生物神经元网络用于数字分类的储层计算
**Iannello et al. | ICCV Workshop 2025 | DOI:
标签: #MEA #储层计算 #类器官计算 #模式识别 #3Brain #HD-MEA
一、做什么（研究背景与目的）
传统人工神经网络虽然强大，但其计算机制与真实生物神经系统的差距一直备受关注。近年来，生物储层计算（Biological Reservoir Computing, BRC） 成为一种新兴方向——用体外培养的活体神经元网络替代人工循环神经网络中的"储层"，利用生物神经元固有的非线性动力学特性，将输入信号映射到高维特征空间，再通过简单的线性分类器完成模式识别。
本研究由意大利 CNR（国家研究委员会）和比萨高等师范学院（Scuola Normale Superiore）的团队合作完成，核心目的是验证：体外培养的皮层神经元网络，能否作为有效的计算储层，完成数字图像分类任务？
实验使用 3Brain 高密度多电极阵列（HD-MEA） 作为双向接口：一部分电极用于向神经元网络施加电刺激（输入编码），其余电极记录诱发的脉冲响应（特征提取），最后用线性分类器对响应模式进行分类。
图1：生物储层计算（BRC）整体框架。输入模式通过MEA特定电极施加电刺激，诱发的脉冲响应被记录并转化为高维特征向量，线性分类器据此推断输入类别。
「做了什么」：将10个数字（0-9）的空间模式映射为MEA上不同电极组合的电刺激，每个数字对应一组特定的刺激电极位置。刺激后记录全阵列的脉冲响应，提取为特征向量。
「发现什么」：生物神经元网络对不同刺激模式产生可区分的响应模式，这些响应模式包含了足够的信息用于下游分类。
「说明什么」：体外培养的随机连接的神经元网络，即使没有经过"训练"，其固有的非线性动力学特性本身就具备模式识别能力。
图2：MEA电极阵列上培养的生物神经网络示意图。每个方格代表一个电极，紫色结构代表神经元网络。
二、发现什么（核心结果）
2.1 实验设计：模拟数字时钟的输入模式
研究者设计了10种刺激模式，模仿电子钟的数码管显示方式，每个数字对应一组特定的电极位置。
图3：10个数字的输入刺激模式，模仿电子钟数码管布局，每个数字由不同电极组合代表。
「做了什么」：将0-9十个数字映射为10组不同的电极刺激组合，双极双相脉冲刺激（biphasic waveform），刺激间隔10秒，确保网络在两次刺激之间恢复到基线状态。
「发现什么」：10种刺激模式在电极阵列上有明确的空间区分，"1"和"7"使用的电极数最少、空间重叠最小，"8"和"0"使用的电极数最多。
「说明什么」：刺激模式的复杂度（电极数量、空间重叠程度）可能影响分类性能——电极越少、重叠越小的模式更容易被区分。
2.2 神经响应：不同数字诱发的空间活动模式
图4：刺激后10ms时间窗口内的神经活动热图。左：数字"0"的响应；右：数字"1"的响应。不同电极上的颜色深浅代表脉冲活动强度。
「做了什么」：对数字"0"和"1"分别施加刺激后，记录全MEA电极在10ms窗口内的脉冲活动，用热图展示空间分布。
「发现什么」：不同数字诱发的神经活动在空间分布上明显不同——"0"的响应更分散，"1"的响应更集中。
「说明什么」：生物神经网络能够将不同的空间输入模式编码为不同的空间活动模式，这是储层计算的基础——输入被映射到了高维非线性特征空间。
2.3 分类性能：生物储层 vs 人工储层
研究者用5折交叉验证训练线性分类器，评估生物储层对10个数字的分类准确率。
图5：不同读取窗口下的分类准确率变化。对于每次刺激会话（n=9），使用刺激后不同时间窗口（5-50ms）提取的神经响应计算分类准确率。图表报告了平均准确率±标准误。
「做了什么」：在刺激后不同的时间窗口（5-50ms）提取神经响应特征，分别训练线性分类器，观察读取窗口对准确率的影响。
「发现什么」：分类准确率在最短时间窗口（5ms）时最高（~73%），随着窗口延长逐渐下降至约56%（50ms），误差棒随时间增加而变大。
「说明什么」：刺激诱发的神经响应在早期（5-10ms）包含最多的模式区分信息，延长读取窗口会混入更多自发活动噪声，降低分类性能。
图6：三个生物复制体（BR1/2/3）对各数字的平均分类准确率热图。最后一行为人工储层（AR）的对比结果。
「做了什么」：对3个独立的生物复制体（不同培养批次）分别进行多次刺激会话，计算每个数字的分类准确率，并与4096单元的人工储层（10%连接稀疏度）对比。
「发现什么」：
- 生物储层平均准确率约 75%，与人工储层相当
- 三个生物复制体之间表现一致，BR1和BR3表现较好（75%），BR2稍低（67%）
- 数字"1"和"7"的分类准确率最高（>80%），数字"4"和"6"相对较低
「说明什么」：生物储层的模式识别能力与参数化的人工储层在同一水平，且跨生物复制体具有可重复性。"1"和"7"的高准确率验证了前面的假设——电极数少、空间重叠小的模式更容易区分。
2.4 跨天稳定性：神经网络的动态演化
图7：用Day1数据训练的分类器，在Day2和Day3测试的准确率。误差线为三个生物复制体的标准差。
「做了什么」：用Day1的神经响应训练分类器，然后在Day2和Day3的独立刺激会话上测试，评估编码模式的跨天稳定性。
「发现什么」：
- Day1内部测试：准确率 74%
- Day2跨天测试：降至 46%
- Day3跨天测试：进一步降至 37%
- 但仍高于随机水平（10%）
「说明什么」：体外培养的神经元网络会自发重组——突触连接、网络同步状态随时间变化，导致同一刺激在不同天诱发的响应模式不同。这是生物储层的一大挑战，但也可能是其"可塑性"的体现。
| 刺激日期 | BR1 | BR2 | BR3 | 平均±SD |
|---|---|---|---|---|
| Day 1 | 77±5% | 67±9% | 78±6% | 74±6% |
| Day 2 | 78±5% | 66±9% | 73±4% | 72±6% |
| Day 3 | 72±6% | 68±9% | 67±4% | 69±3% |
表1：各刺激日期和生物复制体的分类准确率。Day内测试（当天训练当天测试）性能稳定，跨天测试有明显衰减。
三、说明什么（研究意义）
3.1 对生物计算领域的意义
本研究首次在 3Brain HD-MEA 平台上完成了生物储层计算的模式识别验证，证明了：
- 活体神经元网络本身就是高效的非线性特征提取器——不需要人工设计特征，网络的固有动力学自动完成高维映射
- 生物储层的性能与人工储层相当（~75% vs ~75%），但在能耗上具有巨大优势（生物网络的功耗远低于GPU）
- 跨天性能衰减是生物储层的核心挑战——神经网络的自发重组使编码模式不稳定，未来需要通过闭环自适应训练或在线校准来补偿
3.2 对我们产品的意义
这项研究直接验证了 3Brain HD-MEA 系统 在生物计算/类器官计算领域的应用潜力：
| 产品 | 关联度 | 应用场景 |
|---|---|---|
| 3Brain 4096/256 HD-MEA | ⭐⭐⭐⭐⭐ | 生物储层计算、类器官计算、闭环神经刺激-记录实验的核心平台 |
| 3Brain Studio + Python SDK | ⭐⭐⭐⭐⭐ | 本研究用Python API实现了自定义刺激序列、随机化、时序控制，是闭环实验的必备工具 |
| 3Brain 刺激模块 | ⭐⭐⭐⭐⭐ | 双极双相脉冲刺激是BRC实验的基础，需要刺激-capable的电极通道 |
| MEA培养耗材 | ⭐⭐⭐ | 生物复制体的培养一致性直接影响实验可重复性 |
3.3 未来方向
- 闭环自适应训练：结合突触可塑性（STDP）机制，让生物储层"学会"更好地编码
- 类器官储层：用脑类器官替代2D培养网络，增加结构复杂性和计算能力
- 多模态输入：除电刺激外，探索光遗传学、化学刺激等输入编码方式
- 硬件加速：利用FPGA实现<1ms的闭环延迟，支撑更复杂的实时交互任务
原文下载
📄 Iannello_Biological_Reservoir_Computing_ICCVW_2025.pdf
参考文献
- Iannello L, Ciampi L, Tonelli F, et al. From Neural Activity to Computation: Biological Reservoirs for Pattern Recognition in Digit Classification. ICCV Workshop, 2025.
- Maass W, Natschläger T, Markram H. Real-time computing without stable states: A new framework for neural computation based on perturbations. Neural Comput. 2002;14(11):2531-2560.
- Cai H, Ao Z, Tian C, et al. Brain organoid reservoir computing for artificial intelligence. Nat Electron. 2023;6(12):1032-1039.
转发语：体外培养的活体神经元网络就能做数字分类？意大利团队用3Brain HD-MEA验证了生物储层计算——性能与人工神经网络相当，功耗却低几个数量级，而且跨天会"忘记"。生物计算的下一步是让网络自己"学会"编码。
联系人：李东伟
📞 18045130660 🌐 https://www.biokingdom.top