《Biological Cybernetics》：A spiking neural network model for fractional proprioceptive encoding of limb posture and movement in insects
编辑推荐：
本研究针对昆虫运动控制中分布式的本体感觉信息如何被中枢神经系统整合并编码为全身姿态与运动参数这一核心问题，提出了一种多层尖峰神经网络模型。研究人员基于自适应性指数积分发放神经元，模拟了感受器阵列的范围分馏和时相-紧张性响应特性，首次实现了从单关节角度/速度到肢体运动周期乃至全身姿态参数的层级式分数编码。该模型为理解生物系统如何通过分布式计算处理复杂运动信息提供了新的理论框架，并对神经形态计算与仿生机器人控制有重要启发意义。
当我们观察一只竹节虫稳健地走过复杂的地形，或者一只蟑螂灵活地避开障碍时，会惊叹于其精密的运动控制能力。这种能力的关键在于本体感觉——生物体感知自身身体姿势、运动和负荷的“第六感”。在昆虫和其他节肢动物中，这种感觉由遍布全身的机械感受器（如毛板、弦音器和剑梢感受器）提供。然而，计算神经科学领域面临着一个根本性的挑战：这些局部的、分散的感觉信号是如何被整合，并最终形成关于整个肢体甚至全身姿态与运动的统一感知的？
传统的计算方法通常将感受器信号视为连续的模拟量，但实际上，神经系统的信息传递是通过离散的动作电位（尖峰）完成的。许多现有的计算模型未能充分捕捉这种尖峰编码的本质。此外，昆虫的本体感受器通常表现出两个关键特性：第一是“范围分馏”，即单个感受器只对关节活动范围内的一个狭窄区间敏感，要编码大范围的关节角度，就需要多个感受器信息的汇聚；第二是“分数编码”，即感受器的时相-紧张性响应特性使其放电频率同时编码刺激强度本身（如关节角度）及其变化率（如角速度）。这两点使得从原始感觉信号中提取精确的关节位置和速度信息变得复杂。再者，这些感觉阵列分布在身体各处，复杂的全身运动必然涉及来自多个关节或肢体的信息整合。目前，缺乏一个能系统模拟这种分布式、尖峰驱动的层级计算，并利用真实运动数据验证其有效性的统一模型。
为了解决这些问题，一项发表在《Biological Cybernetics》上的研究提出了一个创新的多层尖峰神经网络模型，旨在实现对昆虫全身姿态与运动的分布式计算。研究团队的核心目标是，利用尖峰神经元网络，构建一个能从局部的、分数编码的感受器信号出发，逐步整合，最终编码从单个关节速度到整个肢体运动周期阶段，乃至全身姿态参数的层级系统。
为了达成目标，研究人员采用了几个关键的技术方法。首先是计算建模与仿真：构建了一个包含四层（感受器、一级中间神经元、二级中间神经元、三级中间神经元）的尖峰神经网络架构，并使用真实的昆虫运动数据驱动模型。其次是神经元模型：使用自适应性指数积分发放模型模拟具有时相-紧张性响应的本体感受器神经元；使用漏电积分发放模型模拟下游的中间神经元。第三是数据驱动验证：模型训练和评估所使用的是通过运动捕捉系统获取的印度竹节虫Carausius morosus在无约束行走时的全身运动学数据集，该数据集包含了6条腿、每条腿3个关节（共18个关节）的同步关节角度时间序列。此外，还利用了已发表的关于美洲大蠊Periplaneta americana触角毛板感受器神经元的电生理学数据来校准和验证感受器模型。
研究结果通过清晰的层级结构逐一展现：
层一：毛板层
研究人员首先成功模拟了单个毛发感受器的响应特性。他们采用自适应性指数积分发放模型，通过参数优化，使模型神经元能够复现美洲大蠊触角毛板感受器记录到的典型时相-紧张性放电模式。当毛发被以不同速度偏转至不同角度时，模型神经元表现出与生物数据相似的特征：在偏转的“斜坡”阶段放电频率迅速达到峰值（时相响应），随后在“保持”阶段衰减至一个较低的稳定频率（紧张性响应）。这验证了模型在单细胞水平上对分数编码（同时包含角度和速度信息）的模拟能力。
层二：位置与速度中间神经元
这是研究的核心突破之一。研究团队巧妙地利用范围分馏的毛板阵列和感受器的时相特性，构建了能分别精确编码关节角度和角速度的一级中间神经元。
- •
位置编码：将每个关节两个对立方向毛板阵列（分别对关节正、负向偏转敏感）的输出，分别汇聚到两个漏电积分发放模型神经元上。通过调整模型的突触权重和时间常数，这两个神经元的放电率之差能够高精度地跟踪关节角度在整个工作范围内的变化。实验数据显示，该模型对关节角度的编码均方误差很低，且在不同腿型之间无显著差异，证明了其鲁棒性。
- •
速度编码：为了从位置敏感的感受器信号中提取纯速度信息，研究人员设计了一种“扩展的双向毛板”布局，并利用感受器响应中的时相成分。他们在每个感受器神经元后连接了一个高通滤波器（也由漏电积分发放模型实现），该滤波器只对感受器放电频率中快速变化的部分（即毛发刚刚被偏转到最大角度时的瞬态峰值）做出反应。将同一方向（正或负）的所有高通滤波器输出汇聚到一个速度中间神经元上。结果显示，该神经元的放电频率与关节角速度呈高度线性相关，成功实现了对运动速度的独立于位置的编码。这与在竹节虫触角机械感觉通路中观察到的速度敏感下行中间神经元的特性非常相似。
这项研究成功构建并验证了一个基于尖峰神经网络的层级计算框架，该框架能够从分布式的、具有范围分馏和分数编码特性的本体感受器输入中，有效地提取出关节角度和角速度信息。更重要的是，模型仅使用生物合理的尖峰神经元和简单的连接规则，就实现了对自然、复杂运动数据的高精度编码。
在讨论部分，作者强调了该模型的几项重要意义。首先，它首次在一个统一的尖峰网络框架内，同时解决了本体感觉编码中的两个基本计算挑战：范围分馏和分数编码，并展示了如何通过汇聚和过滤从中解码出独立的位置和速度信号。其次，模型为理解昆虫中枢神经系统如何整合来自身体各处的分散感觉信息，以形成协调运动所需的内部表征提供了具体的计算假说。最后，这种受生物启发的编码策略具有很好的泛化性，不仅可以应用于昆虫的其他感觉模态（如触角），也为设计新型的、低功耗的神经形态传感器和机器人控制系统提供了宝贵的原理参考。该研究将计算神经科学与实验生物力学相结合，为探索分布式感觉运动控制的神经机制开辟了新的途径。
