【通俗理解】噪声与延迟在大脑静息态波动中的角色

【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： $$\frac{d{\theta }_i}{dt}={\omega }_i+\sum _{j\ne i}{K}_{ij}\sin ({\theta }_j-{\theta }_i)$$ 这个模型描述了没有延迟的耦合振子网络，其中
  ${\theta }_i$ 是振子 $i$ 的相位，${\omega }_i$ 是其自然频率，$K_{ij}$ 是耦合强度。

• 带延迟的Kuramoto模型： $$\frac{d{\theta }_i}{dt}={\omega }_i+\sum _{j\ne i}{K}_{ij}\sin ({\theta }_j(t-{\tau }_{ij})-{\theta }_i)$$
  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）： $$\frac{d{u}_i}{dt}=-a(u_i-b)+w\sum _{j\ne i}{J}_{ij}s(u_j(t-{\tau }_{ij}))+{\xi }_i(t)$$
  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

1. 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。

2. 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。

3. 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：

$$\frac{d{u}_i}{dt}=-a(u_i-b)+w\sum _{j\ne i}{J}_{ij}s(u_j(t-{\tau }_{ij}))+{\xi }_i(t)$$

其中：

• $u_i$ 表示神经元 $i$ 的膜电位或激活率。
• $a$ 和 $b$ 是与神经元内在属性相关的参数。
• $w$ 是全局耦合强度。
• $J_{ij}$ 是神经元 $j$ 到神经元 $i$ 的连接权重。
• $s(u_j(t-{\tau }_{ij}))$ 表示神经元 $j$ 在时间 $t-{\tau }_{ij}$ 的激活函数，考虑了信号传递的延迟 ${\tau }_{ij}$。
• ${\xi }_i(t)$ 表示作用在神经元 $i$ 上的噪声项。

变量	描述
$u_i$	神经元 $i$ 的膜电位或激活率
$a$	与神经元内在属性相关的参数
$b$	与神经元内在属性相关的参数
$w$	全局耦合强度
$J_{ij}$	神经元 $j$ 到神经元 $i$ 的连接权重
${\tau }_{ij}$	神经元 $j$ 到神经元 $i$ 的信号传递延迟
${\xi }_i(t)$	作用在神经元 $i$ 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：
  $$\frac{d{\theta }_i}{dt}={\omega }_i+\sum _{j\ne i}{K}_{ij}\sin ({\theta }_j-{\theta }_i)$$
  这个模型描述了没有延迟的耦合振子网络，其中 ${\theta }_i$ 是振子 $i$ 的相位，${\omega }_i$ 是其自然频率，$K_{ij}$ 是耦合强度。

• 带延迟的Kuramoto模型：
  $$\frac{d{\theta }_i}{dt}={\omega }_i+\sum _{j\ne i}{K}_{ij}\sin ({\theta }_j(t-{\tau }_{ij})-{\theta }_i)$$
  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）：
  $$\frac{d{u}_i}{dt}=-a(u_i-b)+w\sum _{j\ne i}{J}_{ij}s(u_j(t-{\tau }_{ij}))+{\xi }_i(t)$$
  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