神经场 - 版本历史

2022年6月19日 (日) 02:34 薄荷

2022-06-19T02:34:42Z

薄荷：/* 推荐阅读 */

2022-06-19T02:33:17Z

薄荷：/* 参考文献 */

2022-06-19T02:16:53Z

参考文献

2022年6月19日 (日) 02:15 薄荷

2022-06-19T02:15:55Z

显示更改

2022年6月19日 (日) 01:56 薄荷

2022-06-19T01:56:33Z

显示更改

2022年6月15日 (三) 08:04 AvecSally

2022-06-15T08:04:02Z

2022年6月14日 (二) 15:55 Dyan

2022-06-14T15:55:13Z

Dyan：/* 生理学动机 */

2022-06-13T14:17:17Z

生理学动机

显示更改

2022年6月13日 (一) 13:35 Dyan

2022-06-13T13:35:38Z

2022年6月13日 (一) 07:45 Dyan

2022-06-13T07:45:05Z

@@ 第4行： / 第4行： @@
 }}
-'''神经场 Neural field''''方程是组织层面的模型，描述了粗粒度变量的时空演变，例如神经元群体中的突触或放电率活动。
+'''神经场 Neural field'''方程是组织层面的模型，描述了粗粒度变量的时空演变，例如神经元群体中的突触或放电率活动。
@@ 第26行： / 第26行： @@
 I(t)  =  \int_{-\infty}^t  {\rm d}\tau^\prime h(t-t^\prime) P(t^\prime)\label{eqn_1}
 </math>  (1)
 具有化学受体对单个传入脉冲和传入瞬时脉冲序列 P(t) 的突触响应函数 h(t)。 单个突触的实验研究表明某些函数 h(t) 可以很好地近似突触反应行为。 在神经领域，人们考虑一个有效的平均'''突触响应函数 synaptic response function'''，它描述了许多突触对神经群体网络中许多传入脉冲序列的平均响应。 当然，一组突触的平均时间响应可能与单个突触受体的响应函数不同，但形状可能相同。因此，方程(1)也适用于群体树突电流 I(t)，其中涉及有效参数和与突触群体响应函数 h(t)相关的群体放电率 P(t)。
@@ 第70行： / 第71行： @@
 \frac{1}{\alpha} \frac{\partial u(x,t)}{\partial t}  =  -u + \int_{-\infty}^\infty {\rm d} y w(y) f(u(x-y,t - |y|/v)) .
 </math>
-[[文件:Neuralfield.jpg|链接=link=Special:FilePath/Neuralfield.jpg|替代=|左|缩略图|图1 神经场示意图。 这样的模型不仅可以包括轴突延迟的影响，还可以包括突触和树突对放电率信号的过滤。]]
 在这里，u(x,t) 被解释为一个神经场，表示在位置 x 和时间 t 的一组神经元的局部活动。右边的第二项代表突触输入，f 被解释为单个神经元的放电率函数。间隔 y 的神经元之间的连接强度表示为 w(y)，函数 w 通常称为'''突触足迹 synaptic footprint'''。该公式假设系统在空间上是均匀的和各向同性的。通常 w 反映全局激发 (w>0)、全局抑制 (w<0)、局部激发 - 侧抑制 (墨西哥帽) 描述，例如视觉皮层的方向调整<ref>D C Somers, S B Nelson and M Sur. An emergent model of orientation selectivity in cat visual cortical simple cells. Journal of Neuroscience 15(8), 5448-5465, 1995</ref><ref name=":7">R Ben-Yishai, L Bar-Or, and H Sompolinsky. Theory of orientation tuning in visual cortex. Proceedings of the National Academy of Sciences USA, 92:3844–3848, 1995.</ref>，或反映抑制性中间神经元的短程相互作用和兴奋性锥体细胞的长程相互作用的'''局部抑制 -''' '''横向激发 local inhibition - lateral excitation'''（逆墨西哥帽）。周期性 w 也引起了一些关注<ref name=":7" /><ref>C R Laing and W C Troy. PDE methods for nonlocal models. SIAM Journal on Applied Dynamical Systems, 2:487–516, 2003.</ref>。参数 <math>\alpha</math> 是突触的时间衰减率。空间积分下 u 的延迟参数表示由于信号在距离 y 上传播的有限速度引起的轴突传导延迟<ref name=":2" /><ref>P L Nunez. The brain wave equation: a model for the EEG. Mathematical Biosciences, 21:279–297, 1974.</ref><ref>V K Jirsa and H Haken. A derivation of a macroscopic field theory of the brain from the quasi-microscopic neural dynamics. Physica D, 99:503–526, 1997.</ref>；即 |y|/v 其中 v 是沿轴突纤维的动作电位的速度。最近的扩展涉及轴突传输速度 v 的分布<ref>F.M. Atay and A.Hutt, Neural fields with distributed transmission speeds and long-range feedback delays. SIAM Journal Applied Dynamical Systems 5(4), 670-698, 2006</ref>。
@@ 第94行： / 第95行： @@
 u(x) = \int_0^\Delta w(x-y) {\rm d y}, \qquad u(0)=h=u(\Delta) ,
 </math>
@@ 第110行： / 第110行： @@
 c = \frac{v(2h-1)}{2h-1 - 2 h v/\alpha}
 </math>
 [[文件:Pinto.jpg|链接=link=Special:FilePath/Pinto.jpg|替代=|左|缩略图|图5 切片实验中传播的电活动波，来自 [http://www.bme.rochester.edu/bmeweb/faculty/pinto.html Pinto Lab] (经过允许)。  左：来自 16 个电极的线性阵列的局部场电位记录。 右：该字段的平滑颜色编码版本。]]
 现在，Richardson 等人在真实的神经组织（浸泡在 GABA_A 阻滞剂印防己毒素中的大鼠皮质切片）中间确定了波速对阈值 h 的强烈依赖性<ref>K A Richardson, S J Schiff, and B J Gluckman. Control of traveling waves in the mammalian cortex. Physical Review Letters, 94:028103, 2005.</ref>。 这些实验利用了这样一个事实，即皮质神经元具有长的顶端树突，并且很容易被电场极化，并且癫痫样爆发 epileptiform bursts可以由刺激电极引发。跨切片施加的正（负）电场增加（降低）波传播速度，这与假设正（负）电场降低（增加）阈值 h 的神经场理论的理论预测一致。
 行波的[[分岔结构可以使用所谓的埃文斯函数 Evans function来分析。这最初是由 Evans<ref>J Evans. Nerve axon equations: IV The stable and unstable impulse. Indiana University Mathematics Journal, 24:1169–1190, 1975.</ref> 在关于霍奇金-赫胥黎类型的可兴奋神经轴突方程的稳定性定理的背景下制定的。这个复解析函数的零点决定了算子的法线谱，该算子是通过将系统关于其行波解进行线性化而获得的。神经场模型的扩展是最近才出现的，对于 Heaviside 放电率函数的特殊情况，现在已经研究了几个模型<ref>S Coombes and M R Owen. Bumps, breathers, and waves in a neural network with spike frequency adaptation, Physical Review Letters, 94, 148102, 2005.</ref><ref>S Coombes and M R Owen. Evans functions for integral neural field equations with Heaviside firing rate function. SIAM Journal on Applied Dynamical Systems, 34:574–600, 2004.</ref>。

@@ 第162行： / 第162行： @@
-[[Category:Synchronization]]
-[[Category:Oscillators]]
+==编辑推荐==
-[[Category:Pattern Formation]]
+===集智课程===
-[[Category: Computational Neuroscience]]
+====[https://campus.swarma.org/course/4440 循环神经网络的动力学平均场理论]====
-[[Category: Dynamical Systems]]
+该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。
-[[Category: Neural Networks]]
@@ 第176行： / 第193行： @@
 '''本词条内容源自wikipedia及公开资料，遵守 CC3.0协议。'''

@@ 第124行： / 第124行： @@
 == 参考文献==
-<references /><b>Internal references</b>
+<references /><b>其他参考资料</b>
 *Yuri A. Kuznetsov (2006) [[Andronov-Hopf bifurcation]]. Scholarpedia, 1(10):1858.
 *John W. Milnor (2006) [[Attractor]]. Scholarpedia, 1(11):1815.
@@ 第133行： / 第133行： @@
 参考 http://www.scholarpedia.org/article/Neural_fields
 ==外部链接==

@@ 第134行： / 第134行： @@
 ==更多==
 [[Propagating Waves]]
 [[Pattern formation]]

@@ 第73行： / 第73行： @@
 </math>
-这样，在某个临界阈值以下，广义和狭义的解并存。在这两者中，更广义的解是稳定的。对于平滑的 sigmoidal 发射率，没有已知的封闭形式的空间局部解，尽管使用最初为研究四阶图案形成系统而开发的技术已经获得了对多凹凸解决方案形式的深入了解 (Laing & Troy 2003)<ref>C R Laing and W C Troy. PDE methods for nonlocal models. SIAM Journal on Applied Dynamical Systems, 2:487–516, 2003.</ref>。静止的活动颠簸可以表现出各种动态不稳定性，包括 Hopf 分岔到空间局部振荡解或呼吸器(Folias & Bressloff 2004<ref>S E Folias and P C Bressloff. Breathing pulses in an excitatory neural network. SIAM J. Appl. Dyn. Syst., 3:378-407, 2004.</ref>，Coombes & Owen 2004<ref>S Coombes and M R Owen. Evans functions for integral neural field equations with Heaviside firing rate function. SIAM Journal on Applied Dynamical Systems, 34:574–600, 2004.</ref>)。
+这样，在某个临界阈值以下，广义和狭义的解并存。在这两者中，更广义的解是稳定的。对于平滑的 sigmoidal 发射率，没有已知的封闭形式的空间局部解，尽管使用最初为研究四阶图案形成系统而开发的技术已经获得了对'''多颠簸解(multi-bump solutions)'''形式的深入了解 (Laing & Troy 2003)<ref>C R Laing and W C Troy. PDE methods for nonlocal models. SIAM Journal on Applied Dynamical Systems, 2:487–516, 2003.</ref>。'''静止的活动颠簸(stationary activity bump)'''可以表现出各种动态不稳定性，包括 Hopf 分岔到空间局部振荡解或'''呼吸器(breather)'''(Folias & Bressloff 2004<ref>S E Folias and P C Bressloff. Breathing pulses in an excitatory neural network. SIAM J. Appl. Dyn. Syst., 3:378-407, 2004.</ref>，Coombes & Owen 2004<ref>S Coombes and M R Owen. Evans functions for integral neural field equations with Heaviside firing rate function. SIAM Journal on Applied Dynamical Systems, 34:574–600, 2004.</ref>)。
-活动颠簸的一个可能的计算角色是根据空间结构化网络中颠簸的峰值位置对一组刺激特征进行编码。在同构网络的情况下，允许的特征集将形成反映网络底层拓扑的连续流形（吸引子）。因此，周期性刺激特征可以由同质环网络中的活动颠簸编码（Ben-Yishai et al. 1995<ref name=":7" />，Zhang 1995<ref name=":9" />）。然而，同质网络的后果之一是，相对于与连续流形相切的空间平移，凹凸将略微稳定。这意味着在存在任意小的噪声水平的情况下，活动颠簸会随着时间缓慢漂移（Laing & Chow 2001<ref>C R laing and C C Chow. Stationary bumps in networks of spiking neurons. Neural Comput., 13:1473–1494, 2001.</ref>）。构建对噪声具有鲁棒性的神经场模型的一种方法是引入某种形式的细胞双稳态（Camperi & Wang 1998<ref>M Camperi and X-J Wang. A model of visuospatial short-term memory in prefrontal cortex: recurrent network and cellular bistability. J. Comp. Neurosci., 5:383-405, 1998.</ref>，Fall et al. 2004<ref>C P Fall, T J Lewis and J Rinzel. Background-activity-dependent properties of a network model for working memory that incorporates cellular bistability. Biological Cybernetics, 93:109-18, 2004.</ref>）。
+'''活动颠簸(activity bump)'''的一个可能的计算角色是根据空间结构化网络中颠簸的峰值位置对一组刺激特征进行编码。在同构网络的情况下，允许的特征集将形成反映网络底层拓扑的连续'''流形(manifold)'''（'''吸引子(attractor)'''）。因此，周期性刺激特征可以由同质环网络中的活动颠簸编码（Ben-Yishai et al. 1995<ref name=":7" />，Zhang 1995<ref name=":9" />）。然而，同质网络的后果之一是，相对于与连续流形相切的空间平移，颠簸将略微稳定。这意味着在存在任意小的噪声水平的情况下，活动颠簸会随着时间缓慢漂移（Laing & Chow 2001<ref>C R laing and C C Chow. Stationary bumps in networks of spiking neurons. Neural Comput., 13:1473–1494, 2001.</ref>）。构建对噪声具有鲁棒性的神经场模型的一种方法是引入某种形式的细胞双稳态（Camperi & Wang 1998<ref>M Camperi and X-J Wang. A model of visuospatial short-term memory in prefrontal cortex: recurrent network and cellular bistability. J. Comp. Neurosci., 5:383-405, 1998.</ref>，Fall et al. 2004<ref>C P Fall, T J Lewis and J Rinzel. Background-activity-dependent properties of a network model for working memory that incorporates cellular bistability. Biological Cybernetics, 93:109-18, 2004.</ref>）。
 ===行波===
@@ 第85行： / 第85行： @@
 </math>
 [[文件:Pinto.jpg|链接=link=Special:FilePath/Pinto.jpg|替代=|左|缩略图|图5 切片实验中传播的电活动波，来自 [http://www.bme.rochester.edu/bmeweb/faculty/pinto.html Pinto Lab] (经过允许)。  左：来自 16 个电极的线性阵列的局部场电位记录。 右：该字段的平滑颜色编码版本。]]
-现在，Richardson 等人在真实的神经组织（浸泡在 GABA_A 阻滞剂印防己毒素中的大鼠皮质切片）中间接确定了波速对阈值 h 的强烈依赖性。 2005. 这些实验利用了这样一个事实，即皮质神经元具有长的顶端树突，并且很容易被电场极化，并且癫痫样爆发可以由刺激电极引发。跨切片施加的正（负）电场增加（降低）波传播速度，这与假设正（负）电场降低（增加）阈值 h 的神经场理论的理论预测一致。
+现在，Richardson 等人在真实的神经组织（浸泡在 GABA_A 阻滞剂印防己毒素中的大鼠皮质切片）中间确定了波速对阈值 h 的强烈依赖性(Richardson et al. 2005<ref>K A Richardson, S J Schiff, and B J Gluckman. Control of traveling waves in the mammalian cortex. Physical Review Letters, 94:028103, 2005.</ref>)。 这些实验利用了这样一个事实，即皮质神经元具有长的顶端树突，并且很容易被电场极化，并且'''癫痫样爆发(epileptiform bursts)'''可以由刺激电极引发。跨切片施加的正（负）电场增加（降低）波传播速度，这与假设正（负）电场降低（增加）阈值 h 的神经场理论的理论预测一致。
-行波的分岔结构可以使用所谓的埃文斯函数来分析。这最初是由 Evans (1975)<ref>J Evans. Nerve axon equations: IV The stable and unstable impulse. Indiana University Mathematics Journal, 24:1169–1190, 1975.</ref> 在关于霍奇金-赫胥黎类型的可兴奋神经轴突方程的稳定性定理的背景下制定的。这个复解析函数的零点决定了算子的法线谱，该算子是通过将系统关于其行波解进行线性化而获得的。神经场模型的扩展是最近才出现的，对于 Heaviside 放电率函数的特殊情况，现在已经研究了几个模型（Coombes & Owen 2004, 2005<ref>S Coombes and M R Owen. Bumps, breathers, and waves in a neural network with spike frequency adaptation, Physical Review Letters, 94, 148102, 2005.</ref><ref>S Coombes and M R Owen. Evans functions for integral neural field equations with Heaviside firing rate function. SIAM Journal on Applied Dynamical Systems, 34:574–600, 2004.</ref>）。
+行波的'''分岔结构(bifurcation structure)'''可以使用所谓的'''埃文斯函数(Evans function)'''来分析。这最初是由 Evans (1975)<ref>J Evans. Nerve axon equations: IV The stable and unstable impulse. Indiana University Mathematics Journal, 24:1169–1190, 1975.</ref> 在关于'''霍奇金-赫胥黎(Hodgkin–Huxley)'''类型的可兴奋神经轴突方程的稳定性定理的背景下制定的。这个复解析函数的零点决定了算子的法线谱，该算子是通过将系统关于其行波解进行线性化而获得的。神经场模型的扩展是最近才出现的，对于 Heaviside 放电率函数的特殊情况，现在已经研究了几个模型（Coombes & Owen 2004, 2005<ref>S Coombes and M R Owen. Bumps, breathers, and waves in a neural network with spike frequency adaptation, Physical Review Letters, 94, 148102, 2005.</ref><ref>S Coombes and M R Owen. Evans functions for integral neural field equations with Heaviside firing rate function. SIAM Journal on Applied Dynamical Systems, 34:574–600, 2004.</ref>）。
-大多数神经场模型中的一个常见假设是网络是同质的和各向同性的，也就是说，权重分布取决于网络内交互种群之间的距离。然而，由于在皮层表层中发现的长程水平连接的斑块性质，真正的皮层更现实地被建模为各向异性和不均匀的二维介质（Bosking et al. 1997<ref>W H Bosking, Y Zhang, B Schofield and D Fitzpatrick. Orientation selectivity and the arrangement of horizontal connections in tree shrew striate cortex. J. Neurosci., 17:2112-2127, 1997.</ref>）。重量分布的各向异性可能导致不同方向的波速变化，而不均匀性可能导致随时间变化的波剖面，并可能导致波传播失败（Bressloff 2001<ref>P C Bressloff. Traveling fronts and wave propagation failure in an inhomogeneous neural network. Physica D, 155:83-100, 2001.</ref>）。
+大多数神经场模型中的一个常见假设是网络是同质的和各向同性的，也就是说，权重分布取决于网络内互相作用的群体之间的距离。然而，由于在皮层表层中发现的长程水平连接的'''斑块性质(patchy nature)'''，真正的皮层更现实地被建模为各向异性和不均匀的二维介质（Bosking et al. 1997<ref>W H Bosking, Y Zhang, B Schofield and D Fitzpatrick. Orientation selectivity and the arrangement of horizontal connections in tree shrew striate cortex. J. Neurosci., 17:2112-2127, 1997.</ref>）。权重分布的'''各向异性(Anisotropies)'''可能导致不同方向的波速变化，而'''不均匀性(inhomogeneities)'''可能导致随时间变化的波剖面，并可能导致波传播失败（Bressloff 2001<ref>P C Bressloff. Traveling fronts and wave propagation failure in an inhomogeneous neural network. Physica D, 155:83-100, 2001.</ref>）。
 [[Category:Synchronization]]

@@ 第1行： / 第1行： @@
-<strong>神经场(Neural field)</strong>方程是组织层面的模型，描述了粗粒度变量的时空演变，例如神经元群体中的突触或放电率活动。
+<strong>神经场(Neural field)</strong>方程是'''组织层面(tissue-level)'''的模型，描述了'''粗粒度(coarsed grained)'''变量的'''时空演变(spatiotemporal evolution)'''，例如神经元群体中的'''突触(synaptic)'''或'''放电率(firing rate)'''活动。
 ==简介==
-即使是一小块皮层中的神经元和突触的数量也是巨大的。因此，一种流行的建模方法是采用连续极限并研究神经网络（神经网络中，空间是连续的，并且宏观状态变量等于平均发放率）。首次尝试开发神经活动的连续近似，或可追溯到 1950 年代的 Beurle (1956)<ref name=":0">R L Beurle. Properties of a mass of cells capable of regenerating pulses.  Philosophical Transactions of the Royal Society London B, 240:55–94, 1956.</ref> 和 1960 年代的 Griffith (1963, 1965)<ref>J S Griffith. A field theory of neural nets: II: Properties of field equations. Bulletin of Mathematical Biophysics, 27:187–195, 1965.</ref><ref>J S Griffith. A field theory of neural nets: I: Derivation of field equations.  Bulletin of Mathematical Biophysics, 25:111–120, 1963.</ref>。通过关注给定体积的模型大脑中每单位时间被激活的神经元比例组织，Beurle 能够分析大规模大脑活动的触发和传导。然而，这项工作只处理没有难治或恢复变量的兴奋性神经元网络。Wilson和 Cowan(1972,1973) <ref name=":1">H R Wilson and J D Cowan. A mathematical theory of the functional dynamics of cortical and thalamic nervous tissue. Kybernetik, 13:55–80, 1973.</ref><ref name=":2">H R Wilson and J D Cowan. Excitatory and inhibitory interactions in localized populations of model neurons.  Biophysical Journal, 12:1–24, 1972.</ref>在 1970 年代将 Beurle 的工作扩展到包括抑制性和兴奋性神经元以及不应期。Amari (1975, 1977)<ref name=":3">S Amari. Homogeneous nets of neuron-like elements.  Biological Cybernetics, 17:211–220, 1975.</ref><ref name=":4">S Amari. Dynamics of pattern formation in lateral inhibition type neural fields. Biological Cybernetics, 27:77–87, 1977.
+即使是一小块'''皮层(cortex)'''中的神经元和突触的数量也是巨大的。因此，一种流行的建模方法是采用'''连续极限(continuum limit)'''并研究神经网络（神经网络中，空间是连续的，并且'''宏观状态变量(macroscopic state variables)'''等于平均发放率）。首次尝试开发神经活动的连续近似，或可追溯到 1950 年代的 Beurle (1956)<ref name=":0">R L Beurle. Properties of a mass of cells capable of regenerating pulses.  Philosophical Transactions of the Royal Society London B, 240:55–94, 1956.</ref> 和 1960 年代的 Griffith (1963, 1965)<ref>J S Griffith. A field theory of neural nets: II: Properties of field equations. Bulletin of Mathematical Biophysics, 27:187–195, 1965.</ref><ref>J S Griffith. A field theory of neural nets: I: Derivation of field equations.  Bulletin of Mathematical Biophysics, 25:111–120, 1963.</ref>。通过关注给定体积的模型大脑中每单位时间被激活的神经元比例组织，Beurle 能够分析大规模大脑活动的触发和传导。然而，这项工作只处理没有'''难治(refractory)'''或'''恢复变量(recovery variable)'''的'''兴奋性(excitatory)'''神经元网络。Wilson和 Cowan(1972,1973) <ref name=":1">H R Wilson and J D Cowan. A mathematical theory of the functional dynamics of cortical and thalamic nervous tissue. Kybernetik, 13:55–80, 1973.</ref><ref name=":2">H R Wilson and J D Cowan. Excitatory and inhibitory interactions in localized populations of model neurons.  Biophysical Journal, 12:1–24, 1972.</ref>在 1970 年代将 Beurle 的工作扩展到包括'''抑制性(inhibitory)'''和兴奋性神经元以及'''不应期(refractoriness)'''。Amari (1975, 1977)<ref name=":3">S Amari. Homogeneous nets of neuron-like elements.  Biological Cybernetics, 17:211–220, 1975.</ref><ref name=":4">S Amari. Dynamics of pattern formation in lateral inhibition type neural fields. Biological Cybernetics, 27:77–87, 1977.
-</ref> 在对连通性和放电率函数的自然假设下，在对经活动的连续模型中进行了进一步工作，特别是关于模式形成。Amari 考虑了局部激发和远端抑制对于具有典型皮质连接（通常称为“墨西哥帽连接”）的相互作用的抑制性和兴奋性神经元的混合群体，这是一个有效的模型。
+</ref> 在对'''连通性(connectivity)'''和放电率函数的自然假设下，在对经活动的连续模型中进行了进一步工作，特别是关于'''模式形成(pattern formation)'''。Amari 考虑了'''局部激发(local excitation)'''和'''远端抑制(distal inhibition)'''对于具有典型皮质连接（通常称为“'''墨西哥帽连接(Mexican hat connectivity)'''”）的相互作用的抑制性和兴奋性神经元的混合群体，这是一个有效的模型。
-由于这些对动态神经场理论的开创性贡献，类似的模型已被用于研究EEG节律、视觉幻觉、短期记忆和运动感知机制。
+由于这些对'''动态神经场(dynamic neural field)'''理论的开创性贡献，类似的模型已被用于研究'''EEG节律(EEG rhythms)'''、'''视觉幻觉(visual hallucinations)'''、短期记忆和运动感知机制。
 ==生理学动机==
 神经场考虑嵌入在粗粒度空间区域中的神经元群体(Wilson & Cowan 1973)<ref name=":1" />。这种场的颗粒反映了在初级感觉区域中观察到的微观或宏观柱状体，例如啮齿动物的桶状皮层 (Petersen 2007) <ref>C C Petersen. The functional organization of the barrel cortex. Neuron 56(2):339-55, 2007.</ref>或哺乳动物的视觉皮层 (Hubel & Wiesel 1962<ref>D H Hubel and T N Wiesel. Receptive Fields, Binocular Interaction And Functional Architecture In The Cat's Visual Cortex. Journal of Physiology 160:106–154, 1962</ref>, Saez et al. 1998<ref>J A Saez, J Paniagua, I Dominguez & J M  Ferrer. Image processing in the primary visual cortex. Review Neurology 26(151):439-44, 1998.</ref>)。此外，神经领域考虑瞬时种群放电率（种群编码），即在几毫秒的某个短时间间隔内放电神经元的数量。神经场模型中的时间变量是这个时间间隔的倍数。因此，神经场在时间和空间上是粗粒度的，并表示平均场模型。重要的是要提到与神经质量模型的相似性，后者忽略了空间扩展，但涉及到关于群体编码和时间粒度的相同基本假设。

←上一版本		2022年6月13日 (一) 07:45的版本
第1行：		第1行：
−	<strong~~><nowiki~~>神经场~~</nowiki>~~</strong>方程是组织层面的模型，描述了粗粒度变量的时空演变，例如神经元群体中的突触或放电率活动。	+	<strong>神经场(Neural field)</strong>方程是组织层面的模型，描述了粗粒度变量的时空演变，例如神经元群体中的突触或放电率活动。

	==简介==		==简介==