群体编码：一群神经元如何表示世界
1. 从单个脉冲到群体：为什么没人关心单个神经元
在 0001 和 0002 中，我们谈的是一个神经元的脉冲，一对突触的可塑性。但单个神经元极其嘈杂：
- 同一个刺激重复呈现，同一个神经元的发放次数每次都不同（试次间变异系数 CV ≈ 0.5–1.0）
- 膜电位受热噪声、突触囊泡随机释放、背景活动的影响
- 如果只靠一个神经元，你无法可靠地区分"看到一条竖线"和"看到一条稍微倾斜的线"
大脑的解决方案：用群体的智慧替代个体的精度。
2. 调谐曲线：神经元"喜欢"什么
大多数感觉和运动神经元有调谐曲线（tuning curve）——它们对一个特定范围的刺激发放最强，偏离后发放率下降。
例如，初级运动皮层（M1）的神经元对运动方向有调谐：
其中： θ — 实际运动方向（0–360°）， θpref,i — 第 i 个神经元最偏好的方向， κ — 调谐锐度（越大越挑剔）， rmax — 最大发放率。
这是一个冯·米塞斯（von Mises）函数——圆形上的高斯分布。神经元对偏好方向发放最强，偏离越多越弱。
3. 互动：群体编码解码器
下面模拟了 N 个神经元，每个有不同的偏好方向 θpref。你设定一个真实运动方向（拖动紫色竖线），系统生成带噪声的群体响应，然后从噪声响应中解码回方向估计。
群体向量解码器 (Population Vector Decoder)
θ̂ = — (误差: —°) —
实验：
① 减小 N（比如到 10）→ 解码误差增大——少数神经元不足以覆盖方向空间
② 增大 σ（到 0.4）→ 噪声淹没信号，解码不稳定
③ 减小 κ（到 1.5）→ 每个神经元的调谐变"宽"，对方向变化不敏感，精度下降
④ 设 N=120, σ=0.05, κ=5 → 极高的编码精度（误差 < 2°）——这就是群体编码的力量
4. 群体向量解码：简单而强大的算法
Georgopoulos 等人在 1986 年发现，猴运动皮层的群体活动可以用一个简单的加权向量求和来解码：
其中 di = (cos θpref,i, sin θpref,i) 是第 i 个神经元的"偏好方向"单位向量，ri 是它的发放率。
直觉：每个神经元"投票"给它的偏好方向，票数取决于它当前的发放率。偏好方向接近真实方向的神经元发放更强，它们的票权重更大。噪声在各个方向随机分布，加权求和时被平均掉。
5. 频率编码 vs. 时间编码
LIF 神经元用脉冲时刻编码信息。但上面的调谐曲线用发放率。这两个图景如何统一？
| 编码方式 | 信息载体 | 精度来源 | 生物证据 |
|---|---|---|---|
| 频率编码 (Rate Code) |
时间窗口内的脉冲计数 | 群体平均 | 运动皮层方向调谐、V1 朝向调谐 |
| 时间编码 (Temporal Code) |
脉冲的精确时刻 / 相对相位 | 单个或少数的脉冲 | 听觉 ITD 编码、海马 place cell 相位进动、嗅觉 |
| 群体编码 (Population Code) |
一组神经元的联合活动模式 | 调谐曲线的多样性 + 噪声独立 | 几乎所有感觉/运动系统 |
三者不是互斥的。在真实大脑中，群体中的频率编码是最常见的组合：一群神经元，每个用发放率表示信息，联合起来达到高精度。时间编码在需要极快反应（< 50ms）的场景中更关键——比如听觉定位。
6. 从群体编码到智能：Fisher 信息与编码效率
群体编码的精度极限由 Fisher 信息 决定：
解码误差的下界（Cramér-Rao bound）：
这告诉我们什么？
- Fisher 信息 I(θ) 越大 → 编码精度越高
- 调谐曲线变化最陡的地方（f′i 最大）→ 信息最多 → 神经元对那个范围的 θ 最敏感
- 噪声 σ² 越小 → 信息越多
- 更多神经元 → 更多的 f′i² 项求和 → 精度随 N 增长
7. 小测验
📖 推荐主源
阅读： Neuronal Dynamics — Chapter 9: Population Coding (Gerstner et al.) 从调谐曲线到 Fisher 信息到解码方法的完整推导，与本课直接衔接。
经典论文： Georgopoulos et al. (1986) — "Neuronal Population Coding of Movement Direction" 群体向量解码的原始论文。猴 M1 中 200+ 神经元的群体活动精确预测手臂运动方向。
延伸： Quiroga & Panzeri (2009) — "Extracting information from neuronal populations" 群体编码信息论的综述，覆盖 mutual information, decoding, Fisher information。