使用大鼠的神经活动数据，通过从大脑记录的局部场电位数据中解码速度和熟悉度信息，并利用 RatSLAM 启发的体系结构构建了空间地图的方法，将 SLAM 算法扩展至新的模态，从而促进了对认知地图在导航和决策中的作用的更好理解。

Feb, 2024

本文介绍了一种基于递归神经网络（RNN）的神经元群体动态行为的建模方法，该方法经过 macaque 大脑皮层的四个数据集的测试，效果较其他模型更好，其中，RNN 的自回归偏差是实现最高水平性能的关键因素之一。此外，提出了一个新的混合架构，将 RNN 与自我关注补充在一起，从而进一步提高性能。

Apr, 2023

该研究介绍了一种名为层次反馈传播 (LFP) 的新型训练方法，利用可解释性、具体而言是层次相关传播 (LRP)，为神经网络预测器中的个别连接分配奖励，以其对解决给定任务的贡献为基础。与传统的梯度下降方法不同，LFP 在不需要梯度计算的情况下在模型中传播奖励信号。它增强了接收到积极反馈的结构，同时减少了接收到负反馈的结构的影响。理论上和经验证实了 LFP 的收敛性，并展示了在各种模型和数据集上与梯度下降方法相当的性能。值得注意的是，LFP 可以克服与基于梯度的方法相关的某些局限性，例如依赖有意义的导数。此外，我们还研究了如何将不同的 LRP 规则扩展到 LFP 中，它们对训练的影响以及潜在的应用，例如训练没有有意义的导数的模型，例如阶跃函数激活的脉冲神经网络 (SNN)，或用于转移学习，以高效利用现有知识。

Aug, 2023

本文介绍了受生物启发的海马记忆模型与后部顶叶皮质模型相连的基于脉冲的机器人导航和环境伪地图系统，使用脉冲神经网络在 SpiNNaker 硬件平台上实现，并在实验中演示了其正确操作并能够避开障碍物并映射该环境。这是一个动态学习的环境伪映射系统的首次实施。

May, 2023

本文提出了一种计算模型，用于生成符合布局的回放以及解释如何通过布局一致的回放来驱动动物在迷宫中进行灵活的导航。

Sep, 2022

提出一种轻量级的神经元尖峰检测和分类架构，利用浓缩的脑内神经数据的独特特征将不必要的信息丢弃，从而实现无线头戴式存储装置，允许小鼠在实验中自由运动，并通过使用 STT-RAM（自旋转磁翻转随机存取存储器）作为可拆卸存储器和设计的低功耗性质，使头戴式仪器在小型电池上运行长达大约 4 天。

Nov, 2023

本文将深度学习技术应用于海马分割任务，提出了一种新的分层反馈链网络，通过分层特征聚合反馈链学习每个编码器层的更深更广的特征表示，并通过特征交接注意模块实现特征选择和反馈。在特征编码器和解码器之间嵌入了全局金字塔注意单元，包括实现相邻注意交互的成对金字塔注意模块和捕捉长程知识的全局上下文建模模块。与现有的海马分割方法相比，在三个公开数据集上，所提出的方法实现了最先进的性能。

Nov, 2022

本文提出了一种计算理论，通过使用混合高斯分布模拟场所细胞的活动，并通过连续时间马尔科夫链的转移概率矩阵。通过学习环境与奖励的关联来提高老鼠行为的灵活性，实验结果表明，相较于深度 Q 网络处理的神经启发式强化学习算法，该理论可以显著提高老鼠学习效率和行为灵活性。

Apr, 2022

通过使用隐马尔可夫模型和线性混合效应模型从 EEG 数据中提取特征，本研究分析了使用六种机器学习方法对学习者和非学习者进行分类的性能，并比较了不同标准化方法对分类性能的贡献。结果显示，只有使用 theta EEG 数据和深度神经网络时，才能达到超过 80% 的 ROC 曲线下面积，增强了空间学习任务中学习者和非学习者的分类能力。

Nov, 2023

该研究通过使用三元组损失训练深度神经网络，使其学习场景感知任务和无监督的目标分割，在编码和解码中使用分解的潜在空间，实现在视角变换时实现场景的转换和重建。

Mar, 2023