1 历史与背景
1.1 早期电生理学奠基
19世纪末至20世纪初，随着电生理技术的发展，科学家开始记录神经组织的电活动。意大利生理学家路易吉·高尔基与西班牙神经科学家圣地亚哥·拉蒙·卡哈尔的神经元学说，为理解神经信号传递奠定了细胞基础。20世纪20年代，英国生理学家埃德加·阿德里安首次记录到单一神经纤维的放电活动，证实了神经冲动遵循“全或无”定律。这些早期工作确立了神经元作为基本功能单元的地位，并开启了将电信号与感觉、运动相关联的研究范式。
1.1.1 霍奇金-赫胥黎模型与动作电位
1952年，艾伦·霍奇金与安德鲁·赫胥黎利用乌贼巨大轴突，通过电压钳技术精确描述了动作电位的产生机制。他们提出了著名的霍奇金-赫胥黎模型，该模型将神经元膜视为由钠、钾离子通道和漏电通道构成的等效电路，通过一组非线性微分方程定量描述了膜电位的动态变化。这一工作不仅解释了动作电位的上升相（钠离子内流）和下降相（钾离子外流），还揭示了神经编码的最基本单元——单个峰电位的物理化学基础。霍奇金与赫胥黎因此获得1963年诺贝尔生理学或医学奖。
1.2 信息论引入
20世纪中叶，克劳德·香农创立的信息论为量化神经信号中的信息含量提供了理论工具。神经科学家开始将放电序列视为一种通信信道，研究神经元如何在噪声背景下有效传输信息。信息论框架允许将刺激与响应之间的统计关系量化为互信息，从而评估编码效率与信噪比。
1.2.1 香农信息论在神经科学中的应用
1959年，沃伦·麦卡洛克等学者首次将信息论概念引入神经科学。具体应用中，研究者将刺激视为信源，神经元放电序列视为信道输出，通过计算刺激-响应互信息来度量编码的忠实度。例如，霍勒斯·巴洛等人在视觉神经节细胞中发现，放电速率与刺激强度之间的信息传递效率接近理论极限。信息论的引入还催生了“有效编码假说”，认为感觉系统已进化到能够高效利用有限的神经资源来表征自然环境中的统计规律。
2 编码的基本形式
2.1 速率编码
速率编码是最早被描述的编码方式，认为神经信息主要由神经元在一定时间窗口内的平均放电频率携带。这种编码假设刺激的强度与放电频率单调相关，而放电时序中的精确细节并不重要。
2.1.1 平均发放频率与刺激强度
大量实验证实，在视觉、听觉、触觉等感觉系统中，随着刺激强度的增加，神经元的平均发放频率通常升高。例如，在猫的初级视觉皮层中，随着光栅对比度增加，神经元的峰电位发放率呈非线性增长关系。然而，速率编码的局限性在于，它需要足够长的积分时间才能获得可靠的频率估计，这在大脑快速处理信息（如语言识别）时可能不够高效。
2.2 时间编码
时间编码强调峰电位的精确发生时刻或放电时间模式本身携带信息。该编码方式认为，哪怕是毫秒级别的时机差异也能编码不同的刺激特征。
2.2.1 精确峰电位时序与相位编码
在听觉系统中，神经元能够锁定到特定频率声波的相位，其放电时刻几乎与声波的特定相位同步。例如，在猫的下丘中，对于1000 Hz以下的声音神经元的峰电位会集中在声波周期的特定相位上发射，这种现象称为相位锁定。相位编码允许神经系统利用亚毫秒级的时间分辨率传递音调信息。此外，在啮齿动物的海马中，位置细胞放电时刻相对于局部场电位θ振荡的相位可以编码动物在空间环境中的位置信息。
2.2.2 峰电位间间隔模式
不仅绝对时刻，连续的峰电位之间的时间间隔（ISI）本身也能编码信息。例如，在豪猪的触须神经中，不同的触觉刺激模式会诱导出特征性的ISI分布，如单峰型、双峰型或爆发型。ISI模式可以视为一种时间上的“指纹”，传递超过平均速率的附加信息。在运动系统中，运动神经元的不同ISI模式对应着不同的肌肉收缩模式。
2.3 群体编码
单个神经元的编码能力受限，而一群神经元的同时活动能够编码更丰富的信息。群体编码关注神经元集合如何通过协同放电模式表示复杂刺激。
2.3.1 神经元群体的协同活动
协同活动可以表现为同步发放、相关性波动或特定的共活跃模式。例如，在猴子的初级视觉皮层中，一群对特定朝向偏好的神经元同时放电时，其朝向选择性比单个神经元更为精确。群体活动的相关性结构本身也可能携带信息：当神经元之间同步性高时，可能表示同一知觉对象，而低同步性则表示不同对象。
2.3.2 种群向量与解码
种群向量是一种经典的群体编码解释模型。假设群体中每个神经元具有一个“首选方向”向量（如运动方向、朝向），则群体的总输出向量是所有神经元放电速率的加权和，其方向对应解码出的刺激特征。例如，在猴子的运动皮层中，由许多方向调谐神经元的放电速率加权合成的种群向量，与即将进行的运动方向高度一致。这一原理被成功地用于脑机接口中，实现了基于群体活动预测运动方向。
3 解码与信息提取
3.1 解码算法
解码是从神经活动反向推断刺激或行为状态的过程。各种统计机器学习方法被用于从神经数据中提取信息。
3.1.1 贝叶斯解码
贝叶斯解码基于贝叶斯定理，将神经响应作为证据来更新对刺激的信念。其核心公式为：后验概率 ∝ 似然 × 先验概率。在海马位置细胞解码中，通过计算给定放电模式的各位置的后验概率，算法能实时估计动物的位置。贝叶斯解码的优势在于可以自然地整合先验知识（如运动轨迹的连续性），并且能提供不确定性估计。
3.1.2 最大似然估计
最大似然估计是另一种常用方法，其基本思想是选择使观测到的神经放电模式出现概率最大的刺激值作为解码结果。在群体编码中，若假设神经元之间统计独立，则似然函数可分解为各神经元似然的乘积。例如，在猕猴视觉皮层中，利用最大似然估计可以从V1神经元的群体现向量解码出对比度或朝向，其精度接近理论上的克拉美-罗下界。
3.2 神经解码的应用
3.2.1 脑机接口中的实时解码
脑机接口（BCI）是神经解码最具代表性的应用领域。在运动脑机接口中，植入式电极阵列记录运动皮层或顶叶皮层的数百个神经元的放电活动，解码算法（如卡尔曼滤波器、支持向量机或深度学习模型）将这些信号实时转换为光标移动或机械臂控制指令。典型例子包括“BrainGate”系列研究中让瘫痪患者通过神经活动直接操作计算机光标或机器人手。解码的实时性和鲁棒性是BCI从实验室走向临床的关键挑战。
4 关键实验与理论
4.1 视神经编码
视觉系统是研究神经编码最深入的系统之一。从视网膜到初级视觉皮层，研究者揭示了信息如何被逐级转换和压缩。
4.1.1 感受野与对比度编码
视网膜神经节细胞与外侧膝状体神经元的感受野通常呈中心-拮抗环结构。例如，ON型细胞的感受野中心对光刺激兴奋，而周边抑制，这种结构使其对局部对比度敏感。在初级视觉皮层（V1），神经元的感受野变得更为复杂，能探测特定朝向的棒状边缘。对比度编码方面，许多视觉神经元的放电频率随对比度增加而饱和，其响应曲线可用Naka-Rushton函数拟合。经典实验（如Hubel与Wiesel的工作）证明，V1神经元对极细的朝向差别也有选择性，这构成了视觉编码的基础。
4.2 听觉神经编码
听觉系统面临以毫秒至微秒级精度解析声音时间结构的挑战。
4.2.1 频率调谐与相位锁定
耳蜗基底膜的机械振动将声音频率映射为位置，毛细胞将机械信号转化为电信号，并表现出频率调谐特性。听觉神经纤维的放电频率-刺激曲线呈调谐峰。对于低频声音（< 4 kHz），神经纤维能实现相位锁定——即在每个声波周期的特定相位放电一次。相位锁定精度可达几十微秒，为音高感知和声音精细时间结构分析提供了基础。
4.2.2 声音定位的神经计算
声音定位主要依靠双耳时间差和强度差。上橄榄核的中间神经元通过精确检测左右耳传入的相位差来编码水平方位。经典的理论是杰夫里斯模型：神经元类似于延迟线重合检测器，只有当来自两侧的信号经过特定延迟后同时到达时，神经元才发放。对猫头鹰听觉系统的研究证实了这一机制：中脑的神经元表现出对特定双耳时间差的精细调谐，其编码精度达到微秒级。
4.3 运动编码
运动皮层（M1）的神经元活动在运动执行前及过程中均被记录到，这些放电活动与运动参数紧密相关。
4.3.1 初级运动皮层的方向调谐
上世纪80年代，阿波斯托洛斯·乔工吉乌和迈克尔·格拉齐亚诺等人在猴子运动皮层中发现，单个M1神经元对朝向不同方向的运动有选择性放电，即“方向调谐”。多数神经元对特定方向（优选方向）反应最强，对相反方向反应最弱，调谐曲线近似高斯形状。更引人注目的是，当同时记录许多M1神经元时，通过它们的群体活动（如种群向量）可以高精度地预测手臂即将移动的方向。这一发现为运动神经假体提供了理论基础。
5 编码的效率与优化
5.1 稀疏编码
稀疏编码假说认为，神经系统倾向于用很少的活性神经元来表示输入数据，以达到能量高效和可塑性的平衡。
5.1.1 自然图像统计与视觉系统
自然图像具有内在的统计特性，如局部相关性、边缘和纹理的重现性。稀疏编码理论提出，初级视觉皮层（V1）神经元的感受野本质上是从自然图像的无监督学习中习得的基函数，这些基函数能够以稀疏（即少量非零系数）的方式重建图像。Olshausen和Field在1996年的数值实验证实：当强制模型用稀疏约束学习时，学出的基函数与V1简单细胞的感受野极为相似（如Gabor型滤波器）。这表明视觉系统可能通过稀疏编码最大化信息传递效率，同时降低代谢消耗。
5.2 预测编码
预测编码理论将大脑视为一个不断生成感官预测并进行误差修正的贝叶斯推理引擎。
5.2.1 层级预测与偏差修正
在预测编码框架中，大脑皮层形成层级结构。高层区域向低层区域发送自上而下的预测信号（如“预期看到什么”），低层区域将实际的感官输入与预测做差，然后将“预测误差”向上传递。通过不断修正预测，系统逐渐形成对世界的内部模型。例如，在视觉皮层中，V2与V1之间的双向连接模型可解释“错觉轮廓”等现象——当预测与输入矛盾时，大脑反而感知到现实不存在的图形。预测编码也适用于运动系统：小脑中预期运动指令产生的感觉反馈与实际反馈之间的误差被用来校正后续运动。
6 挑战与前沿方向
6.1 高维神经数据的解析
现代神经记录技术（如高密度硅探针、钙成像、光遗传学）同时记录了成千上万个神经元的活动，产生海量高维时序数据。如何从中提取有意义的信息结构成为巨大挑战。传统的降维方法（如PCA、t-SNE）在解释群体动态方面表现有限，而基于深度学习的变分自编码器、循环神经网络等模型正被引入以推断潜在神经状态。此外，因果关系推断（如从相关中剥离干预效应）仍是核心难题。未来需要发展更具解释性的动力学模型，并整合多模态数据（如电生理与行为、影像）。
6.2 神经编码与人工智能的交叉
神经编码的研究为人工智能提供了启发，同时AI技术也反向促进了神经编码的理解。例如，卷积神经网络从视觉皮层的层级结构中获得灵感；变换器（Transformer）注意机制在解释注意力调制的神经基础方面也有应用。另一方面，深度学习已成为神经解码的强大工具，能够从峰电位序列直接预测复杂的感知或运动行为。未来的方向包括：构建更符合生物神经元的脉冲神经网络，探索神经编码的时间尺度如何影响学习算法，以及利用神经编码原理设计更具能效的硬件架构。此外，脑机接口领域的突破也依赖于解码算法和编码理论的协同进步。