【通俗理解】噪声与延迟在大脑静息态波动中的角色
参考文献:
【PNAS】耦合、延迟和噪音在静息大脑波动中的关键作用
噪声与延迟的类比
- 你可以把噪声比作大脑网络中的“微风”,虽然看似微不足道,却能在适当的条件下“吹动”网络,激发出丰富的动态行为。
- 而延迟就像是大脑中的“回音室”,信号在神经元间传递时产生的延迟,让网络有机会“回响”和“共振”,从而形成复杂的时空模式。
相似公式比对
无延迟的耦合振子模型: d θ i d t = ω i + ∑ j ≠ i K i j sin ( θ j − θ i ) \frac{d\theta_i}{dt} = \omega_i + \sum_{j \neq i} K_{ij} \sin(\theta_j - \theta_i) dtdθi=ωi+j=i∑Kijsin(θj−θi) 这个模型描述了没有延迟的耦合振子网络,其中
θ i \theta_i θi 是振子 i i i 的相位, ω i \omega_i ωi 是其自然频率, K i j K_{ij} Kij 是耦合强度。带延迟的Kuramoto模型: d θ i d t = ω i + ∑ j ≠ i K i j sin ( θ j ( t − τ i j ) − θ i ) \frac{d\theta_i}{dt} = \omega_i + \sum_{j \neq i} K_{ij} \sin(\theta_j(t - \tau_{ij}) - \theta_i) dtdθi=ωi+j=i∑Kijsin(θj(t−τij)−θi)
这个模型在Kuramoto模型的基础上引入了延迟,描述了信号传递过程中的时间滞后。带有噪声和延迟的神经元网络模型(如本文所述): d u i d t = − a ( u i − b ) + w ∑ j ≠ i J i j s ( u j ( t − τ i j ) ) + ξ i ( t ) \frac{du_i}{dt} = -a(u_i - b) + w \sum_{j \neq i} J_{ij} s(u_j(t - \tau_{ij})) + \xi_i(t) dtdui=−a(ui−b)+wj=i∑Jijs(uj(t−τij))+ξi(t)
这个模型结合了神经元的生物物理特性、节点间的耦合关系、信号传递的延迟以及噪声的影响,能够更真实地模拟大脑网络的动态行为。
通俗解释与案例
-
噪声的角色
- 想象一下,一个平静的湖面,微风轻轻吹过,虽然每次只引起微小的涟漪,但长时间的累积效应却能让湖面充满活力,展现出不同的波纹图案。大脑网络中的噪声也类似,微小的随机波动在长时间的累积下,能够引发复杂的动态行为,如静息态网络的涌现。
-
延迟的角色
- 再想象一下,你在一个空旷的大厅中说话,声音会在墙壁间不断反射,形成回声。这种回声(延迟)不仅延长了声音的存在时间,还丰富了声音的结构。在大脑网络中,信号传递的延迟也起到了类似的作用,它让信号有机会在网络中“回荡”,从而形成更加复杂的时空活动模式。
-
噪声与延迟的共同作用
- 当噪声和延迟同时作用于大脑网络时,它们就像微风和回音室一样,共同激发出网络的潜在动态。噪声提供了随机性,使得网络能够探索不同的状态;而延迟则让网络有机会在这些状态之间转换和共振,最终形成我们观察到的静息态波动。
公式解释与案例
在文章中,作者使用了Wilson-Cowan模型来描述单个节点的动态,并通过引入噪声和延迟来模拟整个网络的集体行为。具体公式可能涉及神经元的激活率随时间的变化,以及节点间的耦合关系。
可以根据常见的神经科学模型来构建一个类似的公式框架:
d u i d t = − a ( u i − b ) + w ∑ j ≠ i J i j s ( u j ( t − τ i j ) ) + ξ i ( t ) \frac{du_i}{dt} = -a(u_i - b) + w \sum_{j \neq i} J_{ij} s(u_j(t - \tau_{ij})) + \xi_i(t) dtdui=−a(ui−b)+wj=i∑Jijs(uj(t−τij))+ξi(t)
其中:
- u i u_i ui 表示神经元 i i i 的膜电位或激活率。
- a a a 和 b b b 是与神经元内在属性相关的参数。
- w w w 是全局耦合强度。
- J i j J_{ij} Jij 是神经元 j j j 到神经元 i i i 的连接权重。
- s ( u j ( t − τ i j ) ) s(u_j(t - \tau_{ij})) s(uj(t−τij)) 表示神经元 j j j 在时间 t − τ i j t - \tau_{ij} t−τij 的激活函数,考虑了信号传递的延迟 τ i j \tau_{ij} τij。
- ξ i ( t ) \xi_i(t) ξi(t) 表示作用在神经元 i i i 上的噪声项。
变量 | 描述 |
---|---|
u i u_i ui | 神经元 i i i 的膜电位或激活率 |
a a a | 与神经元内在属性相关的参数 |
b b b | 与神经元内在属性相关的参数 |
w w w | 全局耦合强度 |
J i j J_{ij} Jij | 神经元 j j j 到神经元 i i i 的连接权重 |
τ i j \tau_{ij} τij | 神经元 j j j 到神经元 i i i 的信号传递延迟 |
ξ i ( t ) \xi_i(t) ξi(t) | 作用在神经元 i i i 上的噪声项 |
公式探索与推演运算
公式推导
上述公式是一个简化的神经元网络模型,其中包含了神经元激活率的动态变化、节点间的耦合关系、信号传递的延迟以及噪声的影响。这个模型可以通过数值方法进行求解,以模拟整个网络的集体行为。
为了更深入地理解这个模型,我们可以进一步推导一些关键性质。例如,我们可以分析模型在不同参数条件下的稳定性,以及噪声和延迟如何影响网络的同步性和动态行为。
相似公式比对
-
无延迟的耦合振子模型:
d θ i d t = ω i + ∑ j ≠ i K i j sin ( θ j − θ i ) \frac{d\theta_i}{dt} = \omega_i + \sum_{j \neq i} K_{ij} \sin(\theta_j - \theta_i) dtdθi=ωi+j=i∑Kijsin(θj−θi)
这个模型描述了没有延迟的耦合振子网络,其中 θ i \theta_i θi 是振子 i i i 的相位, ω i \omega_i ωi 是其自然频率, K i j K_{ij} Kij 是耦合强度。 -
带延迟的Kuramoto模型:
d θ i d t = ω i + ∑ j ≠ i K i j sin ( θ j ( t − τ i j ) − θ i ) \frac{d\theta_i}{dt} = \omega_i + \sum_{j \neq i} K_{ij} \sin(\theta_j(t - \tau_{ij}) - \theta_i) dtdθi=ωi+j=i∑Kijsin(θj(t−τij)−θi)
这个模型在Kuramoto模型的基础上引入了延迟,描述了信号传递过程中的时间滞后。 -
带有噪声和延迟的神经元网络模型(如本文所述):
d u i d t = − a ( u i − b ) + w ∑ j ≠ i J i j s ( u j ( t − τ i j ) ) + ξ i ( t ) \frac{du_i}{dt} = -a(u_i - b) + w \sum_{j \neq i} J_{ij} s(u_j(t - \tau_{ij})) + \xi_i(t) dtdui=−a(ui−b)+wj=i∑Jijs(uj(t−τij))+ξi(t)
这个模型结合了神经元的生物物理特性、节点间的耦合关系、信号传递的延迟以及噪声的影响,能够更真实地模拟大脑网络的动态行为。
使用上的差异:
- 无延迟的耦合振子模型适用于描述即时相互作用的系统。
- 带延迟的Kuramoto模型适用于描述具有时间滞后相互作用的系统,如大脑网络中的信号传递。
- 带有噪声和延迟的神经元网络模型则更加复杂,能够更全面地描述大脑网络的动态行为,包括噪声对系统稳定性的影响、延迟对同步性的影响等。
关键词提炼
#噪声
#延迟
#大脑静息态网络
#Wilson-Cowan模型
#同步性
#动态行为
#信号传递
#噪声共振
#时间滞后