[论文解读] Testing our conceptual understanding of V1 function

Urs Köster, Bruno A. Olshausen|arXiv (Cornell University)|Nov 4, 2013

Neural dynamics and brain function参考文献 14被引用 4

一句话总结

本研究通过在麻醉猫的皮层所有层中使用高时间分辨率的自然电影和32通道硅质探针记录，检验了V1功能的标准模型。研究发现，许多神经元——尤其是深层神经元——表现出非线性、非经典感受野的响应，这些响应难以被线性或复杂细胞模型准确捕捉，而RBF和非参数模型在预测单次试验响应方面优于传统模型。

ABSTRACT

Here we test our conceptual understanding of V1 function by asking two experimental questions: 1) How do neurons respond to the spatiotemporal structure contained in dynamic, natural scenes? and 2) What is the true range of visual responsiveness and predictability of neural responses obtained in an unbiased sample of neurons across all layers of cortex? We address these questions by recording responses to natural movie stimuli with 32 channel silicon probes. By simultaneously recording from cells in all layers, and taking all recorded cells, we reduce recording bias that results from "hunting" for neural responses evoked from drifting bars and gratings. A nonparametric model reveals that many cells that are visually responsive do not appear to be captured by standard receptive field models. Using nonlinear Radial Basis Function kernels in a support vector machine, we can explain the responses of some of these cells better than standard linear and phase-invariant complex cell models. This suggests that V1 neurons exhibit more complex and diverse responses than standard models can capture, ranging from simple and complex cells strongly driven by their classical receptive fields, to cells with more nonlinear receptive fields inferred from the nonparametric and RFB model, and cells that are not visually responsive despite robust firing.

研究动机与目标

• 挑战V1功能的标准模型，该模型假设神经元表现为线性或相位不变的复杂细胞，并具有经典感受野。
• 通过同时记录所有皮层层的活动来减少采样偏差，避免使用移动条栅或光栅来‘搜寻’视觉响应神经元。
• 评估在无偏倚的V1神经元样本中，所有皮层层的视觉响应范围和可预测性的真实程度。
• 评估非线性模型（如RBF和非参数方法）是否能比标准线性或复杂细胞模型更好地预测单次试验的响应。

提出的方法

• 使用32通道硅质多孔电极，在麻醉猫接受高帧率（300 Hz）自然电影刺激时，记录所有皮层层的多单元活动。
• 对刺激进行预处理，下采样至150 Hz CRT刷新率，并仅选择具有强烈自然运动的场景，以避免剪辑或亮度变化带来的伪影。
• 应用非参数（oracle）建模方法，估计在不假设特定模型结构的前提下，响应可预测性的上限。
• 使用线性滤波器和相位不变能量模型，拟合简单细胞和复杂细胞感受野的广义线性模型（GLMs）。
• 采用径向基函数（RBF）支持向量机，建模非线性、非经典感受野的响应。
• 使用受试者工作特征（ROC）曲线和决定系数（r²）评估模型性能，重点关注单次试验预测的准确性。

实验结果

研究问题

• RQ1 与标准刺激（如移动条栅或光栅）相比，V1神经元对动态自然场景的时空结构如何响应？
• RQ2 在无偏倚的皮层所有层神经元样本中，视觉响应的真实范围和可预测性是什么？
• RQ3 标准线性模型和复杂细胞模型在多大程度上无法捕捉自然条件下V1神经元响应的多样性？
• RQ4 非线性模型（如RBF分类器）是否能在预测自然电影单次试验响应方面优于传统线性或相位不变模型？

主要发现

• 视觉响应在II/III层和IV层最强，线性滤波器模型在此处表现最佳，表明以往研究中对这些层的采样存在历史偏差。
• 相当大比例的神经元——尤其是深层神经元——表现出非线性、非经典感受野的响应，这些响应难以被标准线性或复杂细胞模型准确捕捉。
• 非参数（oracle）模型解释了单次试验响应中63%的方差，表明即使是最优模型也只能捕捉响应变异性的一小部分。
• RBF分类器在预测单次试验响应方面优于标准模型，尤其在具有复杂非线性调谐特性的神经元中表现更优。
• 尽管ROC分析的曲线下面积（AUC）达到80%，但在曲线上“拐点”处，模型的假阳性数量多于真阳性数量，表明单次试验预测能力有限。
• 基于PSTH的决定系数为51%，被认为偏高，但模型未能捕捉到尖锐的时间瞬态变化，凸显了对试次间变异性建模的局限性。