脑内的信息处理

从控制论的观点来看，脑是一个信息处理的装置，又是体内调节控制的中枢。研究脑内的信息处理，对揭示脑的工作原理和脑及其他系统疾病的机制有重要意义。人脑是极为复杂的系统，估计有1010～1011个神经元，每个神经元平均有上万个突触，每一突触都有信息处理功能(参见“神经信息的传递与加工”条)，而神经元间实际联接的细节目前还不太清楚。因此，脑内信息处理功能的研究将是一项长期的任务。
学习与记忆模型 脑的信息处理功能是多方面的，而记忆与学习是脑的基本功能。如同对研究神经元和神经网络一样，建立模型是研究脑内信息处理能力的基本方法。在已知的神经生理和解剖知识基础上，通常假定神经元间的突触联系是可塑的，从而可建立有关脑内实现学习与记忆的模型。在所有脑的学习和记忆功能的模型中，都引入了突触改变规律的假设，即假定突触的导通能力如何随使用而发生变化。在不同的模型中可采用不同的突触变化规律，其中Hebb规律被较广泛采纳，即假定突触前与突触后同时兴奋使突触导通能力增加。在脑模型研究的推动下，已发现一些突触可塑性的神经生理与解剖学的证据，但突触变化的具体规律迄今尚未有直接的实验证据。
感知机 五十年代末期，Rosenblatt提出的感知机(Perceptron)模型是比较成功的脑学习功能的模型。感知机的结构如图1所示，它由三组神经元所组成： 第一层为
感知层，接受传入信

息 (相当于大脑的原
感区)；第二层为联合
层；第三层为决策层，
也是模型的输出层。
感受层与联合层间的
联接是随机的，而联
合层到决策层间的联
接则可以通过学习改
变。
图1 感知机示意图
假定学习是在教师指导下进行，教师根据模型输出正确与否，决定如何改变感知机中联合层与决策层的联系。例如，将A及其他字母输入模型，开始时模型不能正确判断；但在教师指导下，修改联合层与决策层的突触导通能力，最后模型可学会正确判断。若用向量X表示联合层的状态（即各神经的兴奋与抑制情况），用Y表示决策层的输出，而它们间的突触联系用向量W表示，则Y=1
出正确时使权重和增加，而不正确时则减小。通过这样的学习，在一定条件下，感知机可以学会正确判断。
已经提出了小脑皮质是一种特殊的感知机的设想。小脑皮质的结构极规整，人类小脑共有五种不同神经元。在小脑感知机模型中，假设苔状纤维相当于感受层，颗粒层相当于联合层，而浦氏细胞相当于决策层。小脑的学习是通过大脑为教师而实现的，大脑通过攀登纤维将示教命令传到小脑，使之改变相应的突触联接。利用小脑皮质的感知机模型可以解释小脑对运动控制的主要特征。而在此模型基础上，曾设计出仿小脑的探纵器控制系统，并用电子计算机进行模拟。在这样的模拟系统中，如改变系统的参数时，其所控制的运动可产生类似小脑共济失调的结果，由此可能为小脑病变机制的阐明提供有价值的线索。
联想存储器模型 人的记忆具有联想的特点，即把信息存贮在相互联系之中。可以用神经元组成这种联想记忆功能的模型。联想存贮器神经网络模型的研究是目前生物控制论研究中比较活跃的领域，已提出多种不同方案，进行计算机模拟和理论分析。一个简单的联想存贮器如图2所示，它是由两组神经元组成的网络，由M个神经元组成X组，N个神经元组成Y组，各组神经元兴奋的组合分别代表一个事件（或模式）,X与Y组中任何两个神经元间均有突触联系存在，而其突触的导通能力均是可塑的。假设每个神经元只有兴奋与抑制两种状态，分别用1和0来表示，则每一事件可以用0或1为元素的向量来表示，两相关事件可以用X=(x₁,x2……xn),Y=y1,y2……yn) 来表示。如果神经元xi与另一组神经元y_j之间的突触联系用mij来表示，则所有的突触组成一个M×N矩阵， 即M{mi_j}。 如果突触是依Hebb规律变化，则当同时输入K对事件之后，存贮在联想存
贮器M中的信息为
中XtL表示X的转

置。在这种情况
下，可以从输入XI
取出对应的YI，即
在X组输入信息
XI，可以在Y组取
出I，即YI=M·
图2 联想存储器示意图
XI。已经证明，如XL相互正交，则有ÿI=YI，即可以正确取出对应的存贮内容，其正确取出存贮事件的数目为X的维数，即M个。
联想存贮器的特点是，信息处理为并行方式，每一事件是分布地存贮到许多存贮单元中，因此，由部分信息就可以取出相应的完全的信息，个别元件的缺损对于取出的结果影响很小。除了已有电子计算机模拟外，还做过相当于25个神经元，325个突触的硬件电子装置。脑是有多级递阶结构的系统，模拟的多级联想存贮器模型的初步研究结果，已显示具有更接近人脑的记忆功能。由于脑模型一般是时变的非线性网络，通常应用电子计算机模拟方法，验证模型的功能和引出所需的结论。在一些简化条件下，也可作一些理论分析，如存贮容量的估计，学习过程的收敛性分析等。
其他脑模型 神经系统的模型研究，还可以为神经系统疾病的病因、诊断和治疗提供线索，如在建立了皮质下海马结构的神经网络模型后，研究其中参数对网络稳定性的影响，为癫痫发生的机理提供了线索。海马结构神经网络在某一些情况下，可以产生高频峰发放，这意味着癫痫的发生。