4.2 神经解码：从尖峰到刺激

4.2 神经解码：从尖峰到刺激

上一节把码本立好，本节做翻译：给定一段尖峰序列，反推出它对应的刺激。解码不只是应用技术——它同时是最严格的编码假设检验器：你声称信息在时序里，那就构造一个专门读时序的解码器，读得出来才算数。本节从最常用的描述统计（PSTH、光栅图）走到线性与贝叶斯解码器，并解释它们与第 8 章脑机接口的连续谱关系。

第一步：把原始尖峰整理成可读形式

拿到一段记录，先做两张标准图。光栅图（raster）：每次重复试验占一行、每个脉冲一个点，几十行叠起来，刺激锁定的模式直接显形。刺激后时间直方图（PSTH）：把所有试验按时间对齐后数柱状密度，等于对光栅做纵向平均，得到随时间变化的发放率估计。两张图回答的问题不同：光栅看试验间变异性（同样刺激下每次发放都一样吗——这本身就是信息），PSTH 看平均趋势。

实践要点在 bin 宽的选择：bin 太细（1 ms）每个格子脉冲数太少、统计噪声淹没趋势；bin 太粗（50 ms）把快速瞬态抹平。常用折中是 5 至 20 ms，或者用核平滑（对每个脉冲放一个高斯核再求和）代替硬分箱——核宽的角色与 bin 宽相同，但曲线连续、无分箱伪影。

线性解码：一根反向滤波器

最常用的解码器假设：刺激是尖峰序列的线性泛函加噪声。以时间维度的线性重建为例，估计的刺激 ŝ(t) = Σ Σ w(τ)·k 次试验在 t−τ 处的脉冲。权 w 通过最小均方误差从训练数据学出。这个"反向相关"方法在视网膜上效果惊人：对白噪声刺激，用一组视神经节细胞的尖峰反向卷积，重建出的图像肉眼可辨——视网膜上的线性解码告诉我们，至少对这类刺激，视网膜已把大部分非线性处理做在了上游。

线性解码器的适用判据值得写进肌肉记忆：刺激分布接近高斯、系统近似线性时它接近最优；分布偏斜（自然影像、稀疏事件）或系统强非线性（阈值、饱和）时，需要在前端加静态非线性 ŝ = f(线性项)，即所谓 LN 级联——这就把模型接到第 2 章 LIF 的非线性骨架上了。

图：解码流水线——从原始尖峰到刺激估计的四级处理

贝叶斯解码：把不确定度一并算出

线性解码给出点估计，贝叶斯解码给出整个后验分布 p(刺激 | 尖峰)。做法两步：先用码本建似然 p(尖峰 | 刺激)——群体 Poisson 假设下就是各细胞调谐曲线的乘积；再乘先验 p(刺激) 归一。后验的峰是估计值，峰的宽度是不确定度——解码器同时告诉你"我猜是 210 度"和"我有多确定"。大脑自身被广泛假设在做类似的概率计算（感知决策的贝叶斯脑假说），因此贝叶斯解码器还有一层对照意义：它的误差结构可与被试行为误差直接比较。

群体 Poisson 假设带来的维数灾难（细胞一多，联合似然无法枚举）有标准处理：假设各细胞条件独立，或对尖峰先做低维降维（因子分析、高斯过程隐变量）再解码。这些降维技术同时是第 7 章数据分析的主角——解码与数据预处理在方法上是同一套工具箱。

概念代码：贝叶斯方向解码

import numpy as np

pref = np.arange(0, 360, 45)                    # 8 个细胞的偏好方向
f_max, f_base = 40.0, 5.0                       # 峰值/基础发放率 Hz
tbin = 0.2                                      # 200 ms 观察窗
def tuning(s):                                  # 码本：余弦调谐
    return f_base + f_max*np.cos(np.radians(pref - s))**2

spikes = tuning(210)*tbin                       # 真实方向 210 度下各细胞计数
candidates = np.arange(0, 360, 2)
lam = np.stack([tuning(s)*tbin for s in candidates])  # 每个候选方向的期望计数
log_post = (spikes*np.log(lam)).sum(axis=1) - lam.sum(axis=1)  # Poisson 对数似然
post = np.exp(log_post - log_post.max()); post /= post.sum()
print("最优估计:", candidates[post.argmax()], "度")
print("后验宽度(度):", round(np.sqrt((post*(candidates-candidates[post.argmax()])**2).sum()),1))
​

把尖峰计数改成第 4.1 节那种带噪声的版本重跑：估计值仍在真值附近，后验宽度随噪声增大——解码器"知道自己不知道"。这种自带不确定度的性质是它在临床解码（如意图识别）里被优先选用的原因。

⚠️ 常见坑：解码正确率高不等于找到了大脑的编码方案。解码器可以使用大脑不用的信息（如试验间相关噪声），也可能读不出大脑在用的信息（码本设错）。所以解释顺序必须反过来：先用解码确定"信息在不在"，再用受控实验确定"大脑怎么用"。

💡 关键直觉：解码是编码假设的单元测试。每提出一种编码方案，配一个它专属的解码器；读得出来，假设晋级；读不出来，要么码本错，要么信息真的不在这个通道——两种结论都有价值。

本节要点回顾

• 要点一：光栅与 PSTH 是解码的第一步，核平滑优于硬分箱。
• 要点二：线性解码是高斯线性世界的最优解，加静态非线性即 LN 级联。
• 要点三：贝叶斯解码输出后验，估计与不确定度一并给出。
• 要点四：条件独立与低维隐变量是群体解码对抗维数灾难的两大手段。
• 要点五：解码成功是必要证据而非充分证据——先证"在不在"，再证"怎么用"。

翻译器有了，但还缺一把标尺：这条通道到底装了多少比特？下一节请出信息论。

案例：从实验室解码到神经假体的一次完整对账

把 4.2 的流程走成一个工程案例。运动 BCI 的标准闭环：被试想象手腕移动，运动皮层约一百个电极通道的脉冲被实时读出；解码器先把这些脉冲投影到低维隐状态（对应 7.2 的降维），再用卡尔曼类滤波把隐状态映射为光标速度；光标运动的视觉反馈回到被试眼中，形成闭环。训练流程体现用户在环思想——解码器参数先用手肘追踪数据初始化，再让被试带着反馈操作数天，其间系统在线微调；被试的皮层也在"学解码器"，两周后想象手臂的操作已接近真实手臂的直觉程度。这个案例里 4.2 的每件工具（光栅看信号质量、PSTH 定调谐、贝叶斯解码给不确定度）都在生产线上各就各位——解码理论的工程验收，就是这么完成的。

问题：解码器的"信息泄漏"问题是什么？

指解码器可能利用了与神经编码无关、却与刺激相关的伪线索。典型如试验间刺激顺序带来的慢漂移：解码器学会读漂移而非读神经表征，交叉验证分数虚高。排查法是把刺激呈现顺序随机化、加入洗牌对照、以及在新数据采集日重新验证。报告解码结果时的专业格式是：任务维度、数据量、校准与测试的分离方式三项缺一不可——这既是 4.2 的纪律，也是审稿视角下判断一个解码研究可信度的最快通道。