皮层朝向选择性的贝叶斯-马尔可夫神经形态模型：计算复现与定量仿真研究
A Bayes–Markov Neuromorphic Model of Cortical Orientation Selectivity: A Computational Re-implementation andQuantitative Simulation Study
https://arxiv.org/pdf/2608.12388v1
摘要
初级视觉皮层（V1）中朝向选择性的出现仍然是计算神经科学中的一个核心问题。Shirazi的贝叶斯-马尔可夫模型提出了一种概率解释，说明了朝向选择性抑制如何通过局部推断从无朝向的外侧膝状体（LGN）输入中产生。在该公式中，纹状皮层抑制性（SCI）细胞的活动模式是通过两层分层马尔可夫随机场上的最大后验（MAP）准则，从LGN活动模式中估计出来的，并且由此产生的推断是通过局部并行松弛算法来实现的。我们提供了该框架在计算上明确的重新实现和定量仿真研究。我们重建了该数学模型，描述了其完全由LGN驱动的更新规则，并实现了一个矢量化的仿真框架，该框架保留了原始的局部团（clique）操作，同时使系统的参数扫描成为可能。我们使用朝向调谐曲线、朝向选择性指数（OSI）、受控的LGN噪声扰动、对比度测试和模型变体比较来评估该模型。我们进一步使用漏积分-发放（leaky integrate-and-fire）和Hodgkin-Huxley神经元添加了一个脉冲SCI层的实现，以检验速率编码的SCI场是否可以通过时间上明确的神经活动来表达。仿真结果支持了贝叶斯-马尔可夫框架的核心定性行为：尖锐的朝向选择性、对中度LGN噪声的鲁棒性，以及对推断出的抑制场在生物学上可解释的概念验证（proof-of-concept）脉冲实现。
关键词：初级视觉皮层；朝向选择性；马尔可夫随机场；贝叶斯推断；神经形态建模；脉冲神经元
1 引言
自Hubel和Wiesel的开创性观察（Hubel和Wiesel，1959，1962，1977）以来，初级视觉皮层中的朝向选择性一直是视觉神经科学和皮层计算中的一个核心问题（Marr，1982；Ferster和Miller，2000；Pugh等，2000）。他们经典的前馈（feedforward）解释提出，皮层朝向调谐产生于丘脑-皮层传入神经的空间排列。在这种几何观点中，一个皮层神经元对特定朝向的刺激变得具有选择性，是因为它接收来自外侧膝状体（LGN）细胞的兴奋性输入，而这些LGN细胞的感受野是沿着该偏好朝向排列的。
尽管这一解释很优雅，但生理学和计算研究表明，仅靠前馈几何结构并不能解释观察到的V1调谐的所有特性。对比度不变调谐、循环调制、归一化以及抑制性相互作用，因此激发了那些认为局部兴奋和抑制参与了朝向选择性反应的形成、放大、稳定或锐化的模型（Sclar和Freeman，1982；Hata等，1988；Ben-Yishai等，1995；Somers等，1995；Troyer等，1998；Mariño等，2005；Palmer和Miller，2007；Carandini和Heeger，2012）。
这引出了一个核心的自举（bootstrapping）问题。如果特定朝向的抑制有助于皮层朝向选择性，那么当假设其丘脑输入是无朝向的时，抑制性网络本身如何变得具有朝向选择性？Shirazi（2004）通过构建一个贝叶斯-马尔可夫计算模型解决了这个问题，在该模型中，朝向选择性抑制是从对无朝向LGN活动的局部合作推断中涌现出来的。该模型将LGN和纹状皮层抑制性（SCI）层表示为两个耦合的随机场，并使用最大后验（MAP）准则从观察到的LGN模式估计SCI活动模式。由此产生的计算是通过一种确定性的、局部的、并行的松弛算法执行的，该算法基于已建立的马尔可夫随机场方法（Besag，1974；Geman和Geman，1984；Besag，1986）。
本研究以计算上明确的形式重新审视了这一贝叶斯-马尔可夫模型。原始的公式化和生物学解释得以保留，同时其实现、数值评估和脉冲读出（spiking readout）变得系统化和可重复。因此，本研究的贡献是对原始框架的定量计算重新评估，而不是提出一种替代的生物学理论。
本研究的贡献。 本工作的主要贡献如下：
- 我们重构了Shirazi模型的贝叶斯-马尔可夫公式，包括两层分层马尔可夫随机场（HMRF）结构、MAP目标函数以及局部的GICM风格松弛规则。
- 我们描述了该模型的完全由LGN驱动的版本，强调了原始公式如何避免生物学上不合理的全局归一化和固定参考信号。
- 我们提供了一个矢量化的计算实现，该实现保留了原始的局部团（clique）能量操作，同时使系统的仿真研究成为可能。
- 我们在模型先前定性评估的基础上增加了定量层面：包括带有朝向选择性指数（OSI）的朝向调谐曲线、对比度不变性，以及所有模型变体对LGN噪声的鲁棒性。
- 我们使用LIF（漏积分-发放）和Hodgkin-Huxley神经元扩展了仿真研究，加入了脉冲SCI层的实现，表明推断出的朝向选择性场可以通过时间上明确的脉冲序列（spike trains）来表达。
2 皮层朝向选择性的相关模型
已经提出了多种模型来解释V1中的朝向选择性。经典的前馈模型将调谐归因于LGN感受野的空间排列，而循环（recurrent）模型则强调局部的兴奋、抑制、平衡和增益控制（Ferster和Miller，2000；Ursino和La Cara，2004；Mariño等，2005）。近期的实验和计算研究继续探讨突触组织、随机或结构化的循环连接，以及分层的脉冲动力学是如何塑造选择性的（Sadeh和Rotter，2014，2015；Wilson等，2016；Merkt等，2019；Rossi等，2020；Chariker等，2020）。
前馈与几何模型。经典的Hubel-Wiesel模型通过丘脑传入神经的排列来解释朝向选择性（Hubel和Wiesel，1962）。相关的几何模型为产生朝向偏向的反应提供了简单而直观的机制。然而，阈值非线性可能会产生“冰山效应”（iceberg effect），即表观的调谐宽度会随着刺激对比度的变化而改变。这一点很重要，因为V1的朝向调谐通常是近似对比度不变的（Sclar和Freeman，1982；Troyer等，1998；Ferster和Miller，2000；Palmer和Miller，2007）。
循环皮层模型。循环（recurrent）模型强调皮层内回路在塑造和稳定朝向调谐中的作用。在这类模型中，朝向选择性通过皮层神经元之间的相互作用被放大、锐化、平衡或稳定（Ben-Yishai等，1995；Somers等，1995；Mariño等，2005；Sadeh和Rotter，2015）。这些方法解释了几种反应特性，但在兴奋和抑制的假定结构和功能作用上有所不同（Ursino和La Cara，2004；Carandini和Heeger，2012）。实验研究同样表明，朝向选择性取决于突触和循环输入的组织方式，而不是依赖于单一的通用回路基序（circuit motif）（Wilson等，2016；Rossi等，2020）。
贝叶斯与概率解释。概率推断也被用作解释皮层计算的框架，包括视觉系统中的预测和分层处理（Rao和Ballard，1999；Lee和Mumford，2003）。这些解释为基于局部最大后验（MAP）的模型提供了更广泛的计算背景，在这些模型中，隐藏的神经状态是从观察到的感觉活动中推断出来的。
贝叶斯-马尔可夫模型。Shirazi（2004）的贝叶斯-马尔可夫模型具有独特性，因为它直接解决了自举（bootstrapping）问题。它探讨了朝向选择性抑制本身如何从无朝向的LGN输入中涌现。该模型将SCI层视为隐藏随机场，将LGN层视为观测随机场。皮层回路被解释为执行局部贝叶斯推断，以从观测到的LGN模式中估计出隐藏的SCI构型（configuration）。
3 概率框架
我们现在概述贝叶斯-马尔可夫模型的概率公式化表述。本节的目的不是引入一个新的数学模型，而是以适合计算实现的符号表示法重新表述原始的理论框架。
3.1 问题表述
计算目标是从观测到的LGN活动模式中估计SCI活动模式。对于水平调谐的SCI层，期望的计算是一种空间滤波操作：类似水平线的LGN模式应激活相应的SCI细胞，而点、斑块和非水平结构则应被抑制。
3.2 分层马尔可夫随机场模型
联合随机场通过两层分层马尔可夫随机场进行建模。SCI层被视为隐藏的马尔可夫随机场（MRF），而LGN层被视为观测场，其条件分布取决于SCI状态，这遵循了空间统计建模和图像推断中使用的吉布斯-马尔可夫随机场（Gibbs-MRF）公式（Besag，1974；Geman和Geman，1984；Noda和Shirazi，1995）。
SCI场的先验分布可写为吉布斯分布，
隐藏的SCI场鼓励空间上连贯的活跃区域，而条件LGN场则编码特定朝向的局部结构。因此，朝向选择性并非由LGN输入的刚性前馈排列所强加；它是从用于推断隐藏SCI构型的局部能量结构中涌现出来的。
3.3 MAP目标函数
3.4 局部并行松弛
4 完全由LGN驱动的贝叶斯-马尔可夫模型
尽管公式 (6) 为 MAP 问题提供了计算解决方案，但它包含一些难以解释为生物学上合理的操作。特别是，对数归一化器需要知道可能的 LGN 活动水平，并涉及非线性的 log-sum-exp 操作。因此，Shirazi (2004) 将该更新转换为完全由 LGN 驱动且在生理学上更合理的形式。
这使得模型能够从弱的循环耦合开始，然后逐渐加强局部 SCI 的一致性。
4.1 特定朝向的 LGN 团能量
因此，具有相似活动的水平相邻LGN细胞被鼓励支持活跃的SCI状态，而非水平的相似性则支持非活跃的SCI状态。
4.2 SCI团能量
SCI先验是各向同性的，并促进局部空间连续性。其双元素团能量定义为：
与LGN团能量不同，这个SCI项不编码偏好朝向。相反，在从LGN层提取出特定朝向的证据后，它促进了空间上连贯的皮层活动模式。
4.3 推断算法
。在第二阶段，通过公式(7)的完整MAP更新，在连续迭代中对估计进行优化，该更新引入了循环SCI耦合，其强度根据公式(8)随迭代次数的增加而增加。这两个阶段总结在算法1中。
5 神经形态学解释
贝叶斯-马尔可夫模型不仅仅是一个统计模型；它还被提出作为一种在计算上合理的解释，说明了局部皮层回路如何实现朝向选择性抑制。这种解释与更广泛的概率和预测性解释相一致，在这些解释中，循环皮层相互作用实现了对潜在原因的局部推断（Rao和Ballard，1999；Lee和Mumford，2003）。公式（7）中的操作可以通过相互作用的功能层来解释（图1）。
首先，对比度检测阶段计算相邻LGN发放率之间的局部相似性和差异性。其次，归一化阶段实现了局部最大值操作，以避免生物学上不合理的log-sum-exp归一化。第三，假设检验阶段比较了支持活跃和非活跃SCI状态的证据。最后，正则化阶段通过局部循环相互作用实现了各向同性的SCI耦合。
这种解释很重要，因为它表明该模型不依赖于全局控制器或僵硬的前馈几何模板。朝向选择性抑制是通过局部合作相互作用产生的，这些相互作用从观测到的LGN场中估计出隐藏的SCI场。
6 计算仿真框架
仿真研究的目标是对原始的Shirazi模型提供定量的计算评估。数学公式、局部团能量定义、MAP目标函数以及生物学解释均保持不变。本研究的贡献在于系统地评估了该模型在受控刺激、噪声扰动、模型比较以及脉冲SCI层实现下的行为表现。
所有仿真均在 128 × 128 的网格（lattices）上执行。除非另有说明，参数固定为
主要的速率编码（rate-coded）实现被称为 V1ModelBio；我们还包含一个基线速率编码变体，即 V1Model。这两个速率编码变体将与第8节中介绍的脉冲（spiking）实现（LIF 和 HH）进行比较。
6.1 矢量化实现与正确性验证
该模型的直接实现通过显式地遍历 128 × 128 网格来更新每个像素，并评估局部团（clique）的贡献。这忠实于数学模型，但对于重复仿真来说速度较慢。为了使朝向扫描（orientation sweeps）、噪声扫描和模型比较变得可行，局部操作被使用移位数组（shifted arrays）和填充邻域提取（padded-neighborhood extraction）以矢量化形式重新实现。
这种矢量化并没有改变模型。它计算相同的局部团能量和相同的更新规则，但使用数组操作在整个网格上对其进行评估。通过在受控测试输入上将矢量化实现与原始的逐像素实现进行比较，验证了其正确性。输出完全匹配，在最大似然初始化步骤之后以及完整的前向传播之后，均存在零个不匹配的像素。因此，下面的定量实验使用了一种更快的实现，该实现与原始的局部更新规则等效。
6.2 LGN输入构建
对于受控的合成实验，LGN活动模式是由条形刺激（bar stimuli）、线对刺激（line-pair stimuli）以及这些输入的噪声版本生成的。当使用基于图像的输入时，原始灰度图像首先被转换为对对比度敏感的LGN激活场。这种预处理旨在作为视网膜神经节细胞-LGN通路中中心-周边（center-surround）对比度处理的计算近似。
6.3 朝向选择性指数
7 结果
仿真研究被组织为三个主要实验。前两个实验重新审视了贝叶斯-马尔可夫模型的朝向选择性和对比度不变性行为，将原始的定性活动模式演示与基于朝向选择性指数和受控噪声的定量分析相结合。第三个实验引入了SCI层的脉冲（spiking）实现，并通过一系列实验对其进行评估，这些实验涵盖了基线选择性、神经元个体异质性（per-neuron heterogeneity）、多次试验发放率稳定性（multi-trial firing-rate stability）以及单神经元增益分析（single-neuron gain analysis）。贯穿始终，定性（基于图像）结果直接展示了空间机制，而定量结果则赋予了其可测量的形式。
7.1 仿真1：朝向选择性
7.1.1 定性朝向响应
条形刺激（bar stimulus）以一系列朝向呈现，并经过LGN预处理阶段和SCI推断过程。对于每种朝向，产生的活动模式被记录为“输入-LGN-SCI”三联图（triptych）。当刺激与模型的偏好（水平调谐）朝向匹配时，SCI层产生强烈响应，否则其响应受到抑制，从而在主要朝向上重现了原始模型的朝向选择性行为。
7.1.2 定量调谐曲线
为了赋予这种行为一种定量的形式，一个条形刺激被以 10° 的增量在 0° 到 180° 的范围内呈现，并且在每个朝向下记录了条形区域内部的平均 SCI 激活。由此产生的调谐曲线在偏好朝向处急剧达到峰值，并且在正交朝向处受到强烈抑制，从而得出
在该实现中，这一结果为以下定性主张提供了定量形式：推断过程能够从无朝向的LGN输入中产生高度选择性的朝向响应。
定性模式（图2）与定量曲线（图3）的结合，在视觉和数值上都展示了朝向选择性行为。在斜向朝向上获得更精细的角度分辨率将需要更大的邻域或更复杂的团（clique）配置，这与原始 3 × 3 公式的空间分辨率是一致的。
7.2 仿真2：对比度不变性与噪声鲁棒性
7.2.1 定性对比度不变性 原始模型中考察的一个核心属性是朝向选择性对刺激对比度的近似不变性，这是V1调谐模型中的一个主要约束条件（Sclar和Freeman，1982；Troyer等，1998；Ferster和Miller，2000；Mariño等，2005）。为了定性测试这一点，在几个对比度水平下呈现固定朝向的条形刺激，并记录每个水平下的SCI活动模式。在测试的对比度值范围内，推断出的SCI模式基本保持不变，这支持了以下解释：基于局部相似性的推断主要取决于LGN输入的相对结构，而不是其绝对幅度。
7.2.2 跨朝向和模型变体的定量噪声鲁棒性
综上所述，定性对比度分析（图4）和朝向分辨的退化曲线（图5-8）为在测试的仿真范围内原始的鲁棒性主张提供了比较形式：偏好响应是对比度不变的，并且对中度LGN噪声具有容忍度，非偏好抑制在噪声下得以维持，只有无界的扰动才会破坏选择性响应。
7.3 跨模型比较
在这种共享设置下，V1ModelBio产生了最清晰的朝向选择性输出（OSI = 1.0），而基线V1Model的调谐更宽（OSI = 0.33）；并排的输出图如图9所示。在相同的驱动下，两种脉冲实现都保持了高度选择性，LIF模型的OSI = 1.0，HH模型的OSI = 0.998，完整的调谐曲线集在图10中进行了比较。因此，该比较应被解读为共享参数分析，而不是单独优化的分析。
8 仿真3：脉冲SCI层实现
前两个仿真使用了原始的速率编码（rate-coded）SCI表示，其中每个皮层细胞取两个值之一。这种二元表示对于最大后验（MAP）推断来说是自然的，但它在速率编码层面强加了一种人为的双稳态（bistability）形式。第三个仿真探讨了推断出的SCI场是否可以通过生物学上明确的时间机制来表达，特别是Shirazi自己关于脉冲实现的预测是否成立。
预测1（Shirazi提出的时间编码解释）。 如果速率编码实现被使用Hodgkin-Huxley型脉冲神经元的时间编码实现所取代，那么速率编码的人为双稳态将被电压门控钠离子和钾离子通道产生的动作电位在生物学上固有的“全或无”（all-or-none）双稳态所取代。
脉冲实现并没有改变贝叶斯-马尔可夫推断步骤；它是对推断出的MAP场的下游时间读出（temporal readout），而不是对推断算法的替换。
该电流驱动一个脉冲神经元网格。脉冲输出以每秒脉冲数的发放率来总结，这是同一推断出的SCI模式的非负时间实现。
8.1 LIF与Hodgkin-Huxley模型
实现了两种脉冲神经元模型。第一种是漏积分-发放（LIF）模型，作为遵循经典积分-发放传统（Lapicque，1907）的简单比较基线而被纳入。第二种是Hodgkin-Huxley（HH）模型（Hodgkin和Huxley，1952），将其纳入是因为它是预测1中所提及的生物物理学上明确的机制，通过电压门控钠离子和钾离子通道产生“全或无”的动作电位。
LIF模型由一个带有阈值和重置发放机制的被动膜方程定义。HH模型则由标准的基于电导的方程描述
因此，HH模型提供了SCI场的机制性脉冲实现，而不是强加的二元发放率编码。
8.2 实验1：基线脉冲朝向选择性
两种脉冲实现都保留了速率编码MAP场的尖锐朝向选择性。在偏好（0°）刺激的驱动下，LIF模型的发放率约为49 Hz，HH模型约为67 Hz，而两者在正交（90°）朝向下均保持静默，从而得出LIF模型的OSI = 1.0，HH模型的OSI = 0.999。偏好朝向群体中没有细胞的发放率超过100 Hz，这表明注入的驱动在测试的仿真中保持有界，而不是产生失控的活动。图11和图12显示了相应的发放率图和脉冲栅格图（spike rasters）：活动被限制在偏好条形区域内，栅格图展示了时间上明确的、“全或无”的动作电位，而不是速率编码中强加的±1值。
8.3 实验2：单神经元异质性与多次试验发放率稳定性
预测1询问双稳态SCI场一旦通过脉冲动力学表达，是否在真实的变异性下保持“全或无”，而不是作为单次运行的伪影。因此引入了两种变异性来源。首先，通过将每个神经元的MAP推导输入电流乘以从 提取的状态随机增益，添加了固定的单神经元异质性。其次，在十个独立的随机噪声实现上重复测量，并计算偏好朝向区域中活跃细胞发放率的变异系数（CV），包括每次试验和跨所有试验汇总。结果总结在表2中。
8.4 实验3：单神经元 f-I 分析
9 讨论
这些仿真研究为原始的贝叶斯-马尔可夫模型提供了定量的重新审视。主要结论是，在本文所考察的数值实验中，Shirazi（2004）提出的核心机制在计算上仍然保持连贯性。
首先，仿真1表明该模型能产生高度尖锐的调谐响应，将定性的朝向模式与达到OSI = 1.0的调谐曲线相结合。这与该模型的核心主张相一致，即朝向选择性抑制可以通过局部概率推断从无朝向的LGN输入中涌现出来。其次，仿真2量化了对比度不变性与鲁棒性，在测试的噪声尺度内确定了接近 $\sigma = 0.1$ 的实际转折点，并展示了所有模型变体在此过程中的相应性能衰退。跨模型比较进一步表明，在共享参数设置下，完全由LGN驱动的、具有生物学动机的实现产生了最清晰的选择性行为。这一比较是对更广泛研究的有益补充，后者表明朝向选择性可能通过前馈结构、循环平衡与脉冲动力学的多种组合而产生或传播（Ben-Yishai等，1995；Somers等，1995；Mariño等，2005；Sadeh和Rotter，2015；Merkt等，2019；Chariker等，2020）。
脉冲（spiking）实现提供了进一步的生物学解释。原始的MAP公式化表述产生了一个二元的SCI场。在HH实现中，这种二元场并非仅仅作为人为强加的速率编码；它是通过“全或无”的动作电位生成来表达的。与LIF模型的比较是有益的，因为它表明，虽然更简单的被动脉冲动力学可以保留朝向选择性，但在存在异质性的情况下，可能会产生分级的（graded）发放率变异性。相比之下，HH模型因其内在的电压门控通道动力学，保留了“全或无”的发放特性。在十次独立的噪声实现中，HH模型的发放率分布基本保持退化状态（合并的变异系数 CV ≤ 0.005），这表明这种“全或无”的行为在所测试的实现中是稳定的，而不仅仅局限于单次运行结果。
本研究仍存在一些局限性。当前的实验侧重于受控的合成刺激，而非大规模的自然图像基准测试。3 × 3 的邻域结构自然地倾向于支持少数几个主要朝向，而更精细的朝向分辨率则需要更大的邻域或更复杂的团（clique）结构。这些局限性界定了本研究的范围，即对原始的贝叶斯-马尔可夫理论进行重新实现和定量评估，而不是用一个新的模型来取代它。
10 结论
本文重新审视了Shirazi关于皮层朝向选择性的贝叶斯-马尔可夫模型，并提供了一种带有定量仿真验证的计算重新实现。原始理论将朝向选择性抑制的出现公式化为一个在两层分层马尔可夫随机场上的最大后验（MAP）估计问题，并通过局部并行松弛算法来求解。我们保留了这一公式化表述，并专注于通过系统的仿真使其行为变得可测量。
结果支持了原始模型的主要定性预测。重新实现的模型产生了尖锐的朝向调谐，在具有生物学动机的实现中达到了OSI = 1.0，并且对中度LGN噪声保持鲁棒性。矢量化实现使得这些仿真在计算上变得可行，而无需改变底层的局部团（clique）操作。最后，脉冲SCI层实现表明，推断出的朝向选择性场可以通过时间上明确的神经动力学来表达。HH模型提供了一种在生物学上可解释的“全或无”脉冲实现的概念验证（proof-of-concept），这与Shirazi提出的时间编码解释相一致。
原文链接：https://arxiv.org/pdf/2608.12388v1
热门跟贴