| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 引言 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究近况 | 第9-10页 |
| 1.3 本文的工作 | 第10-12页 |
| 第二章 神经编码的数学模型 | 第12-30页 |
| 2.1 神经脉冲发放的齐次泊松概率模型 | 第12-19页 |
| 2.1.1 神经反应函数和瞬时发放频率 | 第13-14页 |
| 2.1.2 齐次泊松模型 | 第14-16页 |
| 2.1.3 恒定强度的Spike Train模拟 | 第16-19页 |
| 2.2 神经脉冲发放的非齐次泊松概率模型 | 第19-27页 |
| 2.2.1 非齐次泊松过程的数学描述 | 第20-22页 |
| 2.2.2 非齐次泊松过程下的Interspike-interval (ISI) | 第22-24页 |
| 2.2.3 典型刺激下的Spike Train模拟 | 第24-26页 |
| 2.2.4 任意强度模拟式下的Spike Train模拟 | 第26-27页 |
| 2.3 泊松概率模型的讨论 | 第27-30页 |
| 2.3.1 时间编码与频率编码 | 第28-30页 |
| 第三章 基于贝叶斯原理的动物行为预测 | 第30-51页 |
| 3.1 动机与框架 | 第30-32页 |
| 3.1.1 基于概率模型的预测 | 第31-32页 |
| 3.1.2 多电极动物行为预测的贝叶斯框架 | 第32页 |
| 3.2 动物行为预测算法 | 第32-44页 |
| 3.2.1 Spike Train变换 | 第32-34页 |
| 3.2.2 估计非齐次泊忪过程的强度分布 | 第34-37页 |
| 3.2.3 Spike Train强度估计的不确定性度量 | 第37-39页 |
| 3.2.4 基于贝叶斯原理的Spike Train匹配值 | 第39-43页 |
| 3.2.5 多通道集成策略 | 第43-44页 |
| 3.3 大鼠U迷宫和Y迷宫实验结果 | 第44-49页 |
| 3.3.1 大鼠U迷宫实验 | 第45-47页 |
| 3.3.2 大鼠Y迷宫实验结果 | 第47-48页 |
| 3.3.3 算法性能的分析 | 第48-49页 |
| 3.4 总结与讨论 | 第49-51页 |
| 第四章 神经集群的信息表达 | 第51-64页 |
| 4.1 神经元的信息表达率 | 第51-53页 |
| 4.1.1 神经元集群信息整合和表达的机制 | 第51-52页 |
| 4.1.2 离散状态的神经元信息表达率 | 第52-53页 |
| 4.2 神经元信息表达率的影响因素 | 第53-58页 |
| 4.2.1 状态分布对神经元信息表达率的影响 | 第53-55页 |
| 4.2.2 脉冲序列长度对信息表达率的影响 | 第55-56页 |
| 4.2.3 信息表达率与麦克劳林展开 | 第56-58页 |
| 4.3 神经元集群信息表达 | 第58-63页 |
| 4.3.1 最优状态分布 | 第59-61页 |
| 4.3.2 状态的时间分布 | 第61-62页 |
| 4.3.3 状态的空间分布 | 第62-63页 |
| 4.4 总结 | 第63-64页 |
| 第五章 神经元功能性集团探测 | 第64-72页 |
| 5.1 多尺度下Spike Train的相关性 | 第64-67页 |
| 5.1.1 直接Person相关性弊端 | 第65-66页 |
| 5.1.2 多尺度动态Spike Train的相关性 | 第66-67页 |
| 5.2 神经元功能性集团的探测算法 | 第67-69页 |
| 5.2.1 相关性矩阵的定义和最小图割算法 | 第67-68页 |
| 5.2.2 闽值的设定 | 第68-69页 |
| 5.3 大鼠U迷宫中的神经元功能性集团 | 第69-70页 |
| 5.3.1 任务相关度的拓扑排序 | 第69页 |
| 5.3.2 功能性集团 | 第69-70页 |
| 5.4 总结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 参考文献 | 第74-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士期间发表的论文 | 第78-79页 |
