 卷积神经网络分类器 No-Sang Kwak等人提出了一种使用卷积神经网络的SSVEP分类器。在论文中，他们将其命名为CNN-1。它具有两个隐藏层，内核大小分别为1x8和11x1。 接下来是具有5个单元的输出层，该输出层表示外骨骼运动的五个可能动作。学习率为0.1，权值按正态分布初始化。 ? CNN-1体系结构。 前馈NN 前馈(NN):一个简单的3层全连接前馈神经网络 典型相关分析(CCA):典型相关分析是寻找目标频率和信号之间相关性的常用方法。 总体而言，神经网络的结果比CCA更可靠，因为CCA表现出明显较低的性能。 深度神经网络通常在处理大量数据时表现更好。找出优于传统方法所需的数据量。作者在不同的训练样本容量下验证了算法的有效性。 ?
83441发布于 2020-07-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号