新海报和口头汇报发表在 CCCN2021 
Modeling attentional modulated spike count correlation in macaque V1.
Kai Chen, Songting Li, Douglas Zhou
关键词: 视觉注意，初级视觉皮层（V1），环路发放率模型，差分进化算法，平均场分析
Abstract: 注意（包括空间注意与情境依赖的注意）被认为是一项重要的认知功能，它使人类与非人灵长类能够在资源受限的感觉通路中高效地加工信息。其背后的神经机制迄今仍不清楚，并已被广泛研究。已有的视觉注意实验工作表明，注意一方面会促进目标神经元的激活，另一方面会降低目标神经元群体内部的脉冲计数相关性。近期，我们的实验合作者对猕猴V1神经元进行了研究，发现注意既可能增强也可能抑制神经元的响应。更有意思的是，非抑制型神经元对（两个神经元均为注意增强型或注意抑制型）之间的脉冲计数相关性随注意负荷（或任务难度）的增加而下降，而抑制型神经元对（其中至少一个神经元为注意抑制型）的脉冲计数相关性则随注意负荷的增加而上升。关于情境依赖注意的传统假说认为，注意信号是由高级皮层区域自上而下传入初级感觉皮层的输入。为了验证这一假说，同时理解上述非平凡的注意对脉冲计数相关性的调制，我们首先基于实验约束构建了神经元群体的环路发放率模型，用以拟合三类注意调制神经元的活动。随后，我们采用无梯度优化算法——差分进化算法——调节模型参数，使之满足关于发放率和脉冲计数相关性水平的实验约束。我们的模型表明，抑制性投射起到了关键作用。同时，我们的模型能够灵活地预测在不同类型的输入驱动以及不同输入对比度下脉冲计数相关性的调制情况。借助平均场分析，我们进一步验证了使脉冲计数相关性调制保持单调所需的参数范围。更重要的是，我们的发放率模型能够为这几类注意调制神经元的可能构成提供直观的线索。基于这样的直觉，我们可以进一步构建脉冲神经网络模型，以检验我们关于自上而下注意机制的假说。作为一项正在进行的工作，我们提供了一个用基于发放率的环路模型高效刻画注意对脉冲计数相关性调制的框架。结合无梯度参数优化与平均场分析，该框架能够为其潜在的调制机制提供充分的直观理解。