癫痫是大脑神经元细胞突发性反复超同步的异常放电所导...
癫痫是大脑神经元细胞突发性反复超同步的异...
病情描述（发病时间、主要症状、症状变化等）：癫痫是大脑神经元细胞突发性反复超同步的异常放电所导致短暂的大脑功能性障碍的一种脑部疾病其特征是突发性和反复性有着多种多样的表现主要有愣神、咂嘴、吞咽点头……有时候仅仅是持续几秒钟的小动作很有可能是癫痫发作的前兆
签约家庭医生服务，直接与医生电话沟通，咨询更便捷，解答问题更详细，同时可获得健康顾问提供的健康管理服务。
医院出诊医生
擅长：儿童癫痫，难治性癫痫，癫痫大发作
擅长：疑难性癫痫、顽固性癫痫、原发性继发性癫痫
擅长：顽固性癫痫、原发性、继发性癫痫
提问者采纳
因不能面诊，医生的建议及药品推荐仅供参考
专长：器官移植、性功能障碍、心血管外科
&&已帮助用户：220741
指导意见：是的治疗癫痫一定要从发作机制入手修复受损的神经元细胞平衡异常放电才能彻底杜绝异常放电达到临床治愈的目的
职称：医师&
专长：难治型癫痫采用中西医结合治疗
问题分析：癫痫是一种疾病和综合征，以脑部神经元反复突然过度放电所致的间歇性中枢神经系统功能失调为特征。是一种起源于大脑，并反复发作的运动感觉、自主神经、意识和精神状态不同程度的障碍。这个定义概括了癫痫症状的复杂性，更概括了癫痫的两个基本特征，即反复性和发作性。所谓反复性，是指有第一次发作后，间隔一段时间后，肯定会有第二次、第三次以至多次发作。即使是最常见的抽搐，如果只发生一次，也就不具备反复性，是不能诊断为癫痫的。所谓发作性，是指症状突然出现，也突然中止。我们也许曾见过有的患者正在行走中或吃饭时突然倒地抽搐，过一段时间后又恢复正常。还有一些患有腹型癫痫的儿童在玩得正高兴时突然剧烈腹痛，啼哭不止或倒地不起，几分钟或几十分钟后完全消失又继续玩耍。不论癫痫的症状多么复杂，都必须具备这两个特征。这也是诊断癫痫的重要依据。意见建议：癫痫的治疗目前还是首选药物治疗为主药物治疗多数的病人都是可以达到比较理想的效果，有一少部分适合手术治疗比如脑肿瘤、脑出血等器质性病变。但手术治疗也有复发的可能，术后还需要坚持服用药物治疗。
职称：医师&
专长：女性癫痫、儿童癫痫、老年性癫痫、成年人癫痫
问题分析：癫痫（epilepsy）即俗称的“羊角风”或“羊癫风”，是大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病。据中国最新流行病学资料显示，国内癫痫的总体患病率为7.0‰，年发病率为28.8/ 10 万，1年内有发作的活动性癫痫患病率为4.6‰。据此估计中国约有900万左右的癫痫患者，其中500～600万是活动性癫痫患者，同时每年新增加癫痫患者约40万，在中国癫痫已经成为神经科仅次于头痛的第二大常见病。意见建议：药物治疗是控制癫痫病情的主要治疗方法。药物治疗应该调整抗癫痫药物控制癫痫发作，精神行为异常也可以相应地减轻或缓解，对于精神行为异常明显者，可以同时采用相应药物治疗。
职称：主治医师&
专长：女性癫痫、儿童癫痫、老年性癫痫、成年人癫痫
问题分析：很多原因都可以引起癫痫特别是大脑皮质的病变一般认为与下列四种因素有关：
1遗传因素在一些有癫痫病史或有先天性中枢神经系统或心脏畸形的病人家族中容易出现癫痫；
2脑损害与脑损伤在胚胎发育中受到病毒感染放射线照射或其它原因引起的胚胎发育不良可以引起癫痫;胎儿生产过程中产伤也是引起癫痫的一个主要原因;颅脑外伤也可引起癫痫；
3颅脑其它疾病脑肿瘤脑血管病颅内感染等；
4环境因素;男性病人较女性病人稍多农村发病率高于城市另外发热精神刺激等也是癫痫发生的诱因。意见建议：癫痫病确实是一个顽疾，癫痫是由于神经元细胞异常放电所致的一中慢性脑部疾病癫痫的治疗应该从癫痫发作的机制入手，癫痫发作是由于神经元异常放电所致，只有真正神经元细胞正常了，才能彻底杜绝癫痫的发作。
职称：医师&
专长：对各种难治性癫痫病的临床诊断、精确分型及个性化治疗...
问题分析：癫痫俗称羊羔疯，由于大脑神经元细胞群复方超同步异常放电所致的复方性、发作性、短暂性中枢神经系统功能失常为特性脑部疾病，临床上常见的症状：突然失去意识、四肢抽搐、口吐白沫、双眼上翻等。意见建议：所有药物都是通过降低大脑细胞兴奋性来发挥控制发作，而且长期药物累积不排除导致体内血液浓度过高而出现药物中毒引发一系列不适症状。部分患者体内药物浓度过高时，不但无法控制发作还会增加发作次数。癫痫发作是由于大脑神经元细胞异常放电导致临床癫痫症状，要杜绝癫痫发作就必须修复受损神经元细胞平衡异常放电，建议去神经内科较权威的医院检查脑神经元细胞受损部位及受损程度，然后进行修复平衡异常放电杜绝癫痫发作。
职称：副主任医师&
专长：擅长中西医结合治疗癫痫病
问题分析：癫痫饮食注意事项尽量少用兴奋性饮料。饮料中含咖啡因可使大脑细胞兴奋，异常放电，使癫痫发作。 饮食清淡，忌烟酒、浓茶，不要暴饮暴食，不要食用辛辣刺激的食品及含大量咖啡因的食物。意见建议：癫痫能否治好，除了药物因素外，还跟患病的病因、类型和年龄因素有关。一般来说，癫痫患者只要通过恰当的治疗后，发作次数可逐渐减少，发作周期逐步延长。
专长：牙列不齐、牙周炎、牙龈炎
&&已帮助用户：222311
指导意见：你好癫痫只要修复受损的神经元细胞平衡异常放电才能彻底杜绝异常放电治愈癫痫建议患者去正规医院治疗、
专长：龋齿、扁平苔藓、口腔溃疡
&&已帮助用户：221565
指导意见：据悉目前我国有上百万的患者被癫痫病困扰着但是由于癫痫发病机理非常复杂因此目前国内都没有能有效治疗癫痫的方法
专长：脉管炎、内分泌、中风
&&已帮助用户：222623
指导意见：患儿的这种症状确实和失神性癫痫的临床表现很相似失神性癫痫一般表现为：突发性精神活动中断意识丧失、可伴肌阵挛或自动症一次发作数秒至十余秒脑电图出现3次/秒棘慢或尖慢波综合所以患者的症状确实考可能为癫痫但是诊断是根据患者的临床表现及实验室的检查结果综合判断的因为癫痫是大脑神经元异常放电导致的异常放电可干扰脑电波形成病理性脑电图；所以建议及时到正规专业的医院做脑电图相关检查
专长：中医儿科，中医内科
&&已帮助用户：221481
指导意见：癫痫是大脑皮层异常放电就目前来看治疗癫痫的常用药物主要有七大类需要根据每个人的具体情况用药副作用都很大治疗效果也不是很理想一些所谓的纯中药都是加入了这起类药物的一种或几种还有种治疗方法：国安医院手术施分离型脑起搏器治疗它是纯物理治疗是应用物理学原理以磁治电的先进治疗方案根治率很高可以考虑
职称：医师
专长：高血压、心脑血管病
&&已帮助用户：355977
指导意见：你好，癫痫只要修复受损的神经元细胞，平衡异常放电，才能彻底杜绝异常放电，治愈癫痫。建议患者去正规医院治疗、
专长：儿童癫痫、青年癫痫、老年人癫痫、女性癫痫
问题分析：出现这些症状，尤其这种情况的癫痫每发作一次，脑细胞受损一次，长期发作会导致记忆力下降，智力下降，严重者可影响正常生活，学习和工作等。意见建议：癫痫病患者不要吃易上火的东西;要保持良好的心境，不生气;多做体育运动加强体质减少感冒的发生。平时注意第一注意饮食尽量清淡少肉类特别是猪肉（猪肥肉绝对禁忌）其他肉类适量。多吃一些富含维他命B、C的食物，新鲜蔬菜以及富含矿物质胆碱的食物如杏香蕉葡萄橙海藻鱼蛋黄和卷心菜等。玉米糙大米全小麦黄豆蒜头蘑菇酵母奶动物肝脏沙丁鱼瘦肉类等亦有益于脑。
问癫痫是大脑神经元细胞突发性反复超同步的异常放电所导...
专长：牙列不齐、牙周炎、牙龈炎
&&已帮助用户：222311
指导意见：你好癫痫只要修复受损的神经元细胞平衡异常放电才能彻底杜绝异常放电治愈癫痫建议患者去正规医院治疗、
问癫痫是大脑神经元细胞突发性反复超同步的异常放电
专长：梅毒、淋病、湿疹
&&已帮助用户：221957
是的，治疗癫痫一定要从发作机制入手，修复受损的神经元细胞，平衡异常放电，才能彻底杜绝异常放电！达到临床治愈的目的！
问大脑神经元异常放电是什么引起的
专长：颈腰椎病、神经外科普外科、心胸外科
&&已帮助用户：0
一旦出现癫痫发作不必惊慌应立即将患者平卧、头偏向一侧迅速松开衣领和裤带将毛巾塞于上下牙齿之间以免咬伤舌头不可强行按压抽搐的身体以免骨折及脱臼如出现癫痫持续状态应及时送医院治疗眷终止癫痫发作
问癫痫的发作是不是主要是脑部神经元受损导致的异常放电产生发作的？
职称：医师
专长：儿科、
&&已帮助用户：10069
病情分析： 你好，你说的有一定道理。癫痫发作是由于大脑神经元细胞异常放电所导致的，异常放电出现是因为脑神经元细胞受损。癫痫是慢性反复发作性短暂脑功能失调综合征。以脑神经元异常放电引起反复痫性发作为特征。意见建议：治疗需要针对癫痫发病根源，通过“四大基因”的协同作用，调控脑细胞的生命活动规律，恢复脑内高级神经功能，快速阻断大脑神经元异常放电，促进新细胞再生，修复受损神经元细胞，平衡异常放电，从而达到临床治愈的目的。
问大脑神经元异常放电是什么引起的
专长：龋齿、扁平苔藓、口腔溃疡
&&已帮助用户：221565
一旦出现癫痫发作不必惊慌应立即将患者平卧、头偏向一侧迅速松开衣领和裤带将毛巾塞于上下牙齿之间以免咬伤舌头不可强行按压抽搐的身体以免骨折及脱臼如出现癫痫持续状态应及时送医院治疗眷终止癫痫发作
问神经元异常放电，是癫痫应该有的症状吗？
职称：主任医师
专长：脑瘫、脑发育不良、脑萎缩、帕金森、脑外伤后遗症及神经系统遗传性疾病的诊断和治疗。
&&已帮助用户：14576
指导意见：脑神经元异常放电引起反复癫痫性发作为主要特征，其中癫痫的主要的症状包括全面强直-阵挛发作（大发作）、单纯部分发作、复杂部分发作、失神发作（小发作）和癫痫持续状态等。建议到正规的专科医院进行专业的系统检查，早日确诊，才能对症治疗。
关注此问题的人还看了
大家都在搜：
关注健康生活！
癫痫反复确实是很多病人的困扰，请咨询成都癫痫专医生......
您好，癫痫并非不治之症，只有选择合适的治疗方法才是正确的方法…
癫痫反复确实是很多病人的困扰，请咨询成都癫痫专医生......
癫痫多年反复发作、抽搐、中西医治疗效果怎样？
求助！我是成都本地人，得癫痫多年，想咨询成都癫痫病医生....
百度联盟推广
癫痫相关标签
癫痫（epilepsy）即俗称的羊角风或羊癫风，是大脑神经元突发性异常放电，导致短暂的大脑功能障碍的...
免费向百万名医生提问
填写症状 描述信息，如：小孩头不发烧，手脚冰凉，是怎么回事？
无需注册，10分钟内回答
搜狗联盟推广
百度联盟推广
医生在线咨询
评价成功！原来大脑是这么工作的：神经科学学术笔记原来大脑是这么工作的：神经科学学术笔记大脑到底是怎么工作的呢，这个是当今科学界十分重要…关注专栏更多置顶文章最新文章{&debug&:false,&apiRoot&:&&,&paySDK&:&https:\u002F\u002Fpay.zhihu.com\u002Fapi\u002Fjs&,&wechatConfigAPI&:&\u002Fapi\u002Fwechat\u002Fjssdkconfig&,&name&:&production&,&instance&:&column&,&tokens&:{&X-XSRF-TOKEN&:null,&X-UDID&:null,&Authorization&:&oauth c3cef7c66aa9e6a1e3160e20&}}{&database&:{&Post&:{&&:{&title&:&运动相关皮层对运动的作用&,&author&:&jingjie.li&,&content&:&\u003Cp\u003E特定的运动需要一系列的感受-运动转换（Sensorimotor Transformation）模型来完成。他们大体是这样的:\u003Cimg src=\&e7b62ff9dc3fd0468e73cbe.png\& data-rawwidth=\&1002\& data-rawheight=\&371\&\u003EStep 1:人们的眼睛看到了目标，在这个时候，视觉是以人的眼睛为坐标呈现的。\u003C\u002Fp\u003E\u003Cp\u003EStep 2：通过运动规划，人们知道了目标与手的相对位置（the endpoint trajectory）\u003C\u002Fp\u003E\u003Cp\u003EStep 3：通过逆转运动学转换（Inverse Kinematics），人得以对手臂如何运动得以规划\u003C\u002Fp\u003E\u003Cp\u003EStep 4：最后通过逆转动力学转换，得以驱动肌肉，最终实现运动的规划。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E那么在这一系列的过程中，皮层在起着怎样的作用呢?\u003C\u002Fp\u003E\u003Cp\u003E让我们首先来看看运动相关的皮层\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&d77c65ad6b0bbfaf089f3bf.png\& data-rawwidth=\&522\& data-rawheight=\&443\&\u003E在大脑中，主要有三块区域与运动直接相关，分别是：\u003Cb\u003EPrimary Motor Cortex、Supplementary motor aera、Premotor cortex\u003C\u002Fb\u003E。其次，\u003Cb\u003EPrefrontal Lobe、Parietal Lobe\u003C\u002Fb\u003E相关区域也对运动有很大的贡献。\u003C\u002Fp\u003E\u003Cp\u003E在早期的研究中，人们通过电流刺激皮层相关区域发现，对primary motor cortex的刺激可以直接引发运动，并且这种刺激在皮层上的位置一定程度上是映射到身体的相关位置，我们称之为皮层上的motor map。\u003Cimg src=\&dce1bc9b6.png\& data-rawwidth=\&458\& data-rawheight=\&478\&\u003E由此，人们推断——运动的信息是由Primary Motor Cortex直接掌控的，而Supplementary motor aera、Premotor cortex则编码一些复杂、抽象的运动信息。\u003Cb\u003E这种观点是很有局限性的\u003C\u002Fb\u003E。\u003C\u002Fp\u003E\u003Cp\u003E进一步的研究发现，Primary Motor Cortex对肢体运动的表征并不是非常精确。例如猴脑对手的一个表征。手指、手掌与前肢的motor map中间存在着相当一部分重叠的区域（下图绿色区域）\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cimg src=\&399a843fb967b14a36afaa7c.png\& data-rawwidth=\&779\& data-rawheight=\&488\&\u003E我们认为造成这样不精确表征的原因有以下两点\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E1.皮层中的运动神经元束与通过复杂的分叉与脊髓相连接。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E人们发现（Rathelot and Strick ,2006.)，控制某个手的肌肉的皮层运动神经元中都是比较“广泛”分布的\u003C\u002Fp\u003E\u003Cimg src=\&f1d38c583da2fbc1cca88a.png\& data-rawwidth=\&344\& data-rawheight=\&557\&\u003E\u003Cp\u003E我们认为是皮层运动神经元对脊髓的复杂分叉连接导致的这种分叉现象，如下图。\u003Cimg src=\&d3a6aebc684d9a3ea152f5.png\& data-rawwidth=\&836\& data-rawheight=\&474\&\u003E\u003Cb\u003E2. primary motor cortex的群体编码特性：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E在对某一特定方向运动的研究中，人们发现， primary motor cortex的神经元会对某个特定方向的运动偏向性的兴奋。（Georgopoulos .,et al. 1982）但反过来，单个神经元的激活却并不能决定这个运动的方向。进一步的研究揭示了运动皮层神经的某些编码机制：群体编码。如果我们能吧某一神经元的激活情况（Firing Rate）定义为在其偏好的激活方向上的向量的模长，那么将附近的一群神经元激活与其方向的\u003Cb\u003E向量相加\u003C\u002Fb\u003E，我们会得到一个有方向的向量，我们发现这个向量的方向与真正运动的方向非常的接近。（Georgopoulos .,et al. 1983）\u003C\u002Fp\u003E\u003Cimg src=\&9ec599c1e2effccda5f224.png\& data-rawwidth=\&430\& data-rawheight=\&445\&\u003E\u003Cp\u003E这就是初级运动皮层神经元的群体编码模型。\u003C\u002Fp\u003E\u003Cp\u003E再来谈谈Supplementary motor aera、Premotor cortex、Parital Cortex对运动的影响\u003C\u002Fp\u003E\u003Cp\u003E传统的观点认为，运动皮层仅仅负责运动信号的处理，而高级的决策、选择等则有高级皮层进行。然而进一步的研究否认了上述观点。运动皮层也有相当多的高级功能。\u003C\u002Fp\u003E\u003Cp\u003E现在的研究认为，Premotor cortex在对运动的规划的形成、引导运动的知觉决策、运动技能的学习、甚至理解他人运动中起着重要的作用；Supplementary motor aera在选择和执行自主运动中起着重要作用。\u003C\u002Fp\u003E\u003Cp\u003E此外，对于运动的指导还需要其他信息，比如物体的视觉位置信息等，\u003Cb\u003EParital Cortex为运动建立了人周围空间的表现。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003ESuperior Parietal Cortex利用感觉信息来引导手臂向目标运动。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&4dba3ab358dbb33d6202f8.png\& data-rawwidth=\&587\& data-rawheight=\&395\&\u003E在这个皮层的某些细分的区域（如VIP区）神经元对物理触摸与视觉的刺激都会响应（Duhamel, Colby, and Goldberg 1998）他们不光接受来自视觉背侧通路相关皮层（MT）的信号，还接受某些躯体感受皮层的信号（SI）。但是这种表征仍然是对头部的相对位置。沿通路向上，当神经发放从VIP区域传递到F4区域后，对刺激的\u003Cb\u003E感受野被转换成相对于身体的特定部位\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cimg src=\&b18fe124de9fcf09bb92b0fe.png\& data-rawwidth=\&477\& data-rawheight=\&775\&\u003E\u003Cp\u003E\u003Cb\u003E正是这个过程完成了视觉-运动的第一步转换\u003C\u002Fb\u003E（见本文开头）\u003C\u002Fp\u003E\u003Cp\u003E在Inferior Parital Cortex中，神经元将\u003Cb\u003E特定的物理属性与特定的运动行为关联\u003C\u002Fb\u003E。在AIP区，人们让猴子在明亮或者昏暗的环境下抓握物体，实验显示，这些神经元可以被分为三组：视觉主导\u002F运动主导、视觉-运动（visuo-motor）神经元。（Murata et al. 2000.)这三种神经元用视觉输入，编码特定物体的视觉可见性，并把他们与特定的运动行为联系起来。\u003C\u002Fp\u003E\u003Cp\u003E此外，人们还发现许多Inferior Parital Cortex的神经元\u003Cb\u003E与运动的目的有关\u003C\u002Fb\u003E，比如同样的抓握动作，用于取食和移位会对这些神经元的激发图谱产生影响。（Fogassi et al. 2005.)\u003C\u002Fp\u003E\u003Cp\u003EPremotor cortex所表征的运动信息一般是\u003Cb\u003E更为抽象的信息\u003C\u002Fb\u003E，\u003Cb\u003E倾向更为抽象的运动目标与意图，而不是具体的执行方式。\u003C\u002Fb\u003E比如一个简单的例子，左右手。在Primary Motor Cortex中，运动的控制是严格按照对侧控制进行的，然而在Premotor cortex中，却看不到这样的现象。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&bfb4e750c228eb3ac0f71.png\& data-rawwidth=\&787\& data-rawheight=\&746\&\u003E（Cisek, Crammond, and Kalaska 2003.)\u003C\u002Fp\u003E\u003Cp\u003EVentral Premotor Cortex中（F5）的神经元的活动有一些有趣的现象，当看到一个物体的时候。他们会对某一种特定的抓握形式激活，甚至某一种特定的形状激活。虽然对某个物体有许许多多种抓握方式，但我们只会选择其中的一种，这表现了对于\u003Cb\u003E抓握方式\u003C\u002Fb\u003E的一种\u003Cb\u003E计划\u003C\u002Fb\u003E。那么既然会对所有被注意到的物体都产生这样的激活，为什么我们不会对所有注意到的物体产生抓握的行为呢？这是由于Supplementary motor aera中某些区域的贡献：人们认为，SMA、pre-SMA的神经元会\u003Cb\u003E编码运动的意图与执行的决策，\u003C\u002Fb\u003E这些区域的缺损甚至会导致\u003Cb\u003E强迫性抓握\u003C\u002Fb\u003E的发生。当下的研究还显示，SMC纠缠在运动序列的组织与与执行序列上（Tanji 2001.）。\u003C\u002Fp\u003E\u003Cp\u003EPremotor Cortex的非运动直接相关的作用：\u003C\u002Fp\u003E\u003Cp\u003E1.Premotor Cortex也会在人的决策中发挥作用。（这个就不细说了）\u003C\u002Fp\u003E\u003Cp\u003E2.Premotor Cortex中有的区域（F5）会编码其他个体的运动信息，他们被称作镜像神经元，在我们理解他人的运动意图中发挥了重要的作用。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E最后，我们回到本文的开头部分。特定的运动需要一系列的感受-运动转换（Sensorimotor Transformation）模型来完成。他们都被运动相关的皮层所表征、计算。\u003C\u002Fp\u003E\u003Cp\u003EStep 1:人们的眼睛看到了目标，在这个时候，视觉是以人的眼睛为坐标呈现的。\u003C\u002Fp\u003E\u003Cp\u003E我们看到了目标，视觉信息被其背侧通路处理，到VIP区，并涉及一些触觉信息进入。\u003C\u002Fp\u003E\u003Cp\u003EStep 2：通过运动规划，人们知道了目标与手的相对位置（the endpoint trajectory）\u003C\u002Fp\u003E\u003Cp\u003E在这时，神经活动从VIP区传递导到了F4区域，细胞的感受野也变成了躯体位置相关。\u003C\u002Fp\u003E\u003Cp\u003EStep 3：通过逆转运动学转换（Inverse Kinematics），人得以对手臂如何运动得以规划\u003C\u002Fp\u003E\u003Cp\u003E在这是，Premotor相关区域规划运动，进行抽象的运动学编码、决策。进一步送入初级运动皮层进行更具体的动力学编码。\u003C\u002Fp\u003E\u003Cp\u003EStep 4：最后通过逆转动力学转换，得以驱动肌肉，最终实现运动。\u003C\u002Fp\u003E\u003Cp\u003E在小脑与脊椎环路的配合下，初级运动皮层的发放被进一步的转换成肌肉的命令，完成运动。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003EReference：\u003C\u002Fp\u003E\u003Cp\u003E［1］Kandel, Eric R., James H. Schwartz, and Thomas M. Jessell.Principles of Neural Science. 5th ed. New York: McGraw-Hill, Health Professions Division, 2013. Print.\u003C\u002Fp\u003E\u003Cp\u003E［2］Rathelot JA, Strick PL. 2006. Muscle representation in the acaque motor cortex: an anatomical perspective. Proc atl Acad Sci U S A 103:.\u003C\u002Fp\u003E\u003Cp\u003E［3］Georgopoulos AP, Kalaska JF, Caminiti R, Massey JT. 1982. On the relations between the direction of two-dimensional arm movements and cell discharge in primate motor cortex.J Neurosci 2:.\u003C\u002Fp\u003E\u003Cp\u003E［4］Georgopoulos AP, Caminiti R, Kalaska JF, Massey JT. 1983. Spatial coding of movement: A hypothesis concerning thecoding of movement direction by motor cortical populations.Exp Brain Res Suppl 7:327–336\u003C\u002Fp\u003E\u003Cp\u003E［5］Duhamel JR, Colby CL, Goldberg ME. 1998. Ventral intraparietal area of the macaque: congruent visual and somatic response properties. J Neurophysiol 79:126–136.\u003C\u002Fp\u003E\u003Cp\u003E［6］Murata A, Gallese V, Luppino G, Kaseda M, Sakata H. 2000. Selectivity for the shape, size, and orientation of objects for grasping in neurons of monkey parietal area AIP. J Neurophysiol 83:\u003C\u002Fp\u003E\u003Cp\u003E［7］Fogassi L, Ferrari PF, Gesierich B, Rozzi S, Chersi F, Rizzolatti G. 2005. Parietal lobe: from action organization to intention understanding. Science 308:662–667.\u003C\u002Fp\u003E\u003Cp\u003E［8］Cisek P, Crammond DJ, Kalaska JF. 2003 Neural activity in primary motor and dorsal premotor cortex in reaching tasks with the contralateral versus ipsilateral arm. J Neurophysiol89:922–942.\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E================================分割线================================\u003C\u002Fp\u003E\u003Cp\u003E其实我也不是特别专业的人士，只是一个本科生，一直在坚持学这方面的东西。这个就是我近期学习的一个总结，也经常忘，条理性也不是特别完备，希望大家可以提出宝贵的批评意见。\u003C\u002Fp\u003E\u003Cp\u003E（如果有幸被专业人士看到）我挺想以这个领域为科研方向的，希望有前辈可以给我提供一些暑期访学交流啥的，干干科研苦力活机会的信息。\u003C\u002Fp\u003E\u003Cp\u003E如果有对神经科学很感兴趣的同学，也可以加入我们qq群：，一块探讨一些学术上和学习上的问题。\u003C\u002Fp\u003E&,&updated&:new Date(&T15:48:27.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:6,&likeCount&:37,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:true,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T23:48:27+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\u002Fpic1.zhimg.com\u002Fe2fa3b25b_r.jpg&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:6,&likesCount&:37},&&:{&title&:&神经可塑性方面经典文献&,&author&:&jingjie.li&,&content&:&\u003Cp\u003E视觉皮层可塑性最开始的文献\u003C\u002Fp\u003E\u003Cp\u003EHubel, D. H., T. N. Wiesel, and S. Levay. \&Plasticity of ocular dominance columns in monkey striate cortex. \& \u003Ci\u003EPhilosophical Transactions of the Royal Society B Biological Sciences\u003C\u002Fi\u003E 278.961(9.\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003ELTP与视觉皮层可塑性有关（对就是海马短期记忆那个LTP）\u003C\u002Fp\u003E\u003Cp\u003EKirkwood, Alfredo, H. K. Lee, and M. F. Bear. \&Co-regulation of long-term potentiation and experience-dependent synaptic plasticity in visual cortex by age and experience. \& \u003Ci\u003ENature\u003C\u002Fi\u003E 375.):328-331.\u003C\u002Fp\u003E\u003Cp\u003E抑制局部的抑制性神经元可以产生局部功能的可塑性，而且不会改变LTP的特性（这一点跟m1皮层很相似）\u003C\u002Fp\u003EHensch, T. K., et al. \&Local GABA Circuit Control of Experience-Dependent Plasticity in Developing Visual Cortex.\& \u003Ci\u003EScience\u003C\u002Fi\u003E282.):1504-8.\u003Cp\u003E人工植入一些抑制性神经元，可以在成年期诱导皮层可塑性的变化。\u003C\u002Fp\u003E\u003Cp\u003ESouthwell, D. G., et al. \&Cortical plasticity induced by inhibitory neuron transplantation. \& \u003Ci\u003EScience\u003C\u002Fi\u003E 327.):1145-8.\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003Ekey：神经生长因子可以降低可塑性\u003C\u002Fp\u003E\u003Cp\u003ETropea, D, et al. \&Gene expression changes and molecular pathways mediating activity-dependent plasticity in visual cortex. \& \u003Ci\u003ENature Neuroscience\u003C\u002Fi\u003E 9.5(.\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E损毁一些细胞间质的东西（CSPGs？)可以在成熟的皮层中重新激活皮层可塑性\u003C\u002Fp\u003E\u003Cp\u003EPizzorusso, Tommaso, and L. Maffei. \&Reactivation of ocular dominance plasticity in the adult visual cortex. \& \u003Ci\u003EScience\u003C\u002Fi\u003E 298.):1248-51.\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E先前的经验可以加强成年期的皮层可塑性（在幼年期皮层可塑性高的时候进行一些遮掉一个眼睛的实验，然后通过可塑性让他恢复，成年期可以再通过遮挡达到一定的可塑性改变）\u003C\u002Fp\u003E\u003Cp\u003EBhofer S., et, al. \&Prior experience enhances plasticity in adult visual cortex.\&\u003Ci\u003ENature Neuroscience\u003C\u002Fi\u003E 9.1 (2006).\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E成年动物通过奖赏激励也可以发生明显的皮层可塑性变化\u003C\u002Fp\u003E\u003Cp\u003EWeinberger, N. M. \&Specific long-term memory traces in primary auditory cortex. \& \u003Ci\u003ENature Reviews Neuroscience\u003C\u002Fi\u003E 5.4(.\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E视网膜缺损也可以在成年期诱导发生v1皮层视网膜拓扑的变化（v1皮层可塑性）\u003C\u002Fp\u003E\u003Cp\u003EHkaas J., et, al. \&Reorganization of retinotopic cortical maps in adult mammals after lesions of the retina.\& \u003Ci\u003EScience\u003C\u002Fi\u003E 248.) : 229-231.\u003C\u002Fp\u003E&,&updated&:new Date(&T00:16:45.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:10,&likeCount&:51,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T08:16:45+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\u002Fpic1.zhimg.com\u002F632fdddedd85a55d83e17472edec0bff_r.jpg&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:10,&likesCount&:51},&&:{&title&:&【略专业】读心术怎么读? Gallant的Voxel-Wise模型&,&author&:&jingjie.li&,&content&:&\u003Cp\u003E文／ 李竞捷
\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fcce9ff9313b9\& data-hash=\&cce9ff9313b9\& class=\&member_mention\& data-tip=\&p$b$cce9ff9313b9\&\u003E@赵思家\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E赵阿姨の导读：\u003C\u002Fp\u003E\u003Cp\u003E读脑技术哪家强，伯克利找Gallant。\u003C\u002Fp\u003E\u003Cp\u003E加州伯克利的Gallant所带领的实验室，一直对大脑视觉听觉信号解码非常热衷，从科普的角度，可以将这个目标描述为「读心术」。\u003C\u002Fp\u003E\u003Cp\u003E通过核磁共振成像的扫描，来推测你看到了、听到了什么。由此，未来可能可以推测你在思考什么（因为思考时也有Inner speech）。\u003C\u002Fp\u003E\u003Cp\u003E这篇专栏专业性略强，推荐给对大脑词汇地图背后的分析模型感兴趣的小伙伴来阅读。如果你从来没有接触过核磁共振成像、或是对脑成像分析不了解，还请先谷歌一下，再开始阅读。\u003C\u002Fp\u003E\u003Cp\u003E另外，这篇文章的原作者是李竞捷，而我进行了编辑和修改。\u003C\u002Fp\u003E\u003Cp\u003E他是一名西安交通大学大一学生，现在在寻找暑期lab实习的机会（对，这是给他的硬广）。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E李竞捷：\u003C\u002Fp\u003E\u003Cp\u003E这篇是我对Voxel-Wise模型的一个简单概述。想对这个有更多了解的小伙伴，可以去留意我的专栏。有一个具体步骤的详细版：想要代码的同学看一下这个文章的声明部分，然后可以私信联系我\u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F\& class=\&internal\&\u003E详细介绍一下Voxel-Wise模型 - 原来大脑是这么工作的：神经科学学术笔记 - 知乎专栏\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E五月初，Gallant他们组弄了个大新闻，发了一个Nature封面文章：\u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F\& class=\&internal\&\u003E大脑词汇地图——4月27日最新自然封面文章 - 神经科学 - 知乎专栏\u003C\u002Fa\u003E。（具体怎么回事你们看看这个专栏文章就好了）\u003C\u002Fp\u003E\u003Cp\u003E这篇文章虽然被媒体疯转，但也有人跳出来对这个研究结果产生质疑。我们先不谈这个研究的重要性和准确性，先来强行科普一下，他们是怎么处理数据的。\u003C\u002Fp\u003E\u003Cimg src=\&2e140c277c0d73e7e9e4.png\& data-rawwidth=\&880\& data-rawheight=\&307\& width=\&880\& data-original=\&https:\u002F\u002Fpic1.zhimg.com\u002F2e140c277c0d73e7e9e4_r.png\&\u003E\u003Cp\u003E关键词是Voxel-Wise模型 。这个模型将外界信号（如声音或者图片）和相对应的大脑反应（也就是BOLD信号）进行「寻找信号中的特征」。譬如，挑西瓜的时候，你会敲敲西瓜看它的声音如何，来判断它是不是个好西瓜。这就是个特征。通过寻找外界信号中的特征，然后拟合为相应的BOLD信号。因为核磁共振扫描图上，是按照一个一个立体像素（voxel）为单位的（后面会详细介绍什么是体素）。而这个模型是通过将每个Voxel的BOLD信号，都和外界信号拟合。拟合是什么意思呢？简单地说，A拟合B，就是强行将A和B联系起来，并将之间的这个联系量化。因为每个Voxel都要经过这样的分析，所以这个模型叫Voxel-wise。\u003C\u002Fp\u003E\u003Cp\u003EGallant\n他们组这个研究用的一些语义、词性上面的一些东西作为特征然后拿这些特征去跟功能性核磁共振成像（fMRI)检测到的大脑活动去做进行强行关联。其实就是那种最基本最简单的机器学习模型。\u003C\u002Fp\u003E\u003Cp\u003E简单的来说就是找规律。找权值，让这些特征的数量乘我找到的权值，再把所有特征加起来，就成了我预测到的大脑这个体素（Voxel）的活动数值，这就是我强行关联的过程。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cimg src=\&435cddc840fc445fec88.png\& data-rawwidth=\&438\& data-rawheight=\&289\& width=\&438\& data-original=\&https:\u002F\u002Fpic1.zhimg.com\u002F435cddc840fc445fec88_r.png\&\u003E\u003Cp\u003E图1：线性回归，就是找规律了，在这里x轴就代表一个特征，只不过我们提到的这个Voxel-wise模型输入的特征更多。图片来自Wikipedia）\u003C\u002Fp\u003E\u003Cp\u003E什么是体素呢？像素就是二维的成像最小单元，体素就是三维的最小单元。也是fMRI结果的最小单位。我们扫的就是这一小块一小块「肉」的血流信号，然后可以用这个血流信号来间接反映大脑的神经活动。\u003C\u002Fp\u003E\u003Cp\u003E找到规律了以后，观察权值的大小（比如线性回归里面拟合出来直线的斜率和截距）。这样我们就可以看某一个「特征」对这个体素的活跃程度影响有多大。 找到对每一个「特征（某一种语义）」非常敏感的体素，我们就可以画出来对这个特征的大脑反应地图啦。\u003C\u002Fp\u003E\u003Cp\u003E这个模型说起来简单，实现起来问题实际上有很多。\u003C\u002Fp\u003E\u003Cp\u003E但是为什么在最新的这个词义地图的研究中，说他们是在用老方法呢？因为几年前他们就在用这个方法发了更具有代表性的论文(Kay et al. 2008)。（回到我比较熟悉的视觉领域）\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cimg src=\&ea68fee33be1d7af5c8f.png\& data-rawwidth=\&376\& data-rawheight=\&384\& width=\&376\&\u003E\u003Cp\u003E志愿者躺在fMRI中边看这样的图（1750张），边接受fMRI扫描。\u003C\u002Fp\u003E\u003Cp\u003E怎么提取图片的特征呢？因为我们知道初级视觉皮层（v1）是对视野里的边缘朝向信息敏感的。所以我们用Gabor小波模型来在图片中提取这些朝向的信息作为特征。他们生成一堆各种尺度（不同空间频率），各种朝向的Gabor小波。如下图（这是我生成的小波）：\u003C\u002Fp\u003E\u003Cimg src=\&d86adb55c808b3b28d1c80f64da41a1d.png\& data-rawwidth=\&518\& data-rawheight=\&189\& width=\&518\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002Fd86adb55c808b3b28d1c80f64da41a1d_r.png\&\u003E\u003Cp\u003E然后拿这些小波矩阵去和图片的矩阵投影（就是看看这个图片里这个小波的成分又多大），得到一个数值，这就是我们提取出来的特征了。\u003C\u002Fp\u003E\u003Cp\u003E再用这些数值和大脑的活动去给每个小体素都做线性回归（强行关联）。最后就可以得到对这个体素的预测活动了。我就建立出来了他们的Voxel-Wise模型。\u003C\u002Fp\u003E\u003Cimg src=\&55b0fafa85ed9.png\& data-rawwidth=\&737\& data-rawheight=\&439\& width=\&737\& data-original=\&https:\u002F\u002Fpic2.zhimg.com\u002F55b0fafa85ed9_r.png\&\u003E\u003Cp\u003E上面这个图是（Kay et al. 2008) 的supplementary材料，非常清楚地解释了这个过程。 简单来说就是取这些小波，投影，乘上权值加起来（weight），再来一个偏移量，就可以得到对大脑的预测响应数值。\u003C\u002Fp\u003E\u003Cp\u003E我们是怎么算出来这个权值到底是多少的呢？其实就是用线性回归的梯度下降法做的（用了一点点early stopping）（这个其实是一个数学问题，不感兴趣的同学不要在意它，知道我们是可以算出来的就可以了）。\u003C\u002Fp\u003E\u003Cp\u003E但是这个体素（gallant他们扫了25000多个体素）实在是太多了，训练起来也很慢。而且有的体素预测的结果并不好，可以说这些体素在我们后续的处理中并没有什么用，所以我们还得把他们找出来丢掉。就必须实现一个对体素的筛选过程。\u003C\u002Fp\u003E\u003Cp\u003EGallant他们在这里就创新了一下了。主要的创新点如下：\u003C\u002Fp\u003E\u003Cp\u003E先不管对各种方向的响应（吧各个方向上图片的投影平均一下），只管位置和空间频率的信息。然后这下线性回归的特征一下子减少了8倍，好训练了，训练的也快的多了。\u003C\u002Fp\u003E\u003Cp\u003E然后算出来了这些体素的权值，我们再对他们进行可视化的处理（画出来）。\u003C\u002Fp\u003E\u003Cimg src=\&f3ea17d04edda362fa0de.png\& data-rawwidth=\&322\& data-rawheight=\&132\& width=\&322\&\u003E\u003Cp\u003E上面这个图，叫这个体素的感受野图，整个图代表一个视野，白色的地方代表这里的特征权值很大，也就是说它对这个体素活动预测的贡献很大。简单来说，这个感受野的意思就是这个体素只对视野里面这个位置的东西敏感，其他黑色的区域再怎么样对它的活动影响不太大。\u003C\u002Fp\u003E\u003Cp\u003E再来给大家看看我选出来的体素是什么样的：\u003C\u002Fp\u003E\u003Cimg src=\&59ba163547.png\& data-rawwidth=\&600\& data-rawheight=\&350\& width=\&600\& data-original=\&https:\u002F\u002Fpic4.zhimg.com\u002F59ba163547_r.png\&\u003E\u003Cp\u003E这是拟合表现最好，也是感受野表现最好的十个体素。我们可以看到，这些好的「体素」，都是非常明显而且聚焦的感受野特性的。\u003C\u002Fp\u003E\u003Cp\u003E比较初级的视觉皮层是有一个基本规律，这个规律叫做「视网膜拓扑」，即视野里或者视网膜投影上的某一个位置的内容会引发皮层上特定对应位置神经元的活跃。所以我们要找出来感受野是一个聚集的样子的（左边就是一个很理想的体素了），这样就会非常符合视网膜拓扑的规律；相反的，混乱感受野的体素是我们要舍弃的（像右边这样）。最后我们从25000多个体素里面挑了500个很有代表性的体素来做详细的预测，效果会比较好。\u003C\u002Fp\u003E\u003Cp\u003E\n\n\n\n再看看我们做详细训练的结果\n\n\n\n\u003C\u002Fp\u003E\u003Cimg src=\&3e74fa62c8e8fcd8a54d13.png\& data-rawwidth=\&449\& data-rawheight=\&192\& width=\&449\& data-original=\&https:\u002F\u002Fpic4.zhimg.com\u002F3e74fa62c8e8fcd8a54d13_r.png\&\u003E\u003Cp\u003E左边的图这是某一个体素的角度激活特性图（右边的图可以不看，在这个不做具体解释了，感兴趣的话可以看我详细介绍的那个文章）。也就是说当在视野这个体素比较敏感的位置中呈现某些朝向时，这个体素会表现出兴奋，反之则没什么表现。换而言之，也就是这个体素「喜欢看」这个角度的成分。\u003C\u002Fp\u003E\u003Cp\u003E我们可以看到，在45度左右的时候，体素会有一个很活跃的响应，而在90度左右，则非常微弱。这也正好对应了视觉皮层边缘朝向敏感性的特质，只不过一个体素有很多很多神经元，就也融合了很多神经元对特定朝向的偏好性，导致它对着一段朝向特征的敏感。正式这些朝向敏感性的特质，大大提升了图像鉴别的准确性。\u003C\u002Fp\u003E\u003Cp\u003E大体上，这就是Gallant用来「读心术」的方法。提取特征，然后做「强行关联」（线性回归），实现对脑活动的预测。不过细小的问题还有很多，如果你感兴趣可以到我的专栏上去看一看更为细节的文章。\u003C\u002Fp\u003E\u003Cp\u003E必须得强调的是，这个严格的来说不能称得上是读心术。只能说是读出来大脑里某些体素运行（活动）的规律。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E除了这个Voxel-Wise模型以外还有一种「读心术」模型，叫做多体素模式分析（MVPA）。以后有空会再专门写一个专栏文章的。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E参考文献：\u003C\u002Fp\u003E\u003Cp\u003EHuth, A. G., W. A. de Heer, T. L. Griffiths, F. E. Theunissen, and J. L. Gallant. 2016. 'Natural speech reveals the semantic maps that tile human cerebral cortex', \u003Ci\u003ENature\u003C\u002Fi\u003E, 532: 453-8.\u003C\u002Fp\u003E\u003Cp\u003EKay, K. N., T. Naselaris, R. J. Prenger, and J. L. Gallant. 2008. 'Identifying natural images from human brain activity', \u003Ci\u003ENature\u003C\u002Fi\u003E, 452: 352-5.\u003C\u002Fp\u003E\u003Cp\u003EKay, K. N., and J. L. Gallant. 2009. 'I can see what you see', \u003Ci\u003ENat Neurosci\u003C\u002Fi\u003E, 12: 245.\u003C\u002Fp\u003E&,&updated&:new Date(&T12:30:02.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:40,&likeCount&:133,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T20:30:02+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\u002Fpic1.zhimg.com\u002F9cd5a0eb6636bceae070_r.jpg&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:40,&likesCount&:133},&&:{&title&:&［专业向］详细介绍一下Voxel-Wise模型&,&author&:&jingjie.li&,&content&:&在上一篇文章中，我大体介绍了一下voxel-wise model是怎么回事。\u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F\& class=\&internal\&\u003E读心术怎么读？Voxel-Wise模型. - 原来大脑是这么工作的：神经科学学术笔记 - 知乎专栏\u003C\u002Fa\u003E\u003Cp\u003E这个文章是对上一篇文章的一个拓展和深入的讨论。没有基础的同学阅读可能会有很吃力。本文\u003Cb\u003E适合给计算神经科学方向专业的同学来阅读。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E嗯。其实是这样。我最近尝试利用Jack Gallant他们在网上公开的那个data set复现了一下他们当年的文章。全当练习练习。\u003C\u002Fp\u003E\u003Cp\u003E数据来源：\u003Ca href=\&https:\u002F\u002Flink.zhihu.com\u002F?target=https%3A\u002F\u002Fcrcns.org\u002Fdata-sets\& class=\&internal\&\u003ECRCNS - Collaborative Research in Computational Neuroscience\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cp\u003E数据集：Kay, K.N.; Naselaris, T.; Gallant, J. (2011): fMRI of human visual areas in response to natural images. CRCNS.org.\u003Ca href=\&https:\u002F\u002Flink.zhihu.com\u002F?target=http%3A\u002F\u002Fdx.doi.org\u002F10.FK0QN64NG\& class=\&internal\&\u003Ehttp:\u002F\u002Fdx.doi.org\u002F10.FK0QN64NG\u003C\u002Fa\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Ch2\u003E\u003Cb\u003E刺激：\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cimg src=\&42b03f00f.png\& data-rawwidth=\&492\& data-rawheight=\&498\&\u003E\u003Cp\u003E在这个数据中，一共向两个被试呈现了1750张图片作为训练集，120张图片作为测试集，大约25000个体素的活动被测量。刺激的呈现遵循Block Design。经过GLM激活强度分析，估计了每个体素对于每张图片的响应（Estimated Response）。\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E方法概述：\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003E经过fMRI信号的GLM激活强度分析后，我们得到了用于进一步分析的完整数据。数据分析的整体过程如下图所示：\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&0bf985b98b7ebddfe4769.jpg\& data-rawwidth=\&1024\& data-rawheight=\&768\&\u003E\u003Cb\u003E图2 复现工作概览模块图\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E数据的处理主要分为三个阶段，分别是\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E提取特征阶段\u003C\u002Fli\u003E\u003Cli\u003E预训练阶段\u003C\u002Fli\u003E\u003Cli\u003E主训练阶段\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E下面分别就这三个阶段进行概述\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E％％提取特征阶段：\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E主要是对训练的样本图片进行多个方向与空间频率的gabor小波投影，并且删掉不需要的特征（位于圆形图区以外的gabor小波）。\u003C\u002Fp\u003E\u003Cimg src=\&d86adb55c808b3b28d1c80f64da41a1d.png\& data-rawwidth=\&518\& data-rawheight=\&189\&\u003E\u003Cp\u003E\u003Cb\u003E图3 gabor小波示意图 \u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E我对Gabor小波一共取了5种空间频率，分别1，2，4，8，16 FOV（个周期每个视野），每一种空间频率的小波在视野中分别有1，4，16，64，256种位置分布。每种位置分布又可以继续分为2个正交相位和8个角度（0:22.5:157.5）。这就是gabor wavelet pyramid的架构。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E紧接着。我们计算每个gabor小波与每个图片的投影。同时我们将每一对正交的gabor小波的投影作平方和，开根处理。降低一下特征的维度。我们还需要删掉如图1圆型视野以外的gabor小波投影，这样可以去掉与样本无关的大量特征。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E％％预训练阶段\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E％这个预训练并不是那种深度神经网络的预训练。是我随便起的名字（不要太在意）。\u003C\u002Fp\u003E\u003Cp\u003E在“预训练”过程中，我们不考虑方向信息，仅考虑空间频率与gabor小波所处位置的信息，将机器学习模型的维度降低，提高训练的速度，从而可以根据训练出的权值的分布筛选出感受野聚集的体素，这也是符合视觉皮层视网膜拓扑与方向敏感特性(Hubel and Wiesel 1968)的。从而排除相关性差的体素。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&f3ea17d04edda362fa0de.png\& data-rawwidth=\&322\& data-rawheight=\&132\&\u003E\u003Cb\u003E图4 好的感受野与不好的感受对比图 \u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E感受野图代表视野区域上这个位置的内容权制最大，最能激活这个体素内神经元的强烈发放。做法是将 gabor小波投影做各个方向的平均处理，去掉方向信息进行预训练。将得到的权值与其对应的位置进行可视化的呈现。如果呈现单峰、聚集的权值我们便认为这个体素是表现比较好的（如左图）；否则我们认为他是一个表现比较差的体素（如右图）。再后续的操作中，我们舍弃所有表现差的体素，只选择500个体素进行后续的分析工作。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E％本来我对这个感受野是否浓聚的判断标准是通过作一个高斯曲面去进行拟合，根据拟合出来的高斯曲面的方差来进行排序、筛选。实际操作中这个方法是有一定用的（看图4 field后面呢个数值，这两个比较典型）但是还是会有些过拟合的现象，选进来不少表现很差的体素。所以后来我直接进行拟合优度（goodness of fitting，R squared）排序，选出前500个。这个虽然也会有一点不是那么理想的体素参杂进来，但是效果还是挺好的。\u003C\u002Fp\u003E\u003Cimg src=\&c10a34aa3e05d2ee361f.jpg\& data-rawwidth=\&6217\& data-rawheight=\&3633\&\u003E\u003Cp\u003E\u003Cb\u003E图5 十个最佳体素的感受野\u003C\u002Fb\u003E\u003Cbr\u003E上图是10个拟合优度表现最好的体素，可以看到它们的感受野都是比较“浓聚”的，比较符合视觉皮层的视网膜拓扑理论（retinotopic）。\u003C\u002Fp\u003E\u003Cp\u003E让我们再看看“精选”出来的体素的分布\u003C\u002Fp\u003E\u003Cimg src=\&ee715fb17c5.jpg\& data-rawwidth=\&4667\& data-rawheight=\&3500\&\u003E\u003Cp\u003E\u003Cb\u003E图6 精选出的体素分布图\u003C\u002Fb\u003E\u003Cbr\u003E我们可以比较明显的看出来，大部分精选出来的体素都出现在比较低级的视觉皮层（v1、v2）\u003C\u002Fp\u003E\u003Cp\u003E而比较高级的部分（LatOcc等），则占据很小的位置。这也非常符合低级的皮层区域（v1）编码比较简单特征（方向朝向性等），且具有更好的视网膜拓扑性质的理论。而高级的区域则编码更多抽象的信息，因而在用低级特征拟合是体现出较低的拟合优度，因而不易被选出。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E%% 训练的算法\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E基本思路是线性回归。利用输入特征的线性组合来预测每个体素的响应。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cequation\u003EY=X\\bullet h\u003C\u002Fequation\u003E其中X是输入的特征矩阵（需要加上一行1，作为偏置项），h是权值矩阵；y是响应矩阵。\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E训练的过程基于早停（early stopping）的梯度下降法。取出20%的训练集作为停止集。当停止集的误差（RMSE）不再下降就停止训练。\u003C\u002Fp\u003E\u003Cp\u003E为稀疏起见，初始权值为\u003Cb\u003E0\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E训练步骤：\u003C\u002Fp\u003E\u003Cp\u003E首先吧X都归一化（提高训练速度）\u003C\u002Fp\u003E\u003Cp\u003E循环：\u003C\u002Fp\u003E\u003Cequation\u003Eh=h- \\varepsilon g\u003C\u002Fequation\u003E\u003Cbr\u003E\u003Cequation\u003Eg=\\left[ \\left[ X'(Xh-y) \\right]+\\alpha g
\\right] \u003C\u002Fequation\u003E\u003Cbr\u003E\u003Cp\u003E\u003Cequation\u003E\\varepsilon \u003C\u002Fequation\u003E是步长，取0.001 \u003Cequation\u003E\\alpha \u003C\u002Fequation\u003E是动力参数，取0.9\u003C\u002Fp\u003E\u003Cp\u003E\u003Cb\u003E％％ 主训练阶段\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E对上一个步骤精选出的体素进行主训练。考虑所有的小波空间频率、位置和朝向信息进行训练，利用最终得到的结果对测试集的脑活动进行预测。并且实现图像的鉴别（identification）。\u003C\u002Fp\u003E\u003Cimg src=\&707cbac4cf3bc469c5b7e.jpg\& data-rawwidth=\&4525\& data-rawheight=\&4008\&\u003E\u003Cp\u003E\u003Cb\u003E图7 预测信号与实际信号相关性\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E在鉴别的过程中，我计算的120个图像的预测信号与实际信号（减去抽样平均噪声）之间的相关性。第（i，j）个元素代表第i个图片真正测得的信号与第j个图片的预测信号之间的相关系数。通过对120个图片中每个图片预测信号与实际信号的相关系数对比，相关系数最大的会被认为是鉴别出来的图像，准确率约为48.3%，于此同时，guessing rate约为0.83%。此方法显著起作用的。\u003C\u002Fp\u003E\u003Cp\u003E％在kendrick kay的文章里面，他出的相关系数图比这个结果高的多。原因其实不是我做错了，因为我做的是实际的鉴别。而他用了一个noise ceiling，用了一个bootstrape－like method。计算了一下这个鉴别的理论最大值（但这个其实是理论的，也是无法达到的）。我这个就不是理论最大值了，是直接做鉴别的真实值。\u003C\u002Fp\u003E\u003Cp\u003E好啦。主要的工作就是这样，后面再详细分析一下主训练后的权值。我用表现最好的体素去做这个分析（第23198号体素）。首先我们画出其不同空间频率、角度朝向对应的权值想对大小的分布。也就是他的\u003Cb\u003Etuning properties\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cimg src=\&debd666a3ff04731aa8bbe2.jpg\& data-rawwidth=\&4258\& data-rawheight=\&2592\&\u003E\u003Cp\u003E\u003Cb\u003E图8 第\u003C\u002Fb\u003E\u003Cb\u003E23198号体素的响应性质(tuning\nproperties)\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E可以看到，该体素对较高的空间频率与45度左右的角度被明显激活，而在角度为90度左右的地方则没有呈现很强的敏感性。这些在下面的角度与空间频率折线图可以得到更明晰的印证。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cimg src=\&3e74fa62c8e8fcd8a54d13.png\& data-rawwidth=\&449\& data-rawheight=\&192\&\u003E％这俩图尺寸有点大，知乎发上来有点太占地方了。而且这俩图的信息在上面tuning properties都有，只是tuning properties的图在横纵坐标下做了个平均而已，所以我就在我写的word文档截图下来了而已，所以有点模糊\u003C\u002Fp\u003E\u003Cp\u003E这个响应的性质正比较好的体现了v1等视觉皮层内朝向特异性的编码理论(Hubel and Wiesel 1968)。\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E讨论\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003E\u003Cb\u003E为什么要进行多尺度的表征？\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E在视觉图像重建（visual image reconstruction）的一篇文章(Miyawaki et al. 2008)\u003C\u002Fp\u003E\u003Cp\u003E中。主要的point就是用了多尺度的表征。而在本文中，也用到了不同FOV的gabor小波。这是为什么呢？我认为主要原因有以下两点：\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E不同细胞的偏好空间频率有所不同。这个跟retian ganglion、LGN、v1等的细胞本身的响应性质有关系\u003C\u002Fli\u003E\u003Cli\u003E视野不同位置细胞感受野大小不同，靠近边缘的话感受野响应会大一些，表征精度也会低一些。\u003C\u002Fli\u003E\u003Cli\u003E视觉皮层存在的不少End-Inhibited Cell(Gilbert, C. D., & Wiesel, T. N. ,1985)\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp\u003E\u003Cb\u003EVoxel-Wise Model 有什么用？\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003EMVPA现在已经逐渐变成一种神经科学领域常用的分析手段(Norman et al. 2006)，用来衡量某个脑区对特定任务的表征精度，最近北大方方老师非常前瞻性的一个大脑功能分区动态表征的文章就用到了这个方法(Chen et al. 2016)。但是Voxel-Wise现在主要还是Gallant他们组，还有Kendrick Kay自己的组在用。Kendrick Kay在用类似Voxel-Wise的方法在经常做pRF(Population Receptive Field)这些东西。想要研究一些Top-Down,Attention之类的东西(Kay et al. 2016)。\u003C\u002Fp\u003E\u003Cp\u003E我认为这也是一个很好的思路，可以吧MVPA和VW结合起来。\u003Cb\u003EMVPA可以用来评判脑区对特定任务的表征精度。VW衡量特定刺激、或者是其他脑区活动对某个区域体素的影响。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cp\u003E但是不可避免的是，fMRI做出来的结果总是那么的粗糙。信号噪音太大，时间分辨率不够，一个voxel吧太多的神经元揉到一起（我最好的那个体素拟合的R-squared也在0.16！！）所以这些做出来的结果还是比较有局限性的。非常期待以后进一步的发展。\u003C\u002Fp\u003E\u003Ch2\u003E声明\u003C\u002Fh2\u003E\u003Cp\u003E这个文章跟前面那个科普性的文章相比，加入了非常多的学术性的元素。我只想把它作为一个交流的途径来使用，给从事神经科学研究简单介绍一下这个到底是如何实现的，给有志于从事神经科学研究的同学提供一个思路。但是并不希望任何人直接copy我的这些结果和讨论用作一些个人用途。本来打算源代码也放上来，但是出于这个顾虑所以暂时不这么做。但是\u003Cb\u003E我仍然是乐意公开我的源代码的，对这方面感兴趣的同学可以私信我，非常欢迎跟大家有进一步的交流。\u003C\u002Fb\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Ch2\u003E\u003Cb\u003EReference:\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003EGilbert, C. D., & Wiesel, T. N. (1985). Intrinsic connectivity and receptive field properties in visual cortex. \u003Ci\u003EVision research\u003C\u002Fi\u003E, \u003Ci\u003E25\u003C\u002Fi\u003E(3), 365-374.\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003EChen, N., P.\nCai, T. Zhou, B. Thompson, and F. Fang. 2016. 'Perceptual learning modifies the\nfunctional specializations of visual cortical areas', \u003Ci\u003EProc Natl Acad Sci U S A\u003C\u002Fi\u003E.\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003EHubel, D. H., and T. N. Wiesel. 1968. 'Receptive\nfields and functional architecture of monkey striate cortex', \u003Ci\u003EJournal of Physiology\u003C\u002Fi\u003E, 195:\n215&43.\u003C\u002Fp\u003E\u003Cp\u003EHuth, A. G., W. A. de Heer, T. L. Griffiths, F. E.\nTheunissen, and J. L. Gallant. 2016. 'Natural speech reveals the semantic maps\nthat tile human cerebral cortex', \u003Ci\u003ENature\u003C\u002Fi\u003E,\n532: 453-8.\u003C\u002Fp\u003E\u003Cp\u003EKandel, E., and J. Schwartz. 2013. \u003Ci\u003EPrinciples of Neural Science, Fifth Edition\u003C\u002Fi\u003E\n(McGraw-Hill Education).\u003C\u002Fp\u003E\u003Cp\u003EKay, K. N., T. Naselaris, R. J. Prenger, and J. L.\nGallant. 2008. 'Identifying natural images from human brain activity', \u003Ci\u003ENature\u003C\u002Fi\u003E, 452: 352-5.\u003C\u002Fp\u003E\u003Cp\u003EMiyawaki, Y., H. Uchida, O. Yamashita, M. A. Sato, Y.\nMorito, H. C. Tanabe, N. Sadato, and Y. Kamitani. 2008. 'Visual image\nreconstruction from human brain activity using a combination of multiscale\nlocal image decoders', \u003Ci\u003ENeuron\u003C\u002Fi\u003E, 60:\n915-29.\u003C\u002Fp\u003E\u003Cp\u003ENaselaris, T., K. N. Kay, S. Nishimoto, and J. L.\nGallant. 2011. 'Encoding and decoding in fMRI', \u003Ci\u003ENeuroImage\u003C\u002Fi\u003E, 56: 400-10.\u003C\u002Fp\u003E\u003Cp\u003ENorman, K. A., S. M. Polyn, G. J. Detre, and J. V.\nHaxby. 2006. 'Beyond mind-reading: multi-voxel pattern analysis of fMRI data', \u003Ci\u003ETrends Cogn Sci\u003C\u002Fi\u003E, 10: 424-30.\u003C\u002Fp\u003E&,&updated&:new Date(&T08:40:06.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:13,&likeCount&:48,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:true,&rating&:&none&,&sourceUrl&:&&,&publishedTime&:&T16:40:06+08:00&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&url&:&\u002Fp\u002F&,&titleImage&:&https:\u002F\u002Fpic4.zhimg.com\u002F64fbbbfb828dab5e4dc1be_r.jpg&,&summary&:&&,&href&:&\u002Fapi\u002Fposts\u002F&,&meta&:{&previous&:null,&next&:null},&snapshotUrl&:&&,&commentsCount&:13,&likesCount&:48},&&:{&title&:&［自我介绍］关于我们和我们的专栏&,&author&:&jingjie.li&,&content&:&本专栏迟来的自我介绍。。。\u003Cp\u003E嗯，是这样的。我们几个同学对神经科学非常感兴趣，大家因为知乎聚集到了一起。打算本科这几年一起学习，积累这方面的知识。在学习的同时，我们会阅读专著，看看论文。\u003C\u002Fp\u003E\u003Cp\u003E我们有几位不同成员，对不同的方向感兴趣。因而我们会写一些神经生物学（细胞和突触层面上的）、认识神经科学与计算神经科学各个层面的学术笔记，和大家一起分享我们学习过程中的对神经科学的某一个方向，或者某一个问题的总结、思考和自己的见解，全当是一个神经科学的学术笔记（但是会稍微偏学术性一点哦）。\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E我们做学术笔记的目的呢，主要是下面几个方面：\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cul\u003E\u003Cli\u003E总结我们学到的知识\u003C\u002Fli\u003E\u003Cli\u003E对有志于从事神经科学方向研究的同学提供一些稍微专业一点的知识\u003C\u002Fli\u003E\u003Cli\u003E结识更多志同道合的同学，跟更多牛人交流\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cbr\u003E\u003Cp\u003E同时我们这个学习小组的成员也是\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fcce9ff9313b9\& data-hash=\&cce9ff9313b9\& class=\&member_mention\& data-editable=\&true\& data-title=\&@赵思家\& data-hovercard=\&p$b$cce9ff9313b9\&\u003E@赵思家\u003C\u002Fa\u003E 的Mentor Project成员。在做学术笔记的同时，我们的科普文章会发在\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fcce9ff9313b9\& data-hash=\&cce9ff9313b9\& class=\&member_mention\& data-editable=\&true\& data-title=\&@赵思家\& data-hovercard=\&p$b$cce9ff9313b9\&\u003E@赵思家\u003C\u002Fa\u003E 的\u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fneuroscience\& data-title=\&神经科学\& class=\&\& data-editable=\&true\&\u003E神经科学\u003C\u002Fa\u003E专栏里。供大众或者对这个领域刚刚开始接触的读者来阅读。\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E下面简单介绍下我们现有的成员\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cul\u003E\u003Cli\u003E李竞捷
西安交通大学BME本科生（2015级）（苦恼中T_T） 主要对计算神经科学，视觉－运动信息加工的处理方式感兴趣。对fMRI数据处理有略微的了解和一些简单的处理经验。\u003C\u002Fli\u003E\u003Cli\u003E\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002F2d2df5bbf74ec7018bbf3f9a5e2338d0\& data-hash=\&2d2df5bbf74ec7018bbf3f9a5e2338d0\& class=\&member_mention\& data-editable=\&true\& data-title=\&@蘑菇鱼\& data-hovercard=\&p$b$2d2df5bbf74ec7018bbf3f9a5e2338d0\&\u003E@蘑菇鱼\u003C\u002Fa\u003E
中南大学本科生（2015级）喜欢萌妹纸的萌康，爱好广泛，喜欢一切有意思的东西，精神医学在读，喜欢各种有趣的论文，大家要是看到什么好玩的，都悄悄告诉我哦，然后我看完把它写成科普，如果能做到的话我想复现给大家看（例如数据计算处理啥的）\u003C\u002Fli\u003E\u003Cli\u003E\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002F58f3cc57512dcdee822e5f0464ca33ca\& data-hash=\&58f3cc57512dcdee822e5f0464ca33ca\& class=\&member_mention\& data-editable=\&true\& data-title=\&@Chris Tung\& data-hovercard=\&p$b$58f3cc57512dcdee822e5f0464ca33ca\&\u003E@Chris Tung\u003C\u002Fa\u003E 来自华东某医科大学（2014级）～作为一名重度音乐爱好者对于auditory cortex非常感兴趣，同时在神经免疫上也积累着自己的一些见解和看法～\u003C\u002Fli\u003E\u003Cli\u003E\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002F5d7d96ce4d47f4c71b1dc80bc658deed\& data-hash=\&5d7d96ce4d47f4c71b1dc80bc658deed\& class=\&member_mention\& data-editable=\&true\& data-title=\&@王菲迪\& data-hovercard=\&p$b$5d7d96ce4d47f4c71b1dc80bc658deed\&\u003E@王菲迪\u003C\u002Fa\u003E 西安交通大学 侯宗濂医学实验班的本科生（2015级）兴趣方向：神经源性疼痛机制，镇痛药物的成瘾及其对发育神经的影响，疼痛与抑郁在脑区上的联系\u003Cbr\u003E\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cbr\u003E\u003Ch2\u003E\u003Cb\u003E对于下一步近期写文章的计划\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cul\u003E\u003Cli\u003E李竞捷 打算发布一篇关于MT区（主要加工视觉运动信号的一个脑区）神经元编码运动信息的一些特性（PDS\\CDS）同时会有一篇科普文章发在\u003Ca href=\&https:\u002F\u002Fzhuanlan.zhihu.com\u002Fneuroscience\& data-title=\&神经科学\& class=\&\& data-editable=\&true\&\u003E神经科学\u003C\u002Fa\u003E专栏中。他还打算后续发一篇fmri信号处理当中MVPA方法的介绍与实现的文章。\u003C\u002Fli\u003E\u003Cli\u003E\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002F2d2df5bbf74ec7018bbf3f9a5e2338d0\& data-hash=\&2d2df5bbf74ec7018bbf3f9a5e2338d0\& class=\&member_mention\& data-editable=\&true\& data-title=\&@蘑菇鱼\& data-hovercard=\&p$b$2d2df5bbf74ec7018bbf3f9a5e2338d0\&\u003E@蘑菇鱼\u003C\u002Fa\u003E 近期打算做的事 ： ①、把大脑指纹那篇的method重现，写一份自己对method的理解 ②等我把coursera上的《principles of fmri1》看完后（一直停留在第二周，捂脸）后，和竞捷一起连载这节课的学术笔记\u003C\u002Fli\u003E\u003Cli\u003E\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002F5d7d96ce4d47f4c71b1dc80bc658deed\& data-hash=\&5d7d96ce4d47f4c71b1dc80bc658deed\& class=\&member_mention\& data-editable=\&true\& data-title=\&@王菲迪\& data-hovercard=\&p$b$5d7d96ce4d47f4c71b1dc80bc658deed\&\u003E@王菲迪\u003C\u002Fa\u003E 后面应该会关注一些关于神经源性疼痛；发育期大脑神经；远一点的话可能还会有疼痛和抑郁结合起来的问题\u003Cbr\u003E\u003C\u002Fli\u003E\u003Cli\u003E\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002F58f3cc57512dcdee822e5f0464ca33ca\& data-hash=\&58f3cc57512dcdee822e5f0464ca33ca\& class=\&member_mention\& data-editable=\&true\& data-title=\&@Chris Tung\& data-hovercard=\&p$b$58f3cc57512dcdee822e5f0464ca33ca\&\u003E@Chris Tung\u003C\u002Fa\u003E 打算写神经免疫方向，关于microglia还有白细胞她今后会有更详细的阐述或者针对LPS引发的抑郁症\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cbr\u003E\u003Cp\u003E同时我们也欢迎新同学加入，一起学习，我们在考试周过了以后会定期做一些journal club，交流分享看论文的心得。想加入我们的同学可以知乎私信联系\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002F2d2df5bbf74ec7018bbf3f9a5e2338d0\& data-hash=\&2d2df5bbf74ec7018bbf3f9a5e2338d0\& class=\&member_mention\& data-editable=\&true\& data-title=\&@蘑菇鱼\& data-hovercard=\&p$b$2d2df5bbf74ec7018bbf3f9a5e2338d0\&\u003E@蘑菇鱼\u003C\u002Fa\u003E 或者\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Ffe7bb4c36c6d5d27ca18\& data-hash=\&fe7bb4c36c6d5d27ca18\& class=\&member_mention\& data-editable=\&true\& data-title=\&@李竞捷\& data-hovercard=\&p$b$fe7bb4c36c6d5d27ca18\&\u003E@李竞捷\u003C\u002Fa\u003E\u003C\u002Fp\u003E&,&updated&:new Date(&T14:38:49.000Z&),&canComment&:false,&commentPermission&:&anyone&,&commentCount&:32,&likeCount&:76,&state&:&published&,&isLiked&:false,&slug&:&&,&isTitleImageFullScreen&:false,&rating&:&none&,&titleImage&:&&,&links&:{&comments&:&\u002Fapi\u002Fposts\u002F2Fcomments&},&topics&:[{&url&:&https:\u002F\u002Fwww.zhihu.com\u002Ftopic\u002F&,&id&:&&,&name&:&学习&}],&adminClosedComment&:false,&href&:&\u002Fapi\u002Fposts\u002F&,&excerptTitle&:&&,&column&:{&slug&:&learningneuroscience&,&name&:&原来大脑是这么工作的：神经科学学术笔记&},&sourceUrl&:&&,&pageCommentsCount&:32,&snapshotUrl&:&&,&publishedTime&:&T22:38:49+08:00&,&url&:&\u002Fp\u002F&,&summary&:&&,&reviewingCommentsCount&:0,&meta&:{&previous&:null,&next&:null},&commentsCount&:32,&likesCount&:76},&&:{&title&:&让生物走进定量时代---CLS暑期夏令营简记&,&author&:&sunnydriver&,&content&:&几个月前就和小伙伴\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Ffe7bb4c36c6d5d27ca18\& data-hash=\&fe7bb4c36c6d5d27ca18\& class=\&member_mention\& data-title=\&@李竞捷\& data-editable=\&true\& data-tip=\&p$b$fe7bb4c36c6d5d27ca18\&\u003E@李竞捷\u003C\u002Fa\u003E（小波） \u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Ffa7dcfaa6e9416\& data-hash=\&fa7dcfaa6e9416\& class=\&member_mention\& data-title=\&@童雨欣\& data-editable=\&true\& data-tip=\&p$b$fa7dcfaa6e9416\&\u003E@童雨欣\u003C\u002Fa\u003E（童司机）一起琢磨着参加北大生命联合中心的暑期夏令营。吸引我们的地方有两点。一个是前沿教授们过来做讲座，另外一个\u003Cb\u003E包吃包住包\u003C\u002Fb\u003E硬座。夏令营分为三期。\u003Cimg src=\&ad518da9a53af8adea573ae92e791a8e.png\& data-rawwidth=\&383\& data-rawheight=\&350\&\u003E\u003Cp\u003E
当然啦，对于我们三个人来说，肯定\u003Cb\u003E「神经与认知科学」\u003C\u002Fb\u003E那期才最具吸引力。于是三个人开始各自勾搭教授写推荐信准备报名材料云云。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E然而见结果出来那一天，没错群里面小波在欢呼:“喂喂喂快来看夏令营名单出来了”，激动地我立马打开网页点开第一个网页，Bingo！我的名字稳稳当当的出现在了名单中。激动地我立马截了个图发到群里炫耀:“哈哈哈哈哈哈快暑假一起北京面基”\u003C\u002Fp\u003E\u003Cp\u003E这个时候童司机很不开心的来了句“为什么你的名单是计算\u002F系统生物学”，哎哟定睛一看，卧槽，为啥三个人就我一个被调剂，计算\u002F系统生物学什么鬼，听都没听说过啊计算生物学！！！\u003C\u002Fp\u003E\u003Cp\u003E然而第一天，杨雪瑞教授关于系统生物学的一个带有overview性质的讲座，就告诉我，“这个调剂，不亏”\u003C\u002Fp\u003E\u003Cp\u003E-----------------------------------正题分割线---------------------------------------\u003C\u002Fp\u003E\u003Cp\u003E在传统的生物学中，人们都是一个一个通路或者说把生分解成一小块一小块单独研究的。然而生物其实是一个错综复杂的系统，是一个庞大的网状结构。这样“一个通路一个通路”研究的弊端也是非常明显的，也许单个通路来看某个事情可能会发生，但是从整个网络来看的话，可能会受到其他相邻的通路影响，事实并非我们预测的那样。\u003C\u002Fp\u003E\u003Cimg src=\&91cfd4e768d66a8997b20.png\& data-rawwidth=\&695\& data-rawheight=\&605\&\u003E\u003Cbr\u003E\u003Cp\u003E因此\u003Cb\u003E「系统生物学」\u003C\u002Fb\u003E的引入就很有必要了，系统生物学就是把系统看做一个网络来整体研究，用图论，信息论等各种数学知识来给予考虑。\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E例如在细胞内，转录因子只有几百个，可以基因却有上千上万，有些转录因子还会作用于转录因子本身。想通过传统方法搞清楚网络真的不是件容易的事。\u003Cimg src=\&fcb2c0ef69e22d43ed9c2aeb47d95c0a.png\& data-rawwidth=\&384\& data-rawheight=\&361\&\u003E\u003C\u002Fp\u003E\u003Cp\u003E但是如果利用信息论的\u003Cb\u003E「信息相关系数」\u003C\u002Fb\u003E的话便可以清晰解决。每一种物质的浓度都可以看成一种信息，这种信息\u003Cb\u003E会通过网络流动\u003C\u002Fb\u003E。我们只要找到这些物质的浓度之间的信息相关系数，就可以推测出网络的样子。\u003C\u002Fp\u003E\u003Cimg src=\&dc289cad7ea0f6463572c.png\& data-rawwidth=\&804\& data-rawheight=\&532\&\u003E\u003Cimg src=\&26d808ed5bffb4b9d1fec57e06806cb2.png\& data-rawwidth=\&788\& data-rawheight=\&590\&\u003E\u003Cbr\u003E\u003Cp\u003E暑期班的第二个主题是合成生物学。有个科学家想完整的设计一个细胞，目前带领着它的团队完成了全化学合成DNA片段，可是。。。他们发现自己没法设计有功能的DNA片段啊，之前合成的DNA都是通过测序得到的，想自己设计，还真不是那么容易。\u003C\u002Fp\u003E\u003Cp\u003E不过的确有人巧妙地通过碱基的设计（什么翻译转录绕来绕去的），完成了“细胞与非门的设计”\u003C\u002Fp\u003E\u003Cp\u003E这样的细胞是很有用途的，例如设计一个与门细胞，一个蛋白质负责探测氧气浓度（癌细胞缺氧），另一个蛋白质负责探测啥哈来着（不好意思我忘了反正也是一个癌细胞的特征），当两个探测器同时探测到信号时候，就会启动一个基因的表达，从而放出一个因子杀死癌细胞。\u003C\u002Fp\u003E\u003Cp\u003E当然也有其他的合成生物学方面的，例如：碱基一定要是ATCG吗，可不可以是别的化学物质，密码子一定要是三密码子吗，可是是四密码子吗。换句话说出了地球上的生命形式一定是唯一的吗，如果有外星生物一定要符合中心法则吗。所以这个分支也叫作宇宙生物学。例如有人曾经换过ATCG碱基的化学式，发现一样work（谢谢\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fadeb52fbd7fe97eaf4de60\& data-hash=\&adeb52fbd7fe97eaf4de60\& class=\&member_mention\& data-tip=\&p$b$adeb52fbd7fe97eaf4de60\&\u003E@Jacob MBDLevi\u003C\u002Fa\u003E 提醒，仅仅是配对work，其他的例如催化功能还是有问题的，详情见评论区）。 \u003C\u002Fp\u003E\u003Cp\u003E除此之外还有单分子生物学与单细胞生物学，传统的细胞生物学往往观察的是一群细胞，一群分子的行为，也就是说研究的是平均水平。但往往更有意义的线索隐藏在单个细胞和单个分子的活动中。往往在平均观测中这些信息都被抹去了。值得一提的是，这次讲座的所有教授都不是正统生物背景。他们都大部分都来自物理和数学背景。\u003Cimg src=\&e4bbcd180ae.png\& data-rawwidth=\&610\& data-rawheight=\&398\&\u003E\u003C\u002Fp\u003E\u003Cp\u003E单分子和单细胞的研究思想事实上也来自物理，例如我们知道者统计物理也是通过研究研究单个分子的行为来研究宏观现象的。\u003C\u002Fp\u003E\u003Cp\u003E具体来说那个教授有一个厉害的技术，可以通过在薄片上刻槽来固定一条一条的DNA链，没错是\u003Cb\u003E一条一条\u003C\u002Fb\u003E的。这样子的话就可以在单个分子的层面上研究一些问题例如“RNA聚合酶具体到底是怎样来与DNA特异性位点结合的，是随机碰撞至特异性位点，还是先随意结合再在链上滑动至特异性位点？“给RNA酶加上荧光标记，然后在显微镜下观察着一条一条DNA上酶的附着情况，便可直观的得到结论。\u003Cimg src=\&c50eefa86e87cee3df4de22.png\& data-rawwidth=\&457\& data-rawheight=\&471\&\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cbr\u003E\u003Cbr\u003E\u003Cp\u003E最让我影响深刻的是数学系出身的葛颢教授巧妙的利用了随机过程解决了一系列基因表达的定量问题。这个领域中一个经典的问题就是“大肠杆菌的性状突变”。（这里有个地方谢谢\u003Ca href=\&https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002F2bdbf89a30e58ca350c1fc340bc0322f\& data-hash=\&2bdbf89a30e58ca350c1fc340bc0322f\& class=\&member_mention\& data-tip=\&p$b$2bdbf89a30e58ca350c1fc340bc0322f\&\u003E@谢罡\u003C\u002Fa\u003E 提醒）之前已经有实验证明大肠杆菌的拮抗基因（即一个表达另外一个就不表达，两个之中必有一个表达）的表达是随机的。有人把其中一个基因转成编码荧光蛋白的片段，另一个基因的产物表达的蛋白不发荧光。理论上来说长时间的累积应该是两种蛋白均匀分布，也就是说两种蛋白是有一个比例的，对应一个比例就有一个“亮度”，那么多细胞，极端的话应该是全黑或者超级亮，大部分细胞应该是处于中间状态。也就是细胞的亮度应该是连续的。可实际上人们观测到的只有全黑和全亮。有的时候细胞还会跳转到另一个状态。就和处在两个能级上的电子一样。生物学家们都在苦苦的寻找这其中是不是有什么机智。可是葛颢教授却告诉我们这其中并不依赖于任何额外的机制。把细胞的转录翻译看成随机过程，通过一系列的推导得出一个微分方程，然后！！！！！这个方程有两个不定点！！其他的中间状态都是不稳定的，会快速向两个稳定点滑动。没错！没有任何复杂的机制，数学的推导便可以解释这个现象。\u003Cimg src=\&fca47afaf935dff3a5bd6ed.png\& data-rawwidth=\&763\& data-rawheight=\&599\&\u003E\u003Cimg src=\&3c6f6ffabc1acc999b7b4f5.png\& data-rawwidth=\&406\& data-rawheight=\&328\&\u003E\u003C\u002Fp\u003E\u003Cp\u003E于此类似的还有通过稍稍修改一下化学中用来预测一个复杂反应系统物质的量的方程来预测生物体类的大分子例如核糖体生长素等等物质的含量，取得了不错的效果。\u003C\u002Fp\u003E\u003Cp\u003E也有物理出身的研究非平衡态物理的涂豫海教授来用物理概念研究蛋白机器例如那个可以转圈圈的纤毛的马达蛋白的运动和带有纤毛的细胞的行走过程。当然也反过来通过生物过程来得到一些关于物理非平衡态的启示，毕竟生物本身就是一个不断吸收能量不断熵减的非稳态系统嘛。（抱歉这个是全英文讲的我有点懵逼，如果有同学看到了请指点一下错误）\u003C\u002Fp\u003E\u003Cp\u003E好了大概这几天收获就是这么多了，因为都是靠自己的印象和理解说的，不敢保证上述文字的准确性和严谨性哦，如果发现有疏漏，麻烦私信我吧，我会好好改正的。\u003C\u002Fp\u003E\u003Cp\u003E-------------------------------------------------------------------------------------\u003C\u002Fp\u003E\u003Cp\u003E当然我也是希望传达大家这几个新兴的交叉生物学科干的是什么，大致有个美好印象，总之我是觉得很美好的。不得不说这个夏令营还是挺有收获的。其实讲座都不是重点。最重要的是参观实验室，和与教授师兄师姐们一起吃饭。看到师兄们自己搭了台双光子显微镜的时候真的是惊呆了。哦对了还有那个生物芯片，直接芯片里养细胞啊喂，半自动化养细胞啊喂！而且我现在真的也算是明白了为什么之前会有人花高价去买和巴菲特一起共聚晚餐，真的在吃饭时能和前辈们交流到很多东西。最关键是老师们在布置和师兄师姐一起吃饭的时候还放了扑克哈哈哈哈哈，跟师姐师兄们一起玩狼人，又把关系混的好熟好熟。（师兄师姐好萌的说，还给了我好多指导性意见）\u003C\u002Fp\u003E\u003Ch2\u003E\u003Cb\u003E总结\u003C\u002Fb\u003E\u003C\u002Fh2\u003E\u003Cp\u003E其实我这次最有感触的有两点\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli\u003E生命联合中心的这些教授才算是正真的做到了交叉学科，正像其中一个教授给我们讲的：以前那些交叉都算不上是交叉，只能是利用或者是合作，利用其他学科已有的知识或者成果而不是思想方法。真正的交叉学科，应该是借鉴一个学科已有的思想或者研究范式来给予某个学科新鲜的血液和思维的火花。也像一个师兄和我说的：“其实你要扩展视野的话，其他学科要学，但也许没有必要学的太深，其实每个学科都是有自己的套路的，只要领悟这些套路即可，这些套路往往可以给你的这块领域带来新的灵感和突破性的发现。”\u003Cbr\u003E\u003C\u002Fli\u003E\u003Cli\u003E每个科学学科大概都有一个从定性到定量的发展规律吧。从“物体的运动到底需不需要力的维持”到“F=ma”数学形式的引入；从几个物质“可不可以发生反应，发生了什么反应”到“质量守恒定律”和“轨道能级”。任何一门科学学科，只要定性规律积累的足够多，走入定量的道路是历史必然。以前我们学到的生物如转录翻译细胞周期等大都是性质形的，然而如今，随着结构测定，高通量芯片等实验技术的发展，大量的生物数据也喷涌而出。我们有幸能在这个年代亲眼看到生物逐步踏入定量时代。\u003Ci\u003E在这里也引用葛颢老师的一句话吧:\&生物、化学科学发展到今日，已积累了许多实验结果无法解释，或者是解释略显肤浅需要借助数学知识来深化解释的背景下形成的。“我们的研究就是试着用数学建立机制模型帮助深层次地解释这些结果、现象，或者是在别人的模型上我们借助数学将其解释得更深入。\&\u003C\u002Fi\u003E\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cbr\u003E\u003Cp\u003E好了大致就这么多吧，想分享的东西太多。等小波和童司机的\u003Cb\u003E「神经与认知科学暑期班简记」\u003C\u002Fb\u003E吧，那个才是神经相关的3C\u002Fp\u003E\u003Cbr\u003E\u003Cp\u003E如果你也对也是神经相关的科研工作者，或者相关专业的（有兴趣也行啊！！！）在校大学生，欢迎加入我们这个大家庭哦:)，\u003Cb\u003E私信给我}