在早期视觉皮层中估计简单和复杂细胞的受体场:一个卷积神经网络模型与参数化整顿

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 视觉神经科学是一种神经科学.

背景情况:

• 初级视觉皮层神经元对诸如方向和空间频率等刺激特征表现出选择性.
• 简单细胞的建模是可行的线性-非线性模型,但复杂的细胞需要更复杂的模型,由于阶段不变性和子单位的总和.
• 皮层神经元响应的可变性使模型参数的估计变得复杂.

研究的目的:

• 开发一种统一的卷积神经网络 (CNN) 方法,用于估计简单和复杂视觉皮层细胞的受体场模型.
• 用单个模型参数来描述受感场的简单到复杂的性质.
• 评估开发的模型对细胞对自然图像和格子的反应的预测性能.

主要方法:

• 开发了一种CNN模型,其中包括一个时空波器,一个参数整流器单元 (PReLU) 和一个高斯接收场封面.
• 使用单个模型参数 (PReLU) 来区分简单和复杂的细胞特征.
• 该模型经过训练和验证,使用视觉皮层神经元对自然图像和格子刺激的反应.

主要成果:

• 该CNN方法成功估计了对简单和复杂细胞的受体场模型.
• 在神经元中观察到连续的PReLU参数值,表明从简单的细胞特性逐渐过渡到复杂的细胞特性.
• 复杂类细胞的响应可靠性较低,但噪声天花板分析显示,与简单细胞的预测性能相似.

结论:

• 开发的CNN提供了一个统一的框架来建模简单和复杂的视觉皮层细胞,捕捉它们的连续性质.
• 这些发现表明,简单/复杂二分法不是绝对的,而是存在于光谱上.
• 这项研究证实了CNN在理解神经元受体场及其反应特征方面的有用性.