[论文解读] The population doctrine revolution in cognitive neurophysiology

R. Becket Ebitz, Benjamin Y. Hayden|arXiv (Cornell University)|Mar 31, 2021

Neural dynamics and brain function参考文献 22被引用 6

一句话总结

本文倡导认知神经生理学范式从单神经元分析向群体水平分析的转变，引入五个核心概念——状态空间、流形、编码维度、子空间和动力学——以解码神经群体活动。它展示了这种群体理论如何为注意力、工作记忆、决策和学习等认知过程提供新的洞见。

ABSTRACT

A major shift is happening within neurophysiology: a population doctrine is drawing level with the single-neuron doctrine that has long dominated the field. Population-level ideas have so far had their greatest impact in motor neurophysiology, but they hold incredible promise for resolving open questions in cognition. Here, we codify the population doctrine and survey recent work that leverages this view to probe cognition. Our discussion is organized around five core concepts that provide a foundation for population-level thinking: (1) state spaces, (2) manifolds, (3) coding dimensions, (4) subspaces, and (5) dynamics. The work we review illustrates the progress and promise that population neurophysiology holds for cognitive neuroscience$-$for delivering new insight into attention, working memory, decision-making, executive function, and learning.

研究动机与目标

• 在认知神经生理学中，建立从单神经元分析到群体水平分析的概念与方法论转变。
• 识别并归纳五个基础概念——状态空间、流形、编码维度、子空间和动力学——作为群体水平神经计算的理论基础。
• 展示群体理论如何解决认知领域长期存在的问题，例如注意力、工作记忆和决策相关问题。
• 为跨多种认知功能的神经群体活动提供统一的解释框架。
• 将群体神经生理学定位为推动认知神经科学发展的变革性方法。

提出的方法

• 以状态空间定义神经群体活动，其中每个点代表一群神经元活动的独特模式。
• 利用流形在高维神经状态空间中建模低维子空间，捕捉群体动力学的内在几何结构。
• 将编码维度识别为携带行为或认知信息的神经可变性的主轴。
• 通过分析子空间，分离与特定认知过程（如工作记忆或决策形成）相关的神经表征。
• 通过状态空间内的时序演化建模神经动力学，揭示群体活动在不同认知状态间过渡的机制。
• 将这些概念整合为一个连贯的框架，用于解释认知任务中的群体水平神经数据。

实验结果

研究问题

• RQ1 如何系统性地建模群体水平的神经活动，以揭示其潜在的认知机制？
• RQ2 低维流形和编码维度在表征注意力或工作记忆等认知状态中发挥何种作用？
• RQ3 神经子空间如何对应于特定认知功能，如决策或执行控制？
• RQ4 状态空间内的群体动力学在多大程度上反映了认知过程的时序演化？
• RQ5 与单神经元方法相比，群体理论在理解学习和神经可塑性方面有何改进？

主要发现

• 群体理论为跨多种认知领域（包括注意力和工作记忆）的神经群体活动提供了稳健的解释框架。
• 神经群体活动组织成低维流形，反映认知的动态状态，从而实现对行为状态更精确的解码。
• 群体活动中编码维度携带关于认知变量的显著信息，其预测能力通常优于单神经元编码。
• 神经状态空间中的子空间对应于特定认知功能，如刺激编码或决策形成，从而实现对神经回路的功能性解析。
• 状态空间内动力学轨迹揭示了神经群体在不同认知状态间过渡的机制，为学习和执行控制等过程提供了洞见。
• 状态空间、流形与动力学的整合，使我们对认知过程的理解更加全面且具有更强预测力，远超单神经元分析的局限。