神经元的基本结构（高中生物x）
图源wiki。
接收区（receptive zone）：为树突（dendrite）到胞体（soma）的部分。在计算建模时，往往把树突作为接受区看待。树突接受突触前神经元的信号，在ANN结构中表现为当前神经元接受前一层的输入，并以突触的权重进行加权和。
触发区（trigger zone）：为细胞体与轴突交接的部分，即轴丘（axon hillock）。在计算建模时，将胞体作为触发区看待。这一部分决定是否产生动作电位，在ANN中对应于激活函数。
传导区（conducting zone）：为轴突（axon），动作电位的电信号传导的线路。
输出区（output zone）：在神经末梢通过突触结构完成电-化学转换，对应于ANN结构中的权值（大约是）。
泄漏发放模型（Leaky Integrate-and-Fire, LIF）
Integrate-and-Fire
参考Neuronal Dynamics: From Single Neurons to Networks and Models of Cognition。这本书做得挺完善的，是一本免费的线上书，并且在网站上有配套的jupyter notebook和视频。网站在https://neuronaldynamics.epfl.ch/index.html。
Integrate-and-Fire的定义是：
Neuron models where action potentials are described as events are called “integrate-andfire” models. No attempt is made to describe the shape of an action potential.
这样假设的前提是，神经元发出的脉冲在形状上都差不多，不太可能在脉冲的形状上承载信息。做出这个假设之后，一个脉冲实际上被简化成一个"event"，即一个“事件”，是时间轴上的一个点。
这个模型中需要描述的有两件事情：（1）突触后电位如何随时间变化；（2）何种条件下触发动作电位。
考虑一个神经元\(j\)对一个神经元\(i\)传递脉冲的过程。记录一个函数\(\epsilon_{ij}(t)\)，表示如果神经元\(i\)对神经元\(j\)在\(t=0\)时刻开始发出脉冲，脉冲值随时间的变化。（实际上就是记录脉冲本身形状的一个函数）在达到触发动作电位的阈值\(\theta\)之前，我们认为突触后神经元接受到的信号直接进行累加，即
两重求和表示对于不同的突触前神经元、同一神经元发出的不同脉冲进行求和。上标\(f\)表示神经元电位达到\(\theta\)的时刻，即
Leaky Integrate-and-Fire
LIF模型用一个一阶动力学方程来描述突触后电位的变化，在电位超过一定阈值时触发动作电位。
LIF认为当突触前神经元的电信号传导到突触后时，电荷肯定要有去向。将突触后神经元看作电容\(C\)，这一部分电荷首先充入电容。随后这一部分电荷会泄漏出去，将突触后神经元看作电阻\(R\)。于是整个过程抽象成以下电路：
然后就是电学原理进行一个乱推，得到本质上是一个欧姆定律的等式：
如果撤去输入\(I(t)=0\)，显然会得到一个负指数衰减的结果。
这是第一部分的内容。对于动作电位的触发，根据Integrate-and-Fire的假设，本质上就是一个Dirac \(\delta\)-函数。所以，在达到临界值之后，
\(u_r\)并不是静息电位，它应该比静息电位来得更小，以模拟超极化和不应期。此后，电位继续遵循上述微分方程变化。
突触可塑性（synaptic plasticity）
生物原理
突触可塑性是神经元之间通过改变连接的强度从而进行学习的性质。
赫布规则（Hebb Rule）：
当A细胞重复或持续地参与激活B细胞时，两个细胞间会发生某种生长过程或代谢变化，使得A细胞激活B细胞的效率得到提高。换言之，同时激活的细胞将彼此相连。
赫布规则将神经元群的协同表现缩小定位到单个突触当中。两个神经元之间联系的改变可以体现在长时程增强作用（long-term potentiation, LTP），或者长时程抑制作用（long-term depression, LTD）上。
LTP最早于1966年，在对海马体对短期记忆的研究中发现。具体表现为如果对突触前神经元进行高频率的刺激，后续再对突触前神经元施加单个刺激时，兴奋性的突触后电位会变得更强烈、延续时间更长。LTD则是相反的过程。LTD的性质可以从下面的STDP数学描述中看出来。
“同时激活的细胞将彼此相连”的说法还没有考虑到时间上的因素，在一定的时间窗口内，突触前-突触后的神经元释放会引起LTP，相反的顺序会引起LTD。这种现象称为脉冲时间相关的突触可塑性（spike-timing dependent plasticity, STDP）。
STDP作为一种可塑性规则，同时也作为一种无监督学习的权重调整原理。数学描述如下：
使用了指数衰减对时间间隔的影响进行建模，实践上可能还会进一步简化。\(a^+,a^-\)刻画了LTP和LTD激活的程度，\(\tau^+,\tau^-\)刻画了两者的时间窗口。
除了突触前后的神经元活动之外，神经调质（neuromodulator）也会影响突触的可塑性。关于神经调质的解释参考：https://www.news-medical.net/health/What-is-Neuromodulation.aspx。神经调质的构成物质是神经递质的子集，但与神经递质不同，神经调质作用于很多而非单个神经组织，从而能够影响到整个大脑区域的活动。神经调质作为在学习过程中调控整体网络的权重的物质存在。
数据格式转换
原始数据到脉冲数据
这是在Rethinking the performance comparison between SNNS and ANNS中看到的。这篇文章采用的例子是图像的处理。
文中介绍的方法是随机采样（Probablistic sampling）。对于每一个像素点，考察像素强度（pixel intensity, 我也不是很清楚什么叫像素强度，没学过数字图像处理orz），并将其归一化作为概率使用。在每一个时间步，每一个像素点采到的或者为0或者为1，为1的概率即为这个概率。
这种做法会在短的时间窗口上造成精度损失（？），更进阶的做法是在图像输入与脉冲输出之间构造一层全连接，使其能够感受到全局的特征。这层全连接的输入是ANN数据，输出是脉冲数据。（就挺怪的）
脉冲数据到原始数据
我理解起来感觉没什么好说的，就是延时间方向进行展开，然后进行聚合。我觉得它讨论的应该是灰度图。
先写到这，脑子受不了了qwq