第1章　绪论

1.1　脑科学

2016年，“脑科学与类脑研究”被《“十三五”规划纲要》确定为重大科技创新项目和工程之一，也被称为中国脑计划。探索人脑智能和意识的内在机理，认识人的行为和情感的脑信息处理机制，创建新型脑疾病诊断与治疗方式，是21世纪科学的前沿领域。我国脑研究大体分为两个方向：一是探究大脑对信息的表达和处理方式，发掘智力和思维等脑高级认知功能的过程及其神经机制，借以建立和发展以人工智能技术为导向的类脑研究；二是研究脑功能的细胞和分子机理，探索脑重大疾病的发生发展机理，以探索大脑秘密，研发脑重大疾病诊治新手段和脑机接口新智能技术。

1.1.1　类脑研究

类脑研究是涉及计算科学、认知科学、神经科学与脑科学的交叉前沿方向，其目标是借助神经科学、脑科学与认知科学的研究成果，研究大脑信息表征、转换机理和学习规则，建立模拟大脑处理信息的智能体[1]。人脑是由几十亿个高度互连的神经元组成的复杂网络，神经元之间通过突触连接接收和传递信息，能够实现分析、联想、记忆和逻辑推理等高级认知功能。模拟人脑中神经元处理信息机制的人工神经网络具有自学习与自组织等智能行为的能力，能够使机器具有一定程度的智能。目前类脑智能的研究已经在语音识别[2-4]、手写体识别[5, 6]和图像标注[7]等技术领域取得了非常成功的应用。

类脑研究至今最成功的例子是深度学习（Deep Learning），尤其是最近AlphaGo的成功，使深度学习受到了越来越广泛的关注。深度学习源于对大脑视觉系统的研究，1981年获得诺贝尔医学奖的两位学者David Hubel和Torsten Wiesel提出人视觉系统的信息处理是分级的，即人脑对图像的识别可以看成一个不断迭代、不断抽象概念化的过程。例如，当人眼看到某个图像时，先由瞳孔摄入像素，接着由大脑皮层细胞检测图像的边缘和像素，然后进一步抽象获得对图像的理解。可以看出，大脑的认知过程是一个深度架构，深度学习的思想就是模拟大脑视觉信息的处理机制，通过组合低层特征形成更加抽象的高层特征，而这一目标要采用多层神经网络通过学习训练达成。与只有一个输入层、一个隐含层和一个输出层的传统神经网络相比，深度学习通过很多数学和工程技巧增加隐含层的层数。如果隐含层的层数足够多（深度更深），通过适当的连接函数和架构选择，就能更好地表达数据的特征。基于这一特性，深度学习在大规模数据处理领域，如图像标注和语音识别等方面取得了很好的效果。

深度学习在当前大数据背景下应运而生，能够充分发掘海量数据中蕴藏的有价值信息，极大地推进了智能自动化。但是，从人工智能的角度来看，目前的深度学习仍然属于第二代人工神经网络。第二代人工神经网络通常是全连通的神经网络，它们输入连续的值，通过网络学习，再输出连续的值，该网络应用在许多领域，已经取得了突破性进展，但第二代人工神经网络在生物学上并不能准确描述大脑神经元的运行机制。脱离了脑的神经生物学基础，不可能认识脑的工作机制，也不可能用人工方法实现类脑智能。大脑是一个异常复杂的生物系统，它由数百种不同类型的上千亿个神经细胞构成，神经元是其中处理信息的基本单元。若能基于大脑生物神经元处理信息的机制构建神经网络，必将获得更智能的信息处理手段。随着神经科学的发展，人们对大脑的工作机制有了越来越深入的了解，发现大脑神经元是以脉冲的方式接收和传递信息的。根据生物神经元的这一特征，科学家提出了脉冲神经网络（Spiking Neural Network，SNN）的概念，脉冲神经网络除了描述神经元和突触的工作机制，还融入了信息处理的时间机制。相比人工神经元，脉冲神经网络实现了更高级的生物神经模拟水平，被称为第三代人工神经网络，因此对脉冲神经网络进行深入研究，有助于推动类脑智能技术的研究。

1.1.2　脑疾病

脑科学研究的另一个重大方向是研究脑疾病的发病机制和治疗措施，并发展基于脑电信号的新型智能脑−机接口电子医疗技术。随着社会生活节奏的日益加剧和人口老龄化的到来，大脑精神疾病与神经退行性疾病越来越严重地影响我国各年龄层次人群的健康。在青少年和成年人群中，精神疾病如精神分裂症、焦虑症和抑郁症等比较突出，造成巨大的社会和经济负担；而在中老年人群中，诸如阿尔茨海默病和帕金森病等神经退行性疾病是影响健康和寿命的重要因素之一，它们的共同特征是脑区神经元死亡，造成神经细胞死亡和神经环路功能的渐近式破坏，并且会随着时间的推移而恶化，普遍存在认知、运动、社会功能障碍等多方面问题。由于这些疾病的发病机理迄今尚未完全清楚，导致当前治疗主要以短期缓解症状为主，在延缓疾病进程或者治愈方面仍然缺乏有效手段。

近20年，随着功能基因组学和神经系统影像技术的进步，人类对分子细胞和环路水平对神经系统影响的认知获得了极大的提高，取得了关于脑重大疾病的关键分子细胞病理机制的丰硕成果。例如，发现脑功能依赖神经元的兴奋性和抑制性特征，神经疾病是由于神经元核团之间连接通路的兴奋性或抑制性平衡被破坏而引起的，脑疾病与脑部特定区域神经元的病理性非线性动态紧密相关。根据这些认识，除了药物治疗，也催生出全新的治疗策略——神经调制技术。神经调制技术采用电刺激或磁刺激的方式，对脑功能紊乱或缺失进行功能修正或重建。比较常用的如深部脑刺激（Deep Brain Stimulation，DBS）技术，它在治疗抑郁症、癫痫和帕金森病等多种脑重大疾病中有杰出表现。此外，经颅磁刺激（TMS）、经颅直流电刺激（TDCS）等在脑疾病治疗上也处于活跃探索期。然而，由于这些脑疾病的发病机理仍尚未完全清楚，神经调制的有效性也受到了一定程度的限制。因此，仍然有必要继续探索脑疾病的基本机制，进而建立新理论，获得新的诊疗手段。

为了探索脑疾病的发病机理及神经调制的内在机制，必须清楚认识大脑是如何处理信息的，因此从信息处理的角度出发，广泛采用数学、物理和生物的相关知识，应用建立计算模型的方法，根据脑在不同层次、不同方面观察和实验得到的数据，选取能表征实验现象的状态变量，建立它们之间的定量关系，用数学模型进行量化，这样就能通过计算机仿真来重构实验现象的某些行为，并通过数学分析揭示隐藏在实验现象背后的神经信息处理的本质特征。现在，对大脑进行神经建模的研究已经开展得非常广泛，如小脑模型、海马体模型、脊髓模型、下丘脑模型和基底核模型等，模型研究使人们对大脑从神经元到神经网络，从细胞水平到系统水平处理信息的模式和机制有了更深的理解。尤其是对于神经疾病而言，出于对神经退行性疾病的发病机制及神经调制机制进行理解的迫切需求，数学建模与神经科学产生了更深层次的融合，更加与生物学相符的模型不断地被提出。基于大脑神经元以脉冲的方式传递和接收信息的本质特征，脉冲神经网络以其能够从时空特性刻画神经元动态的特征，在研究脑疾病的发病机理和神经调制机制中得到了非常广泛的应用。