22 items tagged
Motivation Here we summarize a few common probabilistic neural population models. Adapted from reading notes and class presentations from Neuro QC316 taught by Jan Drugowitsch. LNP, GLM These are the simplist models of neurons.
Note on Neural Tuning and Information Given a stimuli with $D$ intrinsic dimensions, we consider how one neuron or a population of neurons is informative about this stimulus space. Specific Information (Mutual Information) Setup for specific information computation is easy given a certain response $r$ , compute the reduction of entropy of stimuli $\mathbb s$ .
Notes on Cortical Waves Methods
Notes on Visual Imagery Definition: Recreate the sensory world in mind in absense of physical stimuli. Usage in daily cognition Closely related to memory. We solve some cognitive task by recreating the visual scene in mind and examine the mind picture! Some tasks are memory about spatial some are feature memory! Usage in creative work Provides another way of thinking, other than verbal and logical induction. Intuition Characteristics of Imagery Is the representation spatial or propositional?
Note on Categorization and Concepts From lecture notes from Science of Behavior Configuration The relative configuration of a single elements Example: Face What defines a face? Components Essential feature Configural property Relative Invariance to many change in Stimuli
Based on Goldstein Book Chapter and lecture from Jeff Beck Note on Forms of Memory Definition pin down can be very tricky! Definition Retaining, retrieving, using information after the original information (stimuli) does not present. (Inner view) Any process that some past experience has an effect on the way the subject think and behave in the future. (Outer View) Thus can generalize into even non-animated things! Memory of magnet Use of Memory Longterm Memory Human: Remember things relevant for life. (name, pw, birthday, info about others, address, knowledge) Ecological: cache for food, foraging location. Shorterm Memory Continuity of awareness Different forms Memory has many forms.
Informative Fragment Approach to Object Recognition It’s intuitive that some basic features in the image of objects are informative to the category of the object. Thus, even for occluded images, the revealed fragments can also provide such information, so that we could recognize the object from few patches.
Note on Animal Perception From lecture of Science of Behavior What does it feel to be a bat!? Umwelt: the sensory world of an animal, can be very different from ours. Different precision, range … Use same modality in different ways: Sound Imaging Electro-/Magneto-reception “More extreme your claim, stronger your evidence!”
How to Parse Latin/Greek Anatomical/Physiological Terms TOC {:toc} 大部分现代医学 解剖术语似乎是文艺复兴之后生理学家创造的，但为了显得高端，使用当时的国际学术语言Latin书写。因为当时Latin在当时早已不是日常语言，所以大多是科学家们非常规整的用Classic Latin/Greek 的词根Root 词缀Pre-/Suffix 变位法Conjugation，人工构词产生的，算New Latin。所以知道了词根之后拼写起来单词就会像写中文组词一样，记忆起来也容易1，也更容易根据词形记忆解剖结构的位置。 词根 单个词大多是由词根词缀组合而成 比如 肋骨rib= costa costae(单数形容词) costarum(复数形容词) 腹股沟groin= Ilium Ilio(变位形式) 合在一起成了Iliocostalis 髂肋肌 Wikipedia List of medical roots, suffixes and prefixes
Note on Behavioral Study History of Behavioral Science Two historical trends of study combines into modern comparative cognition / behavioral science study. Comparative Psychology More in context of psychology: Athropocentric
上一篇post介绍到了与视觉意识相关的一些神经活动 做梦, 幻觉与意识(Dream, Hallucination and Consciousness) 笛卡尔在第一哲学沉思集的第一卷设想各种自己的知识可能出错的情形时, 想到了经典的做梦案例: 我以为我看到了燃烧的火炉, 但实际上可能我在被窝里呼呼大睡呢! 像笛卡尔一样, 对大多数人, 做梦是强烈的视觉过程, 我们会觉得自己在睡梦中看到了些什么. 某种意义上说这也是一种不同状态的视觉意识. 那么一个有趣的问题就是睡眠过程中的大脑活动和醒来时有什么不同呢, 而做梦时和不做梦时的活动有什么不同呢? 由于没有外界输入也没有行为输出和基于任务的认知活动, 做梦中的脑活动似乎可以干净的与梦中的视觉意识挂钩. 这样看来做梦似乎是研究视觉意识的神经对应的良好范式. 经典研究中, 睡眠可以依据脑电(EEG)频谱, 波形和眼动活动进行分段, 大致可以分成非快速眼动睡眠(NREM)与快速眼动睡眠(REM). 前者还可以分为N1, N2, N3-慢波睡眠, 随数字增大睡眠加深. 传统上认为, 大多数做梦发生在快速眼动睡眠期间, 而且REM期间的脑电活动与觉醒时的活动很像. 经典的功能磁共振-脑电联合测量(fMRI-EEG)发现1, 在快速眼动睡眠(REM)时初级视皮层的神经活动被抑制, 而高级/联合视觉皮层(如fusiform gyrus and medial temporal lobe)的活动被大大加强. 反过来在慢波睡眠(SWS)中, 有观测到初级听觉 视觉皮层的激活, 而高级区域(如medial temporal)则被抑制了. 这么看来似乎而视觉联合/高级皮层与视觉意识的关系更紧密.
DeepLabCut Trouble Shooting @(Ponce Lab) TOC {:toc} Install DLC Windows machine, follow the steps in install tutorial to establish the whole conda environment in the machine. Fail at first step Many of us just fail at first step, some error message like
看得见还是看不见, 这是一个问题! 如果问你, 你现在看到了什么, 你可以不假思索地说, 就是眼前的屏幕嘛. 如果稍微受过一点生理学或者神经科学训练的人也许会说, 我们看到的是这个充满电磁波的世界里, 光学波段辐射被眼球的光学元件折射之后, 落在我们视网膜上的影像. 然而我们不总是能看见落到我们视网膜上的东西. 稍加反思, 我们都会想到自己夏日午后看着窗外出神的时候, 其实并没有看见窗外有什么景色；对着讲台发呆的时候也没有看到黑板上的字是什么；对着击球手飞速击出的棒球同样略过了视网膜, 但是否产生了知觉只有他知道. 简而言之, 就像英语中see（看到）与look（看的动作）不同, 我们看到的东西绝不是落在我们视网膜上的光子所携带的所有信息1——你看不见不可见光也看不到偏振. 那么是什么决定了我们能看到什么以及看到的世界是什么样子呢? 我们可以拍脑门的说, 当我们用心去看就能看到(比如黑板或者窗外), 如果不用心, 那刺激就被我忽视(Neglect)了嘛——的确没错, 这就将我们引导到了视觉注意(Visual Attention)的领地. 不过这篇post中我们先不讨论注意的问题, 而要去关注一些与视觉意识相关的更基本的情况. 什么时候我们看不到 (When we do not see) 首先, 我们将自然环境以及落在视网膜上的光子一概称为物理刺激(Physical stimuli), 我们感觉到的那个世界称为主观感受(Perception)2. 那么刺激与感受不完全匹配的情况其实比比皆是, 下面举几个例子：
Motivation Although there are a millennium of methods for neural and behavioral signal recording, the questions asked about the neural data is ususally less diverse. Ultimately, everything is number and we process numbers with algorithm.
Note on Selective Attention From Christofer Koch 2013 Lecture Visual Attention and Consciousness Goldstein, Chapter Attention In nature language Attention refers to a family of abilities Vigilance / overall attention Selective attention: processing sth in the cost of others Distributed attention Automaticity (action / perception task that does not take capacity) Selective attention is different from general attention —- arousal.
Note on Computation by Biological Plausible Learning from lecture of Cengiz Penleven 2019 Philosophy Neural dynamics can be a substrate of computation. The neural dynamics and plasticity dynamics can both do optimization, and the biological constraint form a source of constraint on variables.
Larval zebrafish is a tiny vertebrate, really suitable for circuit study, as its translucency. Gross Anatomy Data Zebrafish brain explorer @ Harold Burgess Lab Cell Type Data Comprehensive Identification and Spatial Mapping of Habenular Neuronal Types Using Single-Cell RNA-Seq Standard Brain
Note on Automatic 3D Instance Segmentation Pipeline In this note I try to summarize several recent works on Automatic 3D Instance Segmentation, with most direct application to saturated reconstruction of neural morphology in an imaging volume (mostly scanning Electral Microscopy, but seems it can be generalized into other imaging modality), which is one of the most important method of high-throughput connectomics1.
先天与后天 (Nature or Nurture) 首先让我们从一个更大的背景开始. 长久以来, 从哲学家, 心理学家到神经科学家, 许多探索人类本性的研究者都会讨论所谓先天与后天的问题. 哲学家们追问的是人性, 即人作为人的规定性(definitive property)是先天的还是后天的: 在某个讨论中是说, 人到底先天上是有内容, 被规定的, 还是就是一块白板呢1; 在心理学的语境中讨论的是行为或心理规律的来源 — 这些规律到底是先天具有, 还是后天被培养, 教导, 学习(learning), 适应(adaptation)才逐步形成的呢. 在物质层面的神经机制上, 我们的神经系统也被两种过程决定, 一部分是生理的发育过程(development)2, 一部分是后天的学习, 记忆, 适应(learning, memory, adaptation)变化. 前者很大程度被基因决定 (genetically-encoded), 是分子机器的运转诱导下精确的环路组装3; 后者则由输入的环境刺激, 以及神经系统自身的可塑性(neural plasticity)决定, 是高度个性化与"文化"相关的.4 用常见的神经-计算机类比粗略来讲, 被基因决定的前者像是事前烧好的电路板, 即硬件(hardware); 可以学习适应的后者就像是软件(software), 可以在较快时间尺度内修改.
How to automatically analyze behavior video? DeepLabCut is a powerful tool to rapidly1 train a neural network (based on ResNet) to track keypoints on movement videos, esp. those of moving human or animals. Thus this is a game changing tool for all kind of behavior quantification for neuroscience and psychology researchers (can be applied to nearly any behavioral science topic, e.g. motor learning, motor control, facial expression, social interaction…). The workflow is relatively simple and it scarcely takes time after the network have been trained, and the video analysis can be done automatically. Because of this it’s really favorable to the reserchers doing long term ecological video recording.
引言: 感觉系统 一直以来我都被这个简单的事实深深震撼: 我们的心智(mind)其实一直都生活在一个密不透风, 不见天日的黑匣子里(Skull), 但因为我们无比强大的感觉系统(Sensory System), 我们才能在神经信息处理的过程中渲染出这样清晰美妙的主观现实, 并无缝的与这个世界交互. 感觉系统就是这个探测外在物理环境转换成主观现实的存在呀. 1 在科学还属于哲学的时代, 人们就知道人的感觉至少是有5种主要模态(modality)的, 视觉, 听觉, 嗅觉, 味觉, 触觉(包括痛觉,痒).2 对于任何一种感觉模态, 神经系统核心的问题都是, 如何快速(fast), 有效(efficient)的表征(represent), 分析(analyze)物理世界的刺激, 得到有用的信息. 类似于对电路的分析, 神经环路的分析(neural circuit analysis), 就在追问神经元自身性质(被其中的分子机器决定), 及其连在一起组成的环路是如何解决上述信号处理中的"工程计算"问题的. 作为一个例子, 这篇post要科普的就是不同生物(特别是低等生物) 的听觉感受细胞是如何解决频率选择问题的.
题记 一直计划着博士期间定期写一点note把自己最近学到的有趣的, 美妙的东西记下来. 如果读得是一个数学物理的博士, 或者理论神经科学的博士, 那这种Note就像是在数学世界中的探险笔记, 可以叫This week’s finding, 大约就是这周看了什么书, 学会了什么数学, 玩儿了什么Model, 发现了什么trick或者math game，做了什么优美的图. (可以参见之前挖出来好些有意思东西的一个站点 This Week’s Finds in Mathematical Physics UCR一个数学物理教授坚持了十多年的每周数学笔记) 不过现实中, 我读的是Neuroscience的博士, 大概只能写learning写不了什么finding了. (而对于Brain一周时间也学不了什么新东西…) 因此, Note的内容就会更庞杂: 一部分是技术性的, 新学会的数学、统计方法、机器学习方法, 也许会有新的实验技术以及相关的物理原理; 另一部分是理念类的，也许有最近听seminar听到的神经或者心理的实验结果，也可能是相关的有趣的哲学讨论。我想我会逐渐发现哪些内容更适合分享, 以及哪些内容写下来对自己以及对读者更有帮助, 经过一段时间的磨合，这个post series应该能形成自己的风格。