salamander retinal ganglion cell (RGC) responses to natural scenes & mouse RGC responses to controlled geometric transformations

本研究使用了两个数据集：蝾螈视网膜神经节细胞（RGC）对自然场景的反应数据集，包含26个RGCs在3个实验中的记录，以及小鼠RGCs对受控几何变换的反应数据集，该数据集包含40个细胞，通过多电极阵列记录。数据集旨在评估神经网络在预测视网膜神经节细胞对视觉刺激反应方面的能力，特别是通过引入高阶卷积操作，提高了神经响应预测的性能。

This study utilizes two datasets: the dataset documenting salamander retinal ganglion cell (RGC) responses to natural scenes, which includes recordings from 26 RGCs across three experiments, and the dataset of mouse RGC responses to controlled geometric transformations, which contains recordings from 40 cells acquired via multi-electrode arrays. These datasets are designed to evaluate the capability of neural networks in predicting RGC responses to visual stimuli; notably, the introduction of high-order convolutional operations has improved the performance of neural response prediction.

搜集汇总

数据集介绍

构建方式

该数据集通过多电极阵列记录技术，采集了蝾螈视网膜神经节细胞（RGC）对自然场景的反应以及小鼠RGC对受控几何变换的反应。实验采用了两种视觉刺激：一种是基于自然图像的动态序列，通过模拟眼球微颤运动生成；另一种是经过严格数学定义的几何变换（如缩放、旋转等）的棋盘格图案。数据采集过程中，严格控制光照条件（10^6 R*背景亮度）和温度（37℃），并采用Spyking Circus软件进行尖峰排序，确保神经元活动的精确提取。

使用方法

该数据集专为神经网络训练与生物视觉机制研究设计。使用时应遵循标准流程：首先利用训练集的独特变换序列训练预测模型，随后在重复测试集上评估模型性能。数据已预分割为训练/验证/测试集，建议采用Poisson负对数似然损失函数和AdamW优化器（学习率5e-4）。对于几何变换分析，可从网络第二卷积层提取特征，通过线性回归器解码刺激参数（如齐次矩阵H的元素）。特别注意tOFF-α和tON细胞亚群的分析，这些细胞对特定几何变换（如物体逼近）具有选择性响应。

背景与挑战

背景概述

该数据集由Simone Azeglio等研究人员于2025年创建，专注于研究视网膜神经节细胞（RGC）对自然场景和几何变换的响应特性。研究团队来自法国巴黎的Institut de la Vision和意大利热那亚的Italian Institute of Technology等机构。该数据集的核心研究问题是通过高阶卷积神经网络（HoCNN）模拟生物视觉系统的浅层处理层次，从而更有效地预测神经响应。这一研究在计算神经科学和计算机视觉领域具有重要意义，为理解生物视觉系统的计算机制提供了新的视角。

当前挑战

该数据集面临的挑战主要包括两个方面：首先，在领域问题方面，如何准确预测视网膜神经节细胞对复杂时空动态的响应是一个关键挑战，特别是对于瞬态OFF-alpha和ON细胞这类对特定运动模式敏感的细胞类型。其次，在构建过程中，数据采集面临技术挑战，例如在保持光刺激条件一致性的同时记录多个RGC的电生理活动，以及处理由多电极阵列记录产生的高维数据。此外，如何从有限的训练数据中提取有效的时空特征也是模型构建中的一大挑战。

常用场景

经典使用场景

该数据集在视觉神经科学领域被广泛用于研究视网膜神经节细胞（RGCs）对自然场景和几何变换的响应特性。通过记录蝾螈和小鼠RGCs的电生理活动，研究者能够深入探究生物视觉系统如何处理复杂的时空视觉信息。数据集中的自然场景刺激和受控几何变换为理解视网膜编码机制提供了独特视角。

解决学术问题

该数据集解决了视觉神经科学中关于视网膜如何编码复杂视觉特征的核心问题。通过结合高阶卷积神经网络（HoCNN），研究者能够更准确地预测RGCs的响应，揭示生物视觉系统在浅层处理层次中实现的高效计算机制。数据集特别关注几何变换（如缩放和旋转）的编码，填补了传统模型在捕捉高阶时空相关性方面的不足。

实际应用

在实际应用中，该数据集为开发仿生视觉算法和神经形态计算系统提供了重要参考。例如，基于RGCs对几何变换的响应特性，可优化自动驾驶系统中的动态物体检测算法。此外，数据集中对瞬态OFF-α和ON细胞的研究，为设计低功耗的运动感知传感器提供了生物启发式解决方案。

数据集最近研究

最新研究方向

近年来，salamander retinal ganglion cell (RGC) responses to natural scenes & mouse RGC responses to controlled geometric transformations数据集的研究方向主要集中在高阶卷积神经网络（HoCNN）的开发与应用上。这一方法通过将高阶运算直接嵌入卷积操作中，有效捕捉了自然场景中复杂的时空相关性，显著提升了神经响应预测的准确性。研究显示，HoCNN在训练数据量仅为传统架构一半的情况下，仍能实现高达0.75的相关系数，接近视网膜可靠性的理论极限（0.80±0.02）。此外，该方法在特定细胞类型（如瞬态OFF-alpha和瞬态ON细胞）的响应预测中表现出显著优势，揭示了高阶运算与生物视觉系统计算机制的内在关联。这一进展不仅为视觉神经科学提供了新的计算工具，也为理解生物视觉系统的高效计算原理开辟了新途径。

相关研究论文

• Higher-Order Convolution Improves Neural Predictivity in the Retina

  巴黎索邦大学视觉研究所 & 感知系统实验室 · 2025年