神经序列与时间编码：大脑的时间奥秘

# 神经序列与时间编码：大脑的时间奥秘 ## 大脑时间编码的重要性 大脑的主要功能之一是预测未来，而时间感知是预测的关键要素。动物需要在不同时间尺度上进行预测，从预测移动物体的位置到跟踪物理环境的昼夜和季节变化。同时，时间感知也是感觉和运动处理的重要组成部分，例如语言和音乐的产生就依赖于大脑对复杂时空模式的辨别和生成能力。 大脑进化出了一系列不同的机制来跟踪从毫秒到数天甚至更长时间尺度的时间。在几秒的时间尺度上，时间感知最为复杂，因为在这个尺度上我们能够以多种速度识别和生成时间模式，这也是语言和音乐处理的基础。 ## 时间编码的神经机制理论 ### 早期理论：基于振荡器的模型 早期关于几秒时间尺度的时间编码理论主要集中在基于振荡器的模型上，包括起搏器/累加器模型，其中振荡器的“滴答”声随时间累积，提供了经过时间的线性度量。后来的振荡器模型则使用多个不同频率的振荡器，通过检测振荡器群体的节拍或相对相位来读取时间。 ### 现代理论：非振荡器模型 近年来，研究逐渐转向非振荡器模型，主要包括斜坡模型和神经群体时钟模型。 - **斜坡模型**：基于神经积分器，产生线性或单调的放电率变化，从而提供经过时间的线性或非线性度量。在斜坡模型中，单个神经元原则上可以提供连续和线性的时间度量。 - **神经群体时钟模型**：明确提出神经回路通过由回路的循环连接所施加的神经活动变化模式来编码时间。该模型需要大量神经元来编码连续的时间窗口，其神经元放电率的时间轮廓是非单调的，且神经群体时钟属于高维神经系统，神经元之间的成对相关性相对较低，而斜坡模型是低维的。 接下来，我们将重点关注大脑如何依赖神经序列来编码数百毫秒到数秒的时间，以及支持多个神经序列生成的神经回路的潜在机制。 ## 体内神经序列的特点 ### 携带行为背景信息 神经序列不仅能编码时间的流逝，还能包含特定行为事件在时间上展开的背景信息。不同的刺激或情境可以触发不同的神经序列，例如在气味辨别任务和工作记忆任务中，不同的气味会触发不同的神经序列。在这些情况下，一个给定的神经元可以参与两个神经序列，但在不同的时间点，这与循环电路架构而非前馈电路一致。此外，在物体构建任务和导航选择任务中，相对空间位置也由不同的神经序列编码，这表明神经序列的一个基本作用可能是将时间流逝与相关行为变量联系起来。 ### 与内部状态和时间感知相关 即使在静止状态下也能发现神经序列，并且它们可以覆盖整个试验，这表明内部状态可能与纯粹的时间流逝相关。事实上，神经序列的速度与主体对时间流逝的感知相关。 ### 神经元分布和时间精度 参与神经时间序列的神经元在解剖学上似乎是混杂的，即序列中在时间上接近放电的神经元在空间上并不一定更接近。此外，时间场的跨试验精度随时间下降，这与定时运动反应的标准差随时间线性增加的心理物理学发现一致，即韦伯定律。 ### 运动行为的时间缩放 运动行为的一个重要特征是能够以不同的速度产生定时良好的运动模式。如果神经序列是运动定时的基础，它们应该能够进行时间缩放。许多研究表明，根据情境，相同的神经序列可以以不同的速度展开，有效地实现了时间缩放机制。例如，在猴子的节奏定时任务中，神经元的顺序激活在状态空间中具有循环动力学，任务节奏的变化与循环动力学的半径变化相关，较长的节奏对应较大的半径，这是通过增加神经元数量和神经激活期的持续时间来实现的。 ### 不同脑区神经序列的差异 神经序列在不同物种和脑区普遍存在，但它们的动力学存在根本差异。例如，鸣禽的神经序列非常稀疏，时间场宽度约为几十毫秒，而皮质和海马体中的神经元时间场可能持续数百毫秒，具有更高的“时间密度”。此外，在时间依赖任务中，纹状体的神经活动顺序性指数高于前额叶和运动前皮质，海马体的顺序性也高于前额叶皮质。较高的顺序性被认为可以为下游生物机制提供更有效的编码，使神经序列成为解码时间的最佳动态机制。 ## 神经序列的神经计算模型 ### 为下游脑区提供理想表示 实验研究表明，神经序列在广泛的脑区中被观察到，并且至少在某些情况下表现出嵌入多个序列和缩放等特定特征。计算模型提出，神经序列为下游脑区提供了理想的神经表示，使其能够灵活地生成简单或复杂的时空输出模式。 ### 鸟鸣中的神经序列模型 RA 投射的 HVC 神经元的活动模式是稀疏神经序列支持时间编码的一个典型例子，特别是鸟鸣的时间结构。计算模型认为，支持鸟鸣产生的神经序列来自前馈神经回路，其中在时间 t 活跃的神经元通过直接的兴奋性连接驱动在时间 t + 1 活跃的神经元。然而，细胞内记录显示这些神经元存在定时良好的亚阈值事件，提示存在循环输入。从计算层面来看，缺乏循环性严重限制了神经元群体能够编码的神经序列数量。 ### 循环神经网络中的神经序列模型 使用基于放电率或基于尖峰的循环神经网络模型，许多研究已经证明了如何在循环神经网络中嵌入单个或多个神经序列。这些模型可以通过监督学习规则进行训练，其中循环神经网络中的每个单元被赋予来自模板或实验得出的神经元序列的目标时间轮廓。在多序列模型中，不同的输入触发不同的神经序列，一个给定的单元可以参与多个序列，并根据正在播放的序列具有不同的时间场。每个神经序列可以用于编码从提示开始的经过时间，以及表示给定提示已被呈现的短期记忆。 ### 时间缩放模型 几秒时间尺度上时间感知的一个基本特征是其灵活性，即能够以多种速度生成运动模式。对于神经序列来说，这意味着给定的神经序列必须能够以不同的速度展开。许多模型表明，在适当的条件和训练下，确实可以触发不同速度的神经序列。这种时间缩放特征通常需要循环神经网络明确学习，并依赖于控制速度的单独输入，例如通过增加所有神经元的净输入来重新配置动力学，使轨迹在神经状态空间中更快或