眶额皮层神经元经济价值编码的点过程建模

韩馨月; 李一鸣; 邓欣依

doi:10.3969/j.issn.1002-3208.2026.02.001

您当前的位置：

首页 >

文章列表页 >

眶额皮层神经元经济价值编码的点过程建模

论著 | 更新时间：2026-05-28

- 眶额皮层神经元经济价值编码的点过程建模
- Point process modeling of economic value encoding in orbitofrontal cortex
- 北京生物医学工程 2026年45卷第2期页码：111-118
- 作者机构：
  
  1.北京工业大学数学统计学与力学学院（北京 100124）
  2.香港科技大学商学院（中国香港 999077）
- 作者简介：
  
  邓欣依。E-mail：xinyi@bjut.edu.cn
- 基金信息：
  
  国家重点研发计划(2024YFF1206501)
- DOI：10.3969/j.issn.1002-3208.2026.02.001
  中图分类号： R318;O212
- 收稿：2025-03-26，
  
  修回：2025-07-22，
  
  纸质出版：2026-04-20
- 稿件说明：
移动端阅览
韩馨月，李一鸣，邓欣依.眶额皮层神经元经济价值编码的点过程建模［J］.北京生物医学工程，2026，45（2）：111-118.

HAN Xinyue，LI Yiming，DENG Xinyi.Point process modeling of economic value encoding in orbitofrontal cortex［J］.Beijing Biomedical Engineering，2026，45（2）：111-118.
韩馨月，李一鸣，邓欣依.眶额皮层神经元经济价值编码的点过程建模［J］.北京生物医学工程，2026，45（2）：111-118. DOI： 10.3969/j.issn.1002-3208.2026.02.001.

HAN Xinyue，LI Yiming，DENG Xinyi.Point process modeling of economic value encoding in orbitofrontal cortex［J］.Beijing Biomedical Engineering，2026，45（2）：111-118. DOI： 10.3969/j.issn.1002-3208.2026.02.001.

摘要

目的

准确描述眶额皮层（orbitofrontal cortex

OFC）的神经元放电活动对于理解经济价值编码的神经机制及其生物医学工程应用至关重要。本研究旨在建立一个点过程广义线性模型框架，系统描述价值相关神经元活动受多维因素影响的特征及其任务特异性，为神经元放电调控技术提供理论参考。

方法

采用点过程广义线性模型分析猕猴执行价值相关选择任务和无价值停止信号任务时OFC 13区95个神经元的放电活动。模型将每个神经元的放电概率与行为任务结构、运动执行、放电振荡动力学和放电历史等多维因素同时关联。通过三次样条函数描述神经元的任务响应和放电历史依赖性，比较两种任务中神经元放电模式的差异。

结果

无价值任务中 5.49%的神经元表现出显著放电历史效应且无显著时序区别，价值相关任务中该比例为4.35%，提示OFC神经元长期历史依赖模式具有任务特异性。放电历史作为内在隐藏维度，对经济价值编码存在重要调控作用。

结论

建立的点过程广义线性模型能够有效捕获OFC神经元放电活动中的多维特征，揭示了神经元放电历史对经济价值编码的重要调控作用。该模型为描述经济决策中OFC神经元活动的动态特性提供了系统性的建模框架，为理解经济决策的神经机制提供了方法参考。

Abstract

Objective

Accurately describing the spiking patterns of neurons in orbitofrontal cortex （OFC） is important for understanding the neural mechanisms underlying economic value encoding and its applications in biomedical engineering. This study aims to establish a point process generalized linear model framework to systematically describe the characteristics of value-related neuronal activity influenced by multidimensional factors and its task specificity， thereby providing theoretical references for neuronal firing regulation technologies.

Methods

A point process generalized linear model was used to analyze the firing activity of 95 neurons in OFC Area 13 when macaques performed value-related choice tasks and value-free stop-signal tasks. The model simultaneously related each neuron’s firing probability to multiple factors， including temporal structure of the trial， movement execution， refractoriness， bursting， and oscillatory dynamics. Cardinal spline functions were employed to describe neuronal task responses and firing history dependence， and differences in neuronal firing patterns between the two tasks were compared.

Results

In value-free tasks， 5.49% of neurons exhibited significant firing history effects without significant temporal distinctions， while the proportion was 4.35% in value-related tasks， suggesting that the long-term history-dependent patterns of OFC neurons are task-specific. As an intrinsic hidden dimension， firing history played an important regulatory role in economic value encoding.

Conclusions

The established point process generalized linear model can effectively capture the multidimensional features of OFC neuronal firing activity and reveal the important modulatory role of neuronal firing history in economic value encoding. This model provides a systematic framework for characterizing the dynamics of OFC neural activity in economic decision-making and offers methodological reference for understanding the neural mechanisms of economic decisions.

关键词

Keywords

references

Davidson B， Bhattacharya A， Sarica C， et al. Neuromodulation techniques-from non-invasive brain stimulation to deep brain stimulation［J］. Neurotherapeutics， 2024， 21（3）： e00330.

Scangos KW， Khambhati AN， Daly PM， et al. Closed-loop neuromodulation in an individual with treatment-resistant depression［J］. Nature Medicine， 2021， 27（10）： 1696-1700.

Figee M， Riva-Posse P， Choi KS， et al. Deep brain stimulation for depression［J］. Neurotherapeutics， 2022， 19（4）： 1229-1245.

Sandoval-Pistorius SS， Hacker ML， Waters AC， et al. Advances in deep brain stimulation： from mechanisms to applications［J］. The Journal of Neuroscience， 2023， 43（45）： 7575-7586.

Carbone F， Djamshidian A. Impulse control disorders in Parkinson’s disease： an overview of risk factors， pathogenesis and pharmacological management［J］. CNS Drugs， 2024， 38（6）： 443-457.

Fauser M， Ricken M， Markert F， et al. Subthalamic nucleus deep brain stimulation induces sustained neurorestoration in the mesolimbic dopaminergic system in a Parkinson’s disease model［J］. Neurobiology of Disease， 2021， 156： 105404.

Howard JD， Kahnt T. To be specific： the role of orbitofrontal cortex in signaling reward identity［J］. Behavioral Neuroscience， 2021， 135（2）： 210-217.

Balewski ZZ， Elston TW， Knudsen EB， et al. Value dynamics affect choice preparation during decision-making［J］. Nature Neuroscience， 2023， 26（9）： 1575-1583.

Padoa-Schioppa C， Assad JA. Neurons in the orbitofrontal cortex encode economic value［J］. Nature， 2006， 441（7090）： 223-226.

Rich EL， Wallis JD. Decoding subjective decisions from orbitofrontal cortex［J］. Nature Neuroscience， 2016， 19（7）： 973-980.

Pillow JW， Shlens J， Paninski L， et al. Spatio-temporal correlations and visual signalling in a complete neuronal population［J］. Nature， 2008， 454（7207）： 995-999.

Truccolo W， Eden UT， Fellows MR， et al. A point process framework for relating neural spiking activity to spiking history， neural ensemble， and extrinsic covariate effects［J］. Journal of Neurophysiology， 2005， 93（2）： 1074-1089.

Weber AI， Pillow JW. Capturing the dynamical repertoire of single neurons with generalized linear models［J］. Neural Computation， 2017， 29（12）： 3260-3289.

Fries P. Rhythms for cognition： communication through coherence［J］. Neuron， 2015， 88（1）： 220-235.

Latimer KW， Yates JL， Meister ML， et al. Single-trial spike trains in parietal cortex reveal discrete steps during decision-making［J］. Science， 2015， 349（6244）： 184-187.

Brown EN， Frank LM， Tang D， et al. A statistical paradigm for neural spike train decoding applied to position prediction from ensemble firing patterns of rat hippocampal place cells［J］. Journal of Neuroscience， 1998， 18： 7411-7425.

Eden UT， Frank LM， Barbieri R， et al. Dynamic analysis of neural encoding by point process adaptive filtering［J］. Neural Computation， 2004， 16（5）： 971-998.

Daley DJ， Vere-Jones D. An introduction to the theory of point processes［M］. 2nd ed. New York： Springer， 2003.

Brillinger DR. Nerve cell spike train data analysis： a progression of technique［J］. Journal of the American Statistical Association， 1992， 87（418）： 260-271.

Ramsay JO， Silverman BW. Functional data analysis ［ M］. 2nd ed. New York： Springer， 2010.

Gauthier J， Wu QV， Gooley TA. Cubic splines to model relationships between continuous variables and outcomes： a guide for clinicians［J］. Bone Marrow Transplantation， 2020， 55（4）： 675-680.

Kass RE， Ventura V. A spike-train probability model［J］. Neural Computation， 2001， 13（8）： 1713-1720.

Vyas S， Golub MD， Sussillo D， et al. Computation through neural population dynamics［J］. Annual Review of Neuroscience， 2020， 43： 249-275.

Krauss JK， Lipsman N， Aziz T， et al. Technology of deep brain stimulation： current status and future directions［J］. Nature Reviews. Neurology， 2021， 17（2）： 75-87.

Gilron R， Little S， Perrone R， et al. Long-term wireless streaming of neural recordings for circuit discovery and adaptive stimulation in individuals with Parkinson’s disease［J］. Nature Biotechnology， 2021， 39（9）： 1078-1085.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于nnU-Net的肾脏区域分割方法及其术中应用

医用X-CT图像中金属伪影校正算法的研究进展

PB840呼吸机故障维修2例

磁共振设备监测预警系统的设计与实现

吞咽音分析技术对吞咽障碍患者评估与筛查的应用前景