神经动力学模型读书会启动：整合计算神经科学的多学科方法

导语

随着电生理学、网络建模、机器学习、统计物理、类脑计算等多种技术方法的发展，我们对大脑神经元相互作用机理与连接机制，对意识、语言、情绪、记忆、社交等功能的认识逐渐深入，大脑复杂系统的谜底正在被揭开。为了促进神经科学、系统科学、计算机科学等领域研究者的交流合作，我们发起了【神经动力学模型读书会】。

集智俱乐部读书会是面向广大科研工作者的系列论文研读活动，其目的是共同深入学习探讨某个科学议题，激发科研灵感，促进科研合作。【神经动力学模型读书会】由集智俱乐部和天桥脑科学研究院联合发起，将于3月19日开始，每周六下午14:00-16:00（或每周五晚上19:00-21:00，根据实际情况调整）进行，预计持续10-12周。期间将围绕神经网络多尺度建模及其在脑疾病、脑认知方面的应用进行研讨，读书会详情及参与方式见文末。

一、读书会背景

人类大脑是一个由数以百亿计的神经元相互连接所构成的复杂系统。自神经科学这一学科建立以来，从解析神经元之间的相互作用机理、到刻画皮层柱之间的连接形式、再到探究脑区间不同认知功能的分离与整合模式，无数科学家试图从不同尺度研究大脑，以期揭示人脑这一最为复杂的神经系统的工作模式，进而理解语言、情绪、记忆和社会交往等高级认知活动的底层神经机制，并一定程度上启发通用人工智能机器人的设计。

近年来，脱胎于系统科学的动力学建模方法，逐渐被广泛地应用于神经科学研究中，其作为一种绝佳的数理工具，愈发地受到研究人员的重视，在类脑计算、脑认知原理解析和脑重大疾病致病机理探索等具体方面，发挥着不可替代的作用。

本着促进神经科学、系统科学以及计算机科学等不同领域的学术工作者的交流与合作，激发有志于加入脑科学与类脑研究这一领域的同学们的研究兴趣，来自国内外多所知名高校的专家学者（详见发起人介绍）共同发起了本次「神经动力学模型」读书会，聚焦于神经科学中的动力学建模这一前沿课题，讨论他们在研究一线中遇到的实际困惑，对相关文献进行深入梳理、激发跨学科的学术火花。

二、读书会概览

1. 大脑的多尺度动力学建模

大脑的动力学建模可以涵盖不同的时间和空间尺度。例如，微观尺度上神经元层面的神经元细胞膜模型（Hodgkin-Huxley），它描述神经元动作电位的启动和传播；宏观尺度上群体神经元层面的动力学模型（Neural Mass Model）和神经场模型（Neural Field Model）等，它描述脑区不同群体神经元的动态演化。上述模型均为平均场模型，可进一步拓展为基于结构耦合的全脑动力学模型，它描述跨脑区之间的信息传递。

2. 动力学模型和机器学习模型的融合

传统动力学模型的表达能力有限，难以准确描述具有个体特异性的大脑动力学过程。将动力学模型和机器学习模型进行融合从而可以得到针对特定个体数据的动力学模型，如物理信息神经网络（Physics-informed neural network）以及神经常微分方程（Neural ODE）。这类模型同时具有类似于传统动力学模型的可解释性和源于机器学习的较强表达能力。

3. 动力学模型在脑疾病、脑认知、类脑计算中的应用

广义来说，神经动力学模型可提供一种可控的方式（调整刺激参数和靶点等）激励、抑制或中断大脑网络动态变化，从而实现疾病治疗或脑功能增强。在癫痫研究中，神经动力学模型或可更早地告诉我们大脑已经进入临界状态，从而更好地预测癫痫发作，并发现易受影响的大脑区域，使用药物、神经调控或手术等方法，降低癫痫发作的可能性或者治愈癫痫。已有的工作通过平均场模型揭示了知觉决策过程动力学的机制，还进一步将网络模型拓展到多任务情形，精妙地展示了神经系统通过动力学行为执行认知功能的神经计算机制。同时，神经动力学模型可以为新一代人工神经网络的算法提供指导思想，也可以为下一代专用和通用神经形态芯片提供计算框架。例如当前的一个研究热点为如何利用生物神经系统的实验概念和最新发现，来发展下一代的基于脉冲计算的人工智能。

本次读书会，我们讨论神经科学中基于多尺度建立动力学模型的方式方法，以及其在脑疾病病理探索，脑认知原理解析方面的具体应用。

三、读书会的安排

1. 神经动力学发展综述

2. 神经元动力学

3. 神经动力学场论

4. 全脑动态模拟

5. 多尺度生成模型

6. 睡眠调控

7. 癫痫发作的神经动力学

8. 神经调控

9. 决策的神经计算机制

10. 脉冲神经网络的应用

11. 总结圆桌会

四、发起人介绍（按主持主题顺序）

1. 周昌松

周昌松，物理学博士，香港浸会大学物理系教授、系主任，浸会大学非线性研究中心主任,计算及理论研究所副所长。1992年获南开大学物理学士, 1997年获南开大学物理博士，1997-2007年在新加坡、香港、德国等地从事访问研究, 是洪堡基金获得者。2007年加入香港浸会大学物理系， 2011年获浸会大学"杰出青年研究者校长奖"，2021年获"杰出研究表现校长奖"。在国际交叉学术刊物 PNAS，PRL，Physics Reports，National Science Review,J Neuroscience, NeuroImage, Cerebral Cortex,PLoS Computational Biology等发表论文150余篇 (Google Scholar引用15900余次，H-因子为48)。任Scientific Reports 编委，PLoS One，Cognitive Neurodynamics学术编辑，及多种国际期刊常任审稿人。

研究方向：对生物神经网络复杂结构、动力学及其低成本高效益如何启发类脑智能具有浓厚的兴趣。致力于复杂系统动力学基础研究及其应用，特别是网络的复杂联结结构与体系的动态行为的关系和相互作用。近几年与国际国内系统和认知神经科学家合作，把这些理论进展应用到大脑的复杂联结结构和活动以及认知功能及障碍的分析和建模等方面研究中。

2. 臧蕴亮

臧蕴亮，目前工作在美国Brandeis University，计划于2022年返回国内。博士毕业于浙江大学生物医学工程系，博士课题是计算机心脏建模。博士后阶段加入日本冲绳OIST Erik De Schutter小组开始计算脑科学研究，2019年加入美国Brandeis University Eve Marder小组。研究重心是神经元特性及其在脑信息处理中关键作用，代表工作发表在PNAS、Cell Reports、ELife和Journal of Neuroscience等期刊上。

研究兴趣：树突学习、树突编码、小脑学习、神经系统鲁棒性机制、神经调控、记忆形成和遗忘机制（果蝇）、类脑计算。

3. 杨冬平

杨冬平，中国科学院海西研究院泉州装备制造研究中心研究员，类脑智能与脑科学课题组组长。博士毕业于厦门大学物理系，曾在悉尼大学物理学院、香港浸会大学非线性研究中心攻读博士后，具有物理、生物、神经科学、脑科学、数学和信息学等多个学科背景。在Physical Review E、Chaos等知名期刊发表多篇论文，主持一项国家自然科学基金面上项目。

研究方向：睡眠，类脑智能，专长于生物建模和计算机数值模拟，擅长平均场、线性稳定性、特征谱和特征模式、非线性动力学、时空多尺度、统计物理等数学物理理论分析。在悉尼大学物理学院攻读博士后期间对从清醒到睡眠、皮层-丘脑系统的临界规范型进行了深入研究。

4. 郭大庆

郭大庆，电子科技大学教授、博导，中国自动化学会生物控制论与生物医学工程专业委员会副秘书长，中国生物医学工程学会第九届青年工作委员会委员。主持多项国家级项目，在领域内国际主流刊物上发表论文70余篇，相关成果被国内外同行广泛正面评价和实验验证。

研究方向：长期专注于计算神经科学与类脑研究领域，致力发现大脑信息处理的新机制，创建高精度数字孪生脑理论与计算平台，探索大脑疾病干预治疗的信息学新方法，努力为类脑智能和人类脑健康服务。

5. 陈育涵

陈育涵，北京师范大学系统科学学院助理研究员。香港浸会大学博士，博士后。本科毕业于中国科学技术大学理论物理专业。以第一作者或通讯作者在PNAS, Cerebral Cortex, PLoS Computational Biology等期刊发表论文5篇。

研究方向：灵长类大尺度计算神经模型、儿童脑发育结构功能连接组发育机制。

6. 曹淼

曹淼，墨尔本大学医学院临床神经科学博士，北京大学博士后。本科毕业于东南大学计算机专业。博士工作发表在Nature Communications。

研究方向：癫痫手术术前评估与致痫灶定位，网络分析与神经动力学模型，颅内电生理与EEG/MEG/fMRI神经影像分析。致力于神经影像与神经动力学结合的临床应用，以及（病理）神经系统建模。

7. 刘泉影

刘泉影，生物医学工程系助理教授，博士生导师，神经计算与控制实验室PI。本科和硕士毕业于兰州大学信息学院，博士毕业于瑞士苏黎世联邦理工大学生物医学工程方向，在美国加州理工学院进行计算与数学科学方向的博士后训练。

研究方向：机器学习算法、多模态神经信号处理、神经计算建模、医学人工智能等等。

8. 王大辉

王大辉，北京师范大学系统科学学院、认知神经科学与学习国家实验室教授。分别于1997年和2002年获北京师范大学物理学学士和系统理论博士学位。从事复杂系统基础理论及其应用研究，特别关注神经系统的复杂性研究，目的是以神经环路为基础建立计算模型揭示实验中观察到的神经系统动力学行为的机制，展示神经系统达成特定功能的机理，并尝试将相关的机制应用于工程问题。通过计算模型发现神经连接的广度和强度决定了视觉工作记忆容量的机制，揭示知觉过程中典型现象如迟滞现象、速度-准确度替代、风险态度和主观概率的神经计算机制和参数工作记忆(触觉振动频率)的容量等。部分研究成果发表在Journal of Neuroscience, Plos computational Biology, Current psychology, Complexity, Frontiers in Computational Neuroscience, Neurocomputing等杂志。

研究方向：目前专注于利用神经系统的连接组、神经电生理和影像的大数据，建立大尺度的脑神经网络模型及其分析。

9. 刘健

刘健，英国利兹大学计算机学院教授。吉林大学数学学士，北京大学力学硕士，美国加州大学洛杉矶分校数学博士，先后为法国国家科学院和哥廷根大学博士后研究员。曾任职于奥地利格拉兹理工大学理论计算机研究所参与欧盟旗舰研究项目“人脑计划”。加入利兹大学之前在英国莱斯特大学系统神经科学中心任职，利用脑疾病（癫痫）病人的人脑单神经元实验来分析建模神经系统的动力学模型。近年来在Nature communications, eLife, Journal of neuroscience, PLoS computational biology, Patterns, Neural Computation，Neural Networks, IEEE Transactions系列等顶级期刊发表40多篇论文。

研究方向：计算神经科学，神经形态计算，类脑计算与类脑机器人。

10. 王鑫迪

王鑫迪，现为北京慧脑云计算有限公司高级算法研发工程师。北京师范大学认知神经科学与学习国家重点实验室博士，加拿大麦吉尔大学蒙特利尔神经病学研究所（Montreal Neurological Institute, MNI）博士后。脑影像领域工具包DPABI/DPABISurf、GERTNA的核心开发人员，CIVET、REST等工具包的代码贡献者。在MNI期间，参加了脑影像数据管理与计算分析平台LORIS/CBrain的开发与维护，是PRIME-RE Project、BigBrain Project、Virtual BigBrain Project等跨中心脑影像大数据合作项目的参与人。Google学者被引次数2464次，H指数10。

研究方向：多模态脑影像数据分析算法及信息化平台建设。

五、参与详情

本读书会适合参与的对象

• 基于复杂系统相关学科研究，对【神经动力学模型】相关研究有浓厚兴趣的科研工作者；

• 能熟练阅读英文文献，并对复杂科学充满激情，对世界的本质充满好奇的探索者；

• 欢迎基于读书会所列文本和文献的具体探讨，提供适合的文献和主题的朋友；

本读书会谢绝参与的对象

为确保专业性和讨论的聚焦，本读书会谢绝脱离读书会文本和复杂科学问题本身的空泛的哲学和思辨式讨论；不提倡过度引申在社会、人文、管理、政治、经济等应用层面的讨论。我们将对参与人员进行筛选，如果出现讨论内容不符合要求、经提醒无效者，会被移除群聊并对未参与部分退费。一切解释权归集智俱乐部所有。

运行模式

本季读书会按照内容与暂定框架，贯次展开；

每周进行线上会议，由 1-2 名读书会成员以PPT讲解的形式领读相关论文，与会者可以广泛参与讨论，会后可以获得视频回放持续学习；

本季读书会最后一期为圆桌会议形式的主题讨论。

举办时间

从2022年3月19日开始，每周五晚上19:00-21:00/周六下午14:00-16:00（根据分享老师时间），持续时间预计 10-12 周。

参与方式

此次读书会为线上闭门读书会，采用的会议软件是腾讯会议（请提前下载安装）。在扫码完成报名并添加负责人微信后，负责人将其拉入群聊，入群后告知具体的会议号码。

参与费用

为了过滤一些非专业人士，甄选出真正对神经动力学研究感兴趣、有相关研究经验的专业人士，保证读书会研讨质量，也为了激励大家学习、分享、总结，本期读书会将采取收费 – 退款的保证金模式。

退费规则如下：

1. 读书会保证金共计 299 元/人。
2. 满足如下条件之一者全额退款（本季读书会结束后统一退费）：

• 贡献了一次讲座（1小时左右）内容的（需要提前向主持人申请并通过试讲）；

• 完成了一篇以上读书笔记写作，并在集智俱乐部公众号分享。（读书笔记标准：字数3千以上，图文并茂，具体请参照此文：前沿综述：大脑结构网络、功能网络和网络控制中的物理学）；

• 认真完成集智百科相应的编撰任务，经过集智百科团队审核通过，并达到299积分。（详情见https://wiki.swarma.org/index.php?title=激励制度）。

• 认真完成集智斑图相应的路径整理任务，经过路径项目负责人审核，并达到299积分（具体联系运营负责人）。

1. 满足以下条件之一的不仅可以全额退款，还有额外奖励：

• 由读书会内容启发，产生了靠谱的新产品创意，并在读书会结束 2 个月内提交了详细的产品策划方案，并通过了集智俱乐部组织的相应考核答辩的；

• 由读书会内容启发，萌发了科研论文创意，在读书会结束 2 个月内完成初稿，并在最终的论文成果中致谢集智俱乐部的（需要发表在SCI等核心刊物上）。

1. 上述规则的最终解释权归集智俱乐部所有。

报名方式

第一步：扫码填写报名信息

扫码报名

第二步：填写信息后，进入付款流程，提交保证金299元。（符合退费条件后可退费）

第三步：添加负责人微信，拉入对应的读书会讨论群

（我们也会对每次分享的内容进行录制，剪辑后发布在集智学园官网上，供读书会成员回看）

六、参考文献

1. 【神经元动力学模型】

• 简介

脑由不同的脑功能区组成，并且每个脑区都含有大量的神经元，这些神经元之间无论是形态特征还是电生理特性都呈现出很大差异。但是对这些神经元特性和相应脑功能之间的联系，我们仍然了解有限。本期读书会将从最经典的Hodgkin-Huxley模型开始，讨论神经元电生理模型的建模过程、不同模型的适用范围、神经元电特性的复杂性以及这些特性对脑信息处理和类脑计算的潜在价值。

• 参考文献

Hodgkin, A.L. & Huxley, A.F. (1952). A quantitative description of membrane current and its application to conduction and excitation in nerves. J. Physiol. (Lond.) 117, 500-544.

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1392413/?page=1

JR Clay.(2009). Determining K+ channel activation curves from K+ channel currents often requires the Goldman–Hodgkin–Katz equation. Front. Cell. Neurosci.

https://www.frontiersin.org/articles/10.3389/neuro.03.020.2009/full

G Drion, T O’Leary, E Marder. (2015). Ion channel degeneracy enables robust and tunable neuronal firing rates. Proceedings of the National Academy of Sciences 112 (38), E5361-E5370

https://www.pnas.org/content/112/38/E5361

Y Zang, E Marder. (2021). Interactions among diameter, myelination, and the Na/K pump affect axonal resilience to high-frequency spiking. Proceedings of the National Academy of Sciences 118 (32), e2105795118

https://www.pnas.org/content/118/32/e2105795118

A Gidon et al., (2020). Dendritic action potentials and computation in human layer 2/3 cortical neurons. Science. 367 (6473), 83-87

https://www.science.org/doi/abs/10.1126/science.aax6239

2. 【神经动力学场论】

• 简介

生物神经网络是大脑执行各种认知功能的基础，而这些网络从物理的角度可以简化地用一种无序非对称的相互作用连接来构建模型。这种无序系统可以利用统计场论来很好地描述和分析。本期读书会将从经典的最简单的随机神经网络中的混沌开始，介绍统计场论在分析该问题中发挥的关键作用，然后利用统计场论进一步讨论真实大脑脉冲发放数据中隐含的网络临界状态，并探讨该状态在计算功能中发挥的关键作用及其机制。

• 参考文献

H. Sompolinsky, A. Crisanti, and H. J. Sommers. Chaos in random neural networks. Phys. Rev. Lett., 61:259–262, 1988.

https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.61.259

D. Dahmen, S. Gru ̈n, M. Diesmann, and M. Helias. Second type of criticality in the brain uncovers rich multiple-neuron dynamics. Proceedings of the National Academy of Sciences, 116(26):13051–13060, 2019.

https://www.pnas.org/content/116/26/13051

C. Keup, T. Ku ̈hn, D. Dahmen, and M. Helias. Transient chaotic dimensionality expansion by recurrent networks. Phys. Rev. X, 11:021064, Jun 2021.

https://arxiv.org/abs/2002.11006

3. 【全脑动态模拟】

• 简介

近年来，以大尺度脑模拟为代表的新型计算脑科学理论被广泛应用到对脑功能与脑机制的研究中。针对特定脑功能和脑状态建立全脑层次的神经计算模型，不仅可以有效整合不同模态的实验数据，还为在连续参数空间探索智能过程中神经信息的高维动态交互机制、解锁脑疾病发病与调控机理提供了可能，其成果对促进类脑技术发展具有重要启示作用。本期读书会，将简要介绍大尺度脑模拟的相关背景，进一步结合当前国际该领域主要课题组与我们的相关研究工作，介绍大尺度脑模拟在脑功能与脑疾病研究中的应用，并探讨该领域今后的发展趋势以及所面临的挑战。

• 参考文献

Gustavo Deco, Viktor Jirsa, Anthony R McIntosh, Olaf Sporns, Rolf Kötter，Key role of coupling, delay, and noise in resting brain fluctuations，PNAS，106 (25), 10302-10307

https://www.pnas.org/content/106/25/10302.short

R Chaudhuri, K Knoblauch, MA Gariel, H Kennedy, XJ Wang，A large-scale circuit mechanism for hierarchical dynamical processing in the primate cortex, Neuron 88 (2), 419-431， 2015

https://www.sciencedirect.com/science/article/pii/S0896627315007655

G Deco, ML Kringelbach, Great expectations: using whole-brain computational connectomics for understanding neuropsychiatric disorders, Neuron 84 (5), 892-905

https://www.sciencedirect.com/science/article/pii/S0896627314007351

4. 【多尺度生成模型】

• 简介

大脑活动通过不同尺度的结构连接网络，如介观尺度的脑区之间的解剖白质连接，微观尺度的神经元连接组成的结构网络来传递电信号形成的。理解脑多尺度的结构连接网络是理解脑活动，脑功能的重要基础。本期读书会将从介绍有着最简单的神经元网络的线虫神经元网络开始，继而介绍不同哺乳类脑网络，以及包括人类大脑的多尺度的结构网络生成模型，来探索结构网络形成机制。

• 参考文献

Varier, S., & Kaiser, M. (2011). Neural development features: spatio-temporal development of the Caenorhabditis elegans neuronal network. PLoS computational biology, 7(1), e1001044.

https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1001044

Beul, S.F., Goulas, A. and Hilgetag, C.C., 2018. Comprehensive computational modelling of the development of mammalian cortical connectivity underlying an architectonic type principle. PLoS computational biology, 14 (11), p.e1006550.

https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1006550

Goulas, A., Betzel, R.F. and Hilgetag, C.C., 2019. Spatiotemporal ontogeny of brain wiring. Science advances, 5(6), p.eaav9694.

https://www.science.org/doi/10.1126/sciadv.aav9694

Shinn, M., Hu, A., Turner, L., Noble, S., Achard, S., Anticevic, A., Scheinost, D., Constable, R.T., Lee, D., Bullmore, E.T. and Murray, J.D., 2021. Spatial and temporal autocorrelation weave human brain networks. bioRxiv

https://www.biorxiv.org/content/10.1101/2021.06.01.446561v1.abstract

5. 【睡眠调控】

• 简介

大脑如何调控和组织觉醒、非快速眼动(NREM)睡眠和快速眼动(REM)睡眠目前还不是很清楚。近些年，随着先进实验技术的发展与应用，人们对相关的神经解剖结构、神经递质和神经肽的认识在不断发展，完整的神经调控网络慢慢开始浮现出来。然而，理解与分析这些繁杂的实验结果以及呈现出来的复杂动力学特征，迫切需要人们建立一个与最新实验结果相符的生物物理模型来进行量化研究，进而刻画下丘脑和脑干中特定神经元群体之间的动力学调控机制。本期读书会首先结合神经生物基础和EEG信号特征以及相应的睡眠分期图特征来系统介绍睡眠调控的生物物理建模和动力学机制研究。

• 参考文献

A. Phillips and P. Robinson. A quantitative model of sleep-wake dynamics based on the physiology of the brainstem ascending arousal system. Journal of Biological Rhythms, 22(2):167–179, 2007.

https://pubmed.ncbi.nlm.nih.gov/17440218/

P. A. Robinson, A. J. K. Phillips, B. D. Fulcher, M. Puckeridge, and J. A. Roberts. Quantitative modelling of sleep dynamics. Philos Trans A Math Phys Eng Sci, 369(1952):3840–54, Oct 2011.

https://royalsocietypublishing.org/doi/10.1098/rsta.2011.0120

Postnova, S. (2019). Sleep Modelling across Physiological Levels. Clocks & Sleep, 1(1), 166-184.

https://www.mdpi.com/2624-5175/1/1/15

6. 【癫痫发作的神经动力学】

• 模型
• 简介

癫痫(epilepsy)作为第二大神经系统疾病（仅次于中风stroke），以癫痫发作作为其主要特征。从动力学系统角度，癫痫发作虽然体现为难预测的、快速的状态转移(即从正常状态转为发作状态)，神经系统可能较发作起始时间更早进入临界状态，由外部输入或内部活动驱动进入发作状态。对这一过程的建模与分析为当前癫痫研究的重要课题，为临床应用，包括癫痫发作预测、精确制定药物与手术治疗提供帮助。同时，为发作的神经动力学模型进一步为癫痫发作产生机制提供理论与数据分析框架，为癫痫的神经生理、神经生物与神经化学研究，提供指导。本期会讨论针对癫痫发作的神经动力学模型，并介绍其临床应用。

• 参考文献

Cao, M., Galvis, D., Vogrin, S.J. et al. Virtual intracranial EEG signals reconstructed from MEG with potential for epilepsy surgery. Nat Commun 13, 994 (2022).

https://www.nature.com/articles/s41467-022-28640-x

Wendling, F., Bartolomei, F., Mina, F., Huneau, C. & Benquet, P. Interictal spikes, fast ripples and seizures in partial epilepsies--combining multi-level computational models with experimental data. Eur. J. Neurosci. 36, 2164–77 (2012).

https://onlinelibrary.wiley.com/doi/10.1111/j.1460-9568.2012.08039.x

Jirsa, V.K., Stacey, W.C., Quilichini, P.P., Ivanov, A.I., Bernard, C., 2014. On the nature of seizure dynamics. Brain 137, 2210–2230.

https://academic.oup.com/brain/article/137/8/2210/2847958

Goodfellow, M. et al. Estimation of brain network ictogenicity predicts outcome from epilepsy surgery. Sci. Rep. 6, 29215 (2016).

https://www.nature.com/articles/srep29215

Sinha, N. et al. Predicting neurosurgical outcomes in focal epilepsy patients using computational modelling. Brain 140, 319–332 (2017).

https://academic.oup.com/brain/article/140/2/319/2736496

• 临床应用
• 简介

癫痫发作是高同步、高波幅的病理性神经活动，难以预测并干预。动力学系统的稳定性分析或可刻画出癫痫发作前或发作中的系统稳定性变化，并通过维护或破坏系统稳定性，提供外科干预、神经调控与发作预测策略。本期会介绍针对癫痫发作过程中系统稳定性分析相关的研究及临床应用。

• 参考文献

Li, A. et al. Neural fragility as an EEG marker of the seizure onset zone. Nat Neurosci 24, 1465–1474 (2021).

https://www.nature.com/articles/s41593-021-00901-w

Khambhati, A. N., Davis, K. A., Lucas, T. H., Litt, B. & Bassett, D. S. Virtual Cortical Resection Reveals Push-Pull Network Control Preceding Seizure Evolution. Neuron 91, 1170–82 (2016).

https://pubmed.ncbi.nlm.nih.gov/27568515/

Kini, L. G. et al. Virtual resection predicts surgical outcome for drug-resistant epilepsy. Brain 142, 3892–3905 (2019).

https://academic.oup.com/brain/article/142/12/3892/5584755

7. 【神经调控】

• 简介

神经调控技术通过一种可控的方式（调整刺激参数和靶点等）激励、抑制或中断大脑网络动态变化，从而实现疾病治疗或脑功能增强。神经调控技术大多采用电刺激，但也出现一些使用磁感应或光刺激等方式。神经调控技术目前发展的核心是闭环控制和精准定位，闭环控制通过实时记录患者对神经刺激的脑电生理反应并自适应调整刺激参数。要实现精准、有效的神经调控，应先对系统（大脑）进行建模，例如神经动力学模型；然后利用控制理论对系统进行调控。

• 参考文献

Cabral J, Kringelbach M L, Deco G. Functional connectivity dynamically evolves on multiple time-scales over a static structural connectome: Models and mechanisms[J]. NeuroImage, 2017, 160: 84-96.

https://pubmed.ncbi.nlm.nih.gov/28343985/

Kringelbach M L, Deco G. Brain states and transitions: insights from computational neuroscience[J]. Cell Reports, 2020, 32(10): 108128.

https://www.sciencedirect.com/science/article/pii/S2211124720311177

Stiso J, Khambhati A N, Menara T, et al. White matter network architecture guides direct electrical stimulation through optimal state transitions[J]. Cell reports, 2019, 28(10): 2554-2566. e7.

https://www.sciencedirect.com/science/article/pii/S2211124719310411

Muldoon S F, Pasqualetti F, Gu S, et al. Stimulation-based control of dynamic brain networks[J]. PLoS computational biology, 2016, 12(9): e1005076.

https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1005076

Perich M G, Arlt C, Soares S, et al. Inferring brain-wide interactions using data-constrained recurrent neural network models[J]. bioRxiv, 2021: 2020.12. 18.423348.

https://www.biorxiv.org/content/10.1101/2020.12.18.423348v2

8. 【决策的神经计算机制】

• 简介

在行为观察上，神经系统可以做出知觉决策，也可以通过唯相模型做出解释；在神经记录上，可以看到部分神经元的动力学过程。但是，神经系统为什么可以做出知觉决策，做出知觉决策的动力学机制是什么？汪小京老师开展一系列经典的研究，不仅通过放电神经网络再现了经典实验现象，利用平均长近似分析揭示了知觉决策过程动力学的机制，还进一步将网络模型拓展到多任务情形，精妙地展示了神经系统通过动力学行为执行认知功能的神经计算机制。

• 参考文献

Xiao-Jing Wang, Probabilistic Decision Making by Slow Reverberation in Cortical Circuits,Neuron,Volume 36(5),955-968(2002)https://doi.org/10.1016/S0896-6273(02)01092-9

https://pubmed.ncbi.nlm.nih.gov/12467598/

Lo, CC., Wang, XJ. Cortico–basal ganglia circuit mechanism for a decision threshold in reaction time tasks. Nat Neurosci 9, 956–963 (2006). https://doi.org/10.1038/nn1722

https://www.nature.com/articles/nn1722

Wong, Kong-Fatt, and Xiao-Jing Wang. “A recurrent network mechanism of time integration in perceptual decisions.” The Journal of neuroscience : the official journal of the Society for Neuroscience vol. 26,4 (2006): 1314-28. doi:10.1523/JNEUROSCI.3733-05.2006

https://www.jneurosci.org/content/26/4/1314

Yang, G.R., Joglekar, M.R., Song, H.F. et al. Task representations in neural networks trained to perform many cognitive tasks. Nat Neurosci 22, 297–306 (2019). https://doi.org/10.1038/s41593-018-0310-2

https://www.nature.com/articles/s41593-018-0310-2

9. 【脉冲神经网络的应用】

• 简介

脉冲神经网络是体现神经系统动力学最为自然的模型。生物神经元的基本特征之一，即为编码感知信息为脉冲信号送到大脑皮层进行高级认知。分析模拟脉冲信号的计算原理，可以为人工神经网络的算法提供指导思想，也可以为下一代专用和通用神经形态芯片提供计算框架。本期读书会以视觉系统为例，介绍生物脉冲信号的计算法则，并提供应用示例介绍基于脉冲神经网络的类脑计算原理，探讨如何利用生物神经系统的实验概念和最新发现，来发展下一代的基于脉冲计算的人工智能。

• 参考文献

Yu, Z., Liu, J. K., Jia, S., Zhang, Y., Zheng, J., Tian, Y., Huang, T., Toward the Next Generation of Retinal Neuroprosthesis: Visual Computation with Spikes. Engineering. 6:449-461 (2020)

https://www.sciencedirect.com/science/article/pii/S2095809920300357

http://www.engineering.org.cn/ch/10.1016/j.eng.2020.02.004

Gallego, G., et, al. Event-based vision: A survey. IEEE transactions on pattern analysis and machine intelligence, 44(1):154-180 (2020) https://ieeexplore.ieee.org/abstract/document/9138762

Wang M., et al. Single-neuron representation of learned complex sounds in the auditory cortex, Nature Communications, 11, 4361 (2020) https://www.nature.com/articles/s41467-020-18142-z

Roy, K., Jaiswal, A., Panda, P., Towards spike-based machine intelligence with neuromorphic computing. Nature. 575:607-617 (2019)

https://www.nature.com/articles/s41586-019-1677-2

Hassabis, D., Kumaran, D., Summerfied, C., Botvinick, M., Neuroscience-Inspired Artificial Intelligence. Neuron, 95(2):254-258 (2017)

https://www.sciencedirect.com/science/article/pii/S0896627317305093

七、关于主办方和集智俱乐部读书会

主办方：集智俱乐部，天桥脑科学研究院（TCCI）

协办方：集智学园，OpenScience

集智俱乐部成立于 2003 年，是一个从事学术研究、享受科学乐趣的探索者的团体，也是国内最早的研究人工智能、复杂系统的科学社区。它倡导以平等开放的态度、科学实证的精神，进行跨学科的研究与交流，力图搭建一个中国的 “没有围墙的研究所”。

天桥脑科学研究院（Tianqiao and Chrissy Chen Institute，TCCI）是由陈天桥、雒芊芊夫妇私人出资10亿美元创建的，旨在支持、推进全球范围内脑科学研究，造福全人类。在国内，TCCI与上海周良辅医学发展基金会合作成立上海陈天桥脑健康研究所（又名TCCI转化中心），后又与华山医院、上海市精神卫生中心等建立战略合作并设立应用神经技术前沿实验室和人工智能与精神健康实验室，投入相关技术的直接开发和研究。在国际上，TCCI与加州理工学院合作成立TCCI加州理工研究院，重点关注大脑基础研究，并持续支持了全球各地的神经科学年会等学术会议。TCCI已经成为全球最知名和最大规模的支持人类脑科学研究的研究机构之一。

集智学园成立于2016年，是集智俱乐部孕育的创业团队。集智学园致力于传播复杂性科学、人工智能等前沿知识和新兴技术，促进、推动复杂科学领域的知识探索与生态构建。

OpenScience是民间组织Chinese Open Science Network (COSN)发起的公众号平台，致力于普及科学研究中严谨、开放和可重复性的理念。对数据共享、研究方法、团队科学、方法与实验革新等主题进行介绍，目前包括如下活动：OpenTalks学术讲座、OpenMinds文献研读、OpenTutorials在线方法讲座、OpenTrans翻译/搬运优质英文方法论文及博客。我们的目标是与更多同行一起，拥抱开放的科研文化、提升研究的严谨性、尝试新时代的科学交流与实践方式。

集智俱乐部读书会是面向广大科研工作者的系列论文研读活动，其目的是共同深入学习探讨某个科学议题，了解前沿进展，激发科研灵感，促进科研合作，降低科研门槛。

读书会活动始于 2008 年，至今已经有 40 余个主题，内容涵盖复杂系统、人工智能、脑与意识、生命科学、因果科学、计算社会科学等。凝聚了众多优秀科研工作者，促进了科研合作发表论文，孵化了许多科研产品。如：2013 年的“深度学习”读书会孕育了彩云天气 APP，2015 年的“集体注意力流”读书会产生了众包书籍《走近2050》等。

点击“阅读原文”，即可报名读书会