想象你面前摆着一长排多米诺骨牌。你伸出手指轻轻一拨——力气太小，骨牌只是晃了晃，又稳稳站回原位；可一旦你把它推过某个临界角度，它就再也停不下来：轰然倒下，完美地扑在下一张牌上。更神奇的是，无论你刚才只是轻轻一碰，还是猛力一推，只要越过了那个临界点，它倒下的姿态、速度、声音都是一模一样的“标准倒法”。神经元发放信号，用的正是这套“多米诺逻辑”。 神经细胞的膜电位就像一个正在被拨动的骨牌，刺激是推手，阈值是那个临界角。推不过阈值，一切风平浪静；一旦推过阈值，细胞就“轰然倒下”——发出一记形状、幅度永远相同的电脉冲，名叫动作电位。这个“要么不发，发了就一定是标准脉冲”的规则，就叫全有全无原则。更妙的是，神经元并不用脉冲的大小传递信息，而是用脉冲的稀疏和密集来编码——就像雨点敲窗，雨大时雨点密，雨小时雨点疏。本文就沿着这套骨牌逻辑，从膜电位、离子通道、脉冲波形、不应期一路讲到脉冲编码和计算建模，带你看清类脑智能最底层的“生物开关”。

岗位关联

理解动作电位的全有全无机制，是踏入脉冲神经网络与神经形态芯片世界的第一步——它解释了为什么大脑用离散事件通信、如何把连续信息编码成脉冲序列，这是类脑 AI 从业者的必修底层课。

目录
  1. 可视化演示
  2. 膜电位基础
  3. 离子通道动力
  4. 动作电位波形
  5. 全有全无原则
  6. 不应期机制
  7. 脉冲编码模型
  8. 计算建模应用
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示膜电位阈值触发与全有全无发放、Na/K离子通道状态转换及脉冲频率编码强度调制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

膜电位全有全无发放 超阈值刺激触发标准化脉冲波形 阈下刺激仅产生局部去极化不发放 V_m>V_th→AP（全有全无） 膜电位超阈值后产生等幅动作电位

膜电位基础

想象一排整装待发的多米诺骨牌，每张都稳稳直立，间距一致。这就是神经元的“待机”状态——细胞膜内外的离子分布被精心维持，膜电位稳定在 -70 毫伏附近，就像每张骨牌的重心都落在垂直线上，纹丝不动。这个稳定的电压差，是整个故事的第一块基石，它有一个专门的名字：静息电位。

这个 -70 毫伏从哪来？细胞膜上的钠钾泵像勤劳的搬运工，不断把钠离子搬出细胞、把钾离子搬回细胞内，形成“外高内低”的钠浓度梯度，和“内高外低”的钾浓度梯度。每一个离子都像被压紧的弹簧，时刻有顺着浓度差涌回去的趋势。这个“弹簧势能”有多大，由能斯特方程来量化——它算的是：如果只让某一种离子决定膜电位，电压会停在哪个位置。

对一价离子，能斯特方程写成：

静息时细胞膜对钾离子的通透性最高，所以膜电位被钾“拽”向 -90 毫伏附近，又因钠离子少量渗漏而略微抬高，最终稳定在 -70 毫伏。当外界刺激把膜电位推向正值方向——这叫去极化——就像有人把手伸向骨牌：推力到位之前，一切只是轻微摇晃。理解了初始状态，我们才知道要推多大力、从哪个方向推，骨牌才会倒下。

Eion=RTzFln⁡[ion]out[ion]in\displaystyle E_{ion} = \frac{RT}{zF}\ln\frac{[ion]_{out}}{[ion]_{in}}
能斯特方程把“离子浓度差”换算成“电压差”：比值越大，电位越正；比值越小，电位越负。
  1. 温度系数 \(RT/zF\)气体常数 \(R\) 与绝对温度 \(T\) 的乘积，除以离子价数 \(z\) 与法拉第常数 \(F\)。37°C 时对一价离子约等于 26.7 毫伏，是浓度差换算成电压的“汇率”。
    RTF≈26.7 mV\frac{RT}{F} \approx 26.7\ \text{mV}
  2. 内外浓度比的对数膜外浓度除以膜内浓度，再取自然对数。比值大于 1 时平衡电位为正，小于 1 时为负，等于 1 时为零。
    ln⁡[ion]out[ion]in\ln\frac{[ion]_{out}}{[ion]_{in}}
  3. 离子价数的影响一价阳离子取 \(z=1\)，二价阳离子取 \(z=2\)。电荷越多，同样的浓度差产生的电位越小。
    EK+≈−90 mV,ENa+≈+60 mVE_{K^+} \approx -90\ \text{mV},\quad E_{Na^+} \approx +60\ \text{mV}

离子通道动力

骨牌倒下不是整块直挺挺扑倒——它先绕着底边倾转，超过某个角度后，重心接管了运动，加速倒地。细胞膜上的离子通道就是这样的“铰链机关”：平时咬合锁死，一旦电压跨过阈值，机关弹出，通道完全打开。神经元用两种通道编织这套机关：钠通道和钾通道。

电压门控钠通道有两个独立“门闩”：激活门负责快速打开，失活门稍后负责关闭。钾通道只有一个延迟的激活门。当膜电位去极化到阈值附近，激活门迅速开启，钠通道短暂打开，钠离子洪流涌入细胞——这正是动作电位上升支的动力来源；随后失活门关闭、钾通道延迟打开，把电压拉回静息。通道开放的程度用电导表示，钠电导写成：

就像骨牌的铰链一旦越过临界角就弹开到位、不存在“半开”状态，钠通道也是一种“全有”——要么几乎全开，要么几乎全关。这种双稳态的通道行为，是脉冲幅度恒定的微观基础：通道不会因为你推得猛就多开一点。

gNa=gˉNa m3h\displaystyle g_{Na} = \bar{g}_{Na}\,m^3 h
钠电导 = 最大电导 × 激活门的三次方 × 失活门状态。m 的立方让通道开通极其陡峭，这是“全有全无”的第一个物理根源。
  1. 最大电导假设所有钠通道同时打开时膜能达到的最大导电能力，是整条曲线的上限标尺。
    gˉNa\bar{g}_{Na}
  2. 激活门概率的立方激活门开放概率为 \(m\)，取三次方表示需要三个亚基协同到位，使通道从“几乎不开”到“几乎全开”的过渡极其陡峭，更接近一个理想开关。
    m3m^3
  3. 失活门概率失活门开放概率为 \(h\)，动作电位期间迅速降到 0，通道整体关闭，为后面的不应期埋下伏笔。
    hh

动作电位波形

一张骨牌倒下，不是瞬间完成的动作：先是顶端加速偏转（上升），随即拍击地面（复极化），最后轻轻回弹一下才静止（后电位）。动作电位同样有一条固定的“姿态曲线”，完整过程大约 2 毫秒，幅度约 100 毫伏。膜电位随时间的变化，遵循电流平衡方程——膜电容电流等于所有离子电流之和：

具体过程是：上升支由钠离子涌入驱动，电压从 -55 毫伏冲向 +40 毫伏；下降支由钾离子外流驱动，电压回落并短暂越过 -70 毫伏（超极化后电位），随后回到静息。无论当初是轻轻一拨还是狠狠一推，只要骨牌倒了，它拍向地面的姿态轨迹就一样——动作电位的波形与刺激强度无关，只由离子通道的动力学决定。这就是“标准脉冲”的含义。

CmdVdt=Iext−gˉNam3h (V−ENa)−gˉKn4 (V−EK)−gL (V−EL)\displaystyle C_m\frac{dV}{dt} = I_{ext} - \bar{g}_{Na}m^3h\,(V - E_{Na}) - \bar{g}_K n^4\,(V - E_K) - g_L\,(V - E_L)
这个方程是霍奇金-赫胥黎模型的骨架：哪股电流占上风，电压就往哪个方向走。
  1. 电容充电项膜电容乘以电压变化率。膜电容越大，电压变化越“迟钝”，像骨牌的质量越大、倒下越慢。
    CmdVdtC_m\frac{dV}{dt}
  2. 外部注入电流电极或突触输入，是唯一的“外力”来源，相当于推骨牌的那根手指。
    IextI_{ext}
  3. 钠电流项钠电导乘以驱动电位 \((V - E_{Na})\)。当电压越接近钠平衡电位，钠电流越小，形成上升支的“自我限制”——这也是为什么脉冲峰值停在 +40 毫伏左右而不是无限攀升。
    −gˉNam3h (V−ENa)-\bar{g}_{Na}m^3h\,(V - E_{Na})
  4. 钾电流与漏电流钾外流负责把电压拉回静息，漏电流是背景渗漏，两者共同完成复极化和超极化后电位。
    −gˉKn4 (V−EK)−gL (V−EL)-\bar{g}_K n^4\,(V - E_K) - g_L\,(V - E_L)

全有全无原则

直接挑明结论：推骨牌时，推力小于临界角，骨牌晃两下自己站回来；一旦超过临界角，它必定完整倒下——倒下的方式不因推力轻重而改变。神经元如出一辙：阈下刺激只引起局部的小幅去极化，阈上刺激则触发一记幅度恒定、波形固定的动作电位。这条规则就是全有全无原则，阈值（约 -55 毫伏）是它的分界线。

从数学上看，神经元的“发放决策”可以浓缩成一个阶跃函数：

这意味着神经元绝不用脉冲幅度传递强度信息——你敲骨牌的力气再大，它倒下还是那一下。强度信息只能通过“倒下的次数和节奏”来编码，也就是下一节的发放频率。全有全无也是神经系统最优雅的妥协：以放弃连续幅度为代价，换取了信号的鲁棒性——脉冲在轴突上长距离传导不衰减，因为每一段都在重新触发同一个标准脉冲，就像一长排骨牌的接力倒下，每一张都是“满血”的一倒。

Spike(V)=Θ(V−Vth)={1,V≥Vth0,V<Vth\displaystyle \text{Spike}(V) = \Theta(V - V_{th}) = \begin{cases} 1, & V \ge V_{th} \\ 0, & V < V_{th} \end{cases}
阶跃函数意味着：输出只有 0 或 1，没有中间的“半个脉冲”。这就是全有全无最直白的数学表达。
  1. 阶跃函数 \(\Theta\)自变量非负时输出 1，为负时输出 0，是“开关”的数学化身。
    Θ(x)={1,x≥00,x<0\Theta(x) = \begin{cases} 1, & x \ge 0 \\ 0, & x < 0 \end{cases}
  2. 阈值差当前膜电位减去阈值，表示“越过临界点多远”。这个差值大于 0，就是骨牌越过临界角。
    V−VthV - V_{th}
  3. 二元输出结果只有发放（1）或不发放（0）两种，脉冲的“大小”没有中间选项。
    Spike∈{0,1}\text{Spike} \in \{0, 1\}

不应期机制

骨牌倒下后躺在地上，想再倒一次？得先有人把它扶起来。神经元也有这段“重新立起”的时间，叫做不应期。它分两段：绝对不应期里，钠通道的失活门还关着，无论多强的刺激都无法触发脉冲；相对不应期里，部分钠通道恢复，但需要比平时更强的刺激才能触发。

不应期有两件大事。第一，它保证了脉冲的单向传导——刚刚发放过的区域无法立刻再发，信号只能沿着轴突朝前方传播，不会倒流。第二，它划定了神经元放电的频率上限：连续两次脉冲之间的最短间隔，等于一个脉冲的时长加上绝对不应期。因此最高放电频率为：

不应期像“重新上发条”的间隙，把神经信号切成一颗颗离散的脉冲事件。这恰好是事件驱动计算最像生物的地方：信息不是连续电平，而是一串带时间戳的“骨牌倒下事件”。

fmax=1TAP+Tabs\displaystyle f_{max} = \frac{1}{T_{AP} + T_{abs}}
每个脉冲加上它身后的“不应期空档”组成一个完整周期，频率上限就是周期的倒数。
  1. 周期总长一个脉冲自身时长 \(T_{AP}\) 加上绝对不应期 \(T_{abs}\)，是连续两次脉冲的最短时间间隔。
    TAP+TabsT_{AP} + T_{abs}
  2. 取倒数每秒能塞进多少个这样的完整周期，就是频率上限。
    fmax=1Tf_{max} = \frac{1}{T}
  3. 量级估算取 \(T_{AP} \approx 1\ \text{ms}\)、\(T_{abs} \approx 1\ \text{ms}\)，可得理论上限约 500 Hz；实际神经元通常在几十到几百赫兹。
    ≈11+1 ms=500 Hz\approx \frac{1}{1 + 1\ \text{ms}} = 500\ \text{Hz}

脉冲编码模型

想象雨点敲窗：雨小，雨点疏；雨大，雨点密。每颗雨点都一样大，但节奏传达了雨的大小。神经元正是这样——刺激越强，每秒发放的脉冲越多。这套规则叫频率编码，是脉冲神经网络（SNN）信息表示的核心。

从计算角度看，最简单的模型是漏电积分发放模型（LIF）。它把神经元浓缩成一个电阻和一个电容并联的电路：输入电流给电容充电，电阻把电压往静息方向“泄漏”，一旦电压冲到阈值就发放一个脉冲并重置。方程为：

LIF 不看脉冲内部形状，只看“什么时候越阈”——就像计算骨牌阵时，不必模拟每张骨牌的翻滚姿态，只需记录“哪张牌在什么时刻倒下”。这正是大规模脉冲神经网络的标准做法：把连续信号变成事件流，用事件的稀疏与密集承载信息。

τmdVdt=Vrest−V+RmI(t),V≥Vth⇒V←Vreset\displaystyle \tau_m\frac{dV}{dt} = V_{rest} - V + R_mI(t),\qquad V \ge V_{th} \Rightarrow V \leftarrow V_{reset}
LIF 模型把神经元简化成“积分器 + 阈值开关”：只关心电压何时越阈，不关心脉冲内部的波形细节。
  1. 膜时间常数\(\tau_m = R_mC_m\)，决定电压“遗忘”输入的速度，典型值 10-20 毫秒。
    τm=RmCm\tau_m = R_mC_m
  2. 漏电回拉项电压偏离静息越远，被拉回静息的趋势越强，就像骨牌有自动回正的趋势。
    Vrest−VV_{rest} - V
  3. 输入驱动项输入电流乘膜电阻，换算成电压的抬升量，相当于推手的力度。
    RmI(t)R_mI(t)
  4. 阈值触发与重置一旦电压到达阈值就发放并重置，这是全有全无在模型代码里的落点。
    V≥Vth⇒V←VresetV \ge V_{th} \Rightarrow V \leftarrow V_{reset}

计算建模应用

要在计算机里复制一场多米诺骨牌表演，有两种思路：完整模拟每张牌的形状、质量和受力，或者只记录“倒了没、何时倒”。前者精确但昂贵，后者廉价且够用。神经科学计算建模正是这样分了两个流派：霍奇金-赫胥黎模型和漏电积分模型。

霍奇金-赫胥黎（HH）模型用四个微分方程描述膜电位 \(V\)、钠激活门 \(m\)、钠失活门 \(h\)、钾激活门 \(n\) 的协同变化，能逼真复现动作电位的波形、阈值和不应期，是机制研究的金标准。LIF 模型只保留一个电压变量加阈值重置，计算量小一个量级，适合模拟上万神经元的大规模网络。对工程应用而言，人们更关心神经元的“输入-发放频率”关系，通常用一条 S 形曲线拟合：

从生物骨牌阵到数学方程，再到真芯片——Intel Loihi、IBM TrueNorth 等神经形态芯片把“全有全无”的脉冲作为基本计算单元，用事件驱动代替时钟驱动，实现极低功耗的类脑计算。理解了这套机制，你就拿到了阅读类脑智能文献的第一把钥匙。

r(I)=rmax1+e−(I−I0)/k\displaystyle r(I) = \frac{r_{max}}{1 + e^{-(I - I_0)/k}}
这条 S 曲线是 f-I 曲线的平滑版本：输入超过半激活强度后，发放率从谷底爬向峰值。
  1. 最大发放率刺激极强时神经元能达到的频率上限，由不应期决定。
    rmaxr_{max}
  2. 半激活电流发放率达到一半时对应的输入强度，近似刻画“阈值位置”。
    I0I_0
  3. 陡峭参数\(k\) 越小，曲线在阈值附近越陡，越接近理想的全有全无开关。
    e−(I−I0)/ke^{-(I - I_0)/k}
  4. 软开关特性真实神经元受膜电位随机波动影响，阈值触发是概率性的，因此用平滑曲线而非硬阶跃描述。
    0<r(I)<rmax0 < r(I) < r_{max}

AI 应用场景

事件相机与脉冲视觉

阶段：数据采集与感知

解决的问题：传统视觉传感器按固定帧率输出整幅图像，大量像素在重复记录“什么都没变”的画面，冗余高、功耗大。事件相机借鉴视网膜神经节细胞的全有全无发放：只有当某个像素的亮度变化超过阈值时，才输出一个带时间戳的脉冲事件——就像骨牌阵只记录“哪张牌倒了”，而不记录“每张牌站了多久”。

具体案例：高速无人机避障和工业机器人分拣中，事件相机每秒产生数百万个稀疏事件，脉冲神经网络实时处理这些“倒下的骨牌”，延迟低至毫秒级，功耗只有传统方案的十分之一。

脉冲神经网络做模式识别

阶段：模型构建与推理

解决的问题：传统深度学习用连续的浮点激活值做海量乘加运算，能耗高。SNN 用 LIF 神经元做计算：输入编码成脉冲序列，神经元在膜电位上积分，越过阈值就发放，输出用脉冲计数判别类别——把全有全无变成一种节能的离散计算范式。

具体案例：Intel Loihi 芯片上部署的 SNN 手写数字识别系统，以事件驱动方式处理 MNIST，能耗比同任务 GPU 低数个数量级；智能音箱里的语音关键词唤醒芯片，同样依赖脉冲计数器来判断“是否有人在喊唤醒词”。

神经电生理数据的脉冲检测

阶段：数据清洗与特征提取

解决的问题：脑机接口或动物实验中，膜电位记录夹杂大量噪声，需要从连续电压中找出脉冲的准确时间戳。常见做法是阈值检测加不应期约束：电压超过阈值记一次发放，而后约 1 毫秒内的再次越阈视为同一脉冲的延续——用不应期这把“尺子”剔除毛刺。

具体案例：计算神经科学家分析猕猴运动皮层数据时，先做高通滤波，再用阈值与不应期提取脉冲序列，最后拟合 f-I 曲线，评估神经元对刺激强度的编码能力。

Python 演示

python36 行
import math # 动作电位标准波形模板(mV): 越过阈值后按此序列输出WAVE = [-55, -40, -15, 12, 34, 38, 25, 2, -18, -38, -58, -72, -70]  def run_lif(I, steps=300, dt=0.2):    """漏电积分发放(LIF)模型: 返回电压序列与脉冲个数"""    rest, thr = -70.0, -55.0    tau, R = 10.0, 100.0   # 时间常数ms, 膜电阻MOhm    v = rest    wave_left, wave_pos = 0, 0    trace, spikes = [], 0    for _ in range(steps):        if wave_left > 0:            wave_left -= 1            wave_pos += 1            v = WAVE[wave_pos]        else:            v += (-(v - rest) + R * I) * dt / tau        if wave_left == 0 and v >= thr:            spikes += 1            wave_left, wave_pos = len(WAVE), -1        trace.append(v)    return trace, spikes  def main():    for I in [0.05, 0.2, 0.4, 0.8]:        trace, spikes = run_lif(I)        print("I = %4.2f nA -> %2d 个脉冲, 峰值 %6.2f mV" % (I, spikes, max(trace)))    print("阈下刺激不发放; 阈上刺激都发放标准脉冲, 峰值恒为 38 mV 左右")  if __name__ == "__main__":    main()
目的：用 LIF 模型模拟四种刺激强度下的神经元响应，直观验证全有全无原则——刺激越强脉冲越多，但单个脉冲的形状和峰值恒定。
  1. def run_lif(I, steps=300, dt=0.2):定义 LIF 模拟函数，输入刺激电流强度，输出电压轨迹和脉冲计数
  2. v += (-(v - rest) + R * I) * dt / tau欧拉法积分：漏电项把电压拉回静息，输入项把电压推向阈值
  3. if wave_left == 0 and v >= thr:全有全无的开关：只有电压越过阈值才触发发放
  4. wave_left, wave_pos = len(WAVE), -1触发后播放标准波形模板，保证每次脉冲形状完全一致
  5. for I in [0.05, 0.2, 0.4, 0.8]:用四档刺激强度对比：0.05 低于阈值不发放，其余都发放
  6. print("I = %4.2f nA -> %2d 个脉冲, 峰值 %6.2f mV" % ...)输出脉冲数与峰值，看到峰值恒定即全有全无

常见误区

误区我以为神经元像扬声器一样，输入的声音越大，输出的电信号就越高。刺激强一点，动作电位的尖峰就该更高更宽。

正解全有全无原则恰恰否定了这个直觉。超过阈值后，脉冲的幅度（约 100 毫伏）和时程（约 2 毫秒）完全由离子通道决定，与刺激强度无关。刺激强度改而编码在发放频率上：刺激越强，每秒脉冲越多。就像推骨牌，用力再大，倒下就是那一下，但你可以连续推它，让它连续倒。

为何常见：生活中力与位移、音量与响度都是连续对应关系，大脑天然把“输入越大→输出越大”当作默认，忽略了神经元本质上是脉冲开关器件。

误区既然没触发动作电位，那阈下刺激就等于零，白给了，神经元完全没反应。

正解阈下刺激确实不产生脉冲，但会产生局部电位——膜电位的小幅抬升或压低。多个阈下刺激在时间上连续到达（时间总和）或空间上同时到达（空间总和），可以叠加到超过阈值，从而触发脉冲。就像连续轻推骨牌，每次晃动幅度不大，但节奏对了也能晃过临界角。突触整合正是建立在这个机制上。

为何常见：只看“是否发放脉冲”这个离散输出，忽略了膜电位这个连续变量，所以觉得没反应。

误区发了一个脉冲之后神经元要休息，就像人跑累了要喘口气，不应期就是疲劳恢复期。

正解不应期不是能量消耗导致的疲劳，而是钠通道失活门被暂时关闭的机制性状态。绝对不应期内无论多大刺激都无效，相对不应期内需要更强的刺激。它的作用是防止脉冲倒流（单向传导）并限制最高放电频率。类比骨牌：倒下后得重新立起，这不是骨牌“累”，而是物理上它已经躺平，必须回到直立状态才能再倒。

为何常见：“不应”这个词容易让人联想到“不响应=休息”，再加上生物直觉里的疲劳概念，就发生了误配。

误区只要刺激给得足够大，神经元就能像机关枪一样无限加速发放脉冲，频率没有上限。

正解不应期给发放频率设了硬上限。绝对不应期约 1 毫秒，加上脉冲本身约 1-2 毫秒，理论最高频率约 1/(1+1) 毫秒 = 500 赫兹，实际神经元大多在几十到几百赫兹以内。类比骨牌：倒下需要时间，扶起来也需要时间，再快的推手也无法让同一张骨牌每秒倒上一千次。

为何常见：把神经元想象成纯电子开关，忽略了通道状态需要物理恢复时间。

面试题

Q1. 关于动作电位的全有全无原则，以下哪项描述正确？

单选题 · easy

  • A.刺激越强脉冲幅度越高
  • B.刺激超阈即触发标准脉冲← 正确答案
  • C.阈下刺激可产生标准脉冲
  • D.脉冲幅度随距离逐渐减弱

答案：B。超过阈值就触发同一形状、同一幅度的脉冲，这是全有全无的核心。A 把强度编码误配给幅度；C 中阈下刺激只能产生局部电位；D 违背了脉冲在轴突上不衰减传导的事实，脉冲像多米诺接力一样逐段重建。

Q2. 静息状态下，膜电位最接近哪种离子的平衡电位？

单选题 · easy

  • A.钠离子内流的平衡电位
  • B.氯离子内流的平衡电位
  • C.钾离子外流的平衡电位← 正确答案
  • D.钙离子内流的平衡电位

答案：C。静息时钾通道开放最多，钾外流把膜电位拉向 -90 毫伏附近，所以静息电位（约 -70 毫伏）最接近钾平衡电位。就像直立骨牌主要受重力控制，而不是被外力撑住。

Q3. 动作电位上升支（去极化阶段）主要由什么驱动？

单选题 · mid

  • A.钾离子外流驱动快速上升
  • B.氯离子内流驱动快速上升
  • C.钠离子内流驱动快速上升← 正确答案
  • D.钙离子外流驱动快速上升

答案：C。越过阈值后钠通道正反馈打开，钠离子涌入细胞把膜电位推向 +40 毫伏，形成陡峭上升支。钾外流是复极化阶段的事，氯和钙不是上升支的主角。

Q4. 绝对不应期产生的根本原因是什么？

单选题 · mid

  • A.钾通道持续激活无法关闭
  • B.钠通道处于失活门状态← 正确答案
  • C.细胞能量耗尽需要恢复
  • D.膜电位太低无法去极化

答案：B。动作电位期间钠通道的失活门关闭，必须等它恢复，绝对不应期内任何刺激都无法触发脉冲。这是通道动力学问题，不是能量问题，也不涉及钾通道的持续激活。

Q5. 当刺激强度增大时，神经元的最主要变化是什么？

单选题 · easy

  • A.单个脉冲幅度同步增大
  • B.单个脉冲时程明显变宽
  • C.脉冲发放频率逐渐提高← 正确答案
  • D.脉冲传导速度越来越快

答案：C。全有全无决定脉冲幅度和时程固定，强度信息通过频率表达——刺激越强每秒脉冲越多。这与雨点疏密代表雨量大小是一个道理。

Q6. 阈下刺激作用于神经元会产生什么？

单选题 · mid

  • A.幅度完整的动作电位
  • B.可空间叠加的局部电位← 正确答案
  • C.立即触发钠通道正反馈
  • D.使膜电位永久性改变

答案：B。阈下刺激只造成局部小幅去极化，但多个阈下刺激可以通过空间或时间总和叠加到阈值以上。它不会触发脉冲，也不会永久改变膜电位。

Q7. 神经元理论最高放电频率由什么决定？

单选题 · hard

  • A.膜时间常数的倒数大小
  • B.脉冲时程与不应期之和的倒数← 正确答案
  • C.静息电位与阈值的差值大小
  • D.钠钾泵每次转运的速度

答案：B。每个脉冲加绝对不应期占满一个周期，频率上限是该周期的倒数。若脉冲 1 毫秒、不应期 1 毫秒，上限约 500 赫兹。这与时间常数、阈值差、泵速度都无关。

Q8. 关于神经元脉冲编码，下列说法正确的有哪些？

多选题 · mid

  • A.阈值以上刺激产生标准脉冲← 正确答案
  • B.脉冲沿轴突传导逐步减弱
  • C.强度信息体现在放电频率上← 正确答案
  • D.脉冲形状由离子通道决定← 正确答案

答案：ACD。A 和 C 是全有全无与频率编码的直接推论，D 说明波形由通道动力学决定。B 错误，脉冲在轴突上不衰减，像多米诺接力一样逐段重新触发。

Q9. 霍奇金-赫胥黎模型的核心状态变量包括哪些？

多选题 · hard

  • A.膜电位时间变量 V← 正确答案
  • B.钠激活门开放概率 m← 正确答案
  • C.钠失活门开放概率 h← 正确答案
  • D.漏电流固定的电导值 gL

答案：ABC。HH 模型用 V、m、h、n 四个变量描述膜电位和三种门控状态，能完整复现动作电位波形与不应期。gL 是一个常数参数，不是随时间变化的状态变量。

Q10. 神经形态芯片借鉴了神经元的哪些特性？

多选题 · mid

  • A.事件驱动的脉冲通信← 正确答案
  • B.可调的突触连接权重← 正确答案
  • C.全有全无的离散发放← 正确答案
  • D.连续模拟电平的数值计算

答案：ABC。类脑芯片（如 Loihi）以脉冲事件通信、突触权重可塑、离散发放为核心，规避了传统深度学习对连续高精度乘加的依赖，因此功耗极低。D 描述的是传统冯·诺依曼计算范式，不是脉冲范式。