Noise is an important aspect in neuronal population coding. The type of noise a population is affected by may impact which properties of neurons are optimal. For this report we simulate decoding in neuronal populations affected by different types of noise. In particular, the effect of the amount of peaks in neuronal tuning curves on decoding performance is studied. The features of noise that are investigated include strength and correlation. We found that highly correlated noise considerably mitigates the negative effect of large amounts of noise. Additionally, in high noise environments, neurons with more peaks in their tuning curves are affected more negatively by noise. Our research provides a possible explanation for why certain neurons in the brain behave as they do, and we propose several avenues for future study.

Brus är en viktig aspekt i populationskodning hos neuroner. Typen av brus som populationen påverkas av kan avgöra vilka egenskaper som är optimala hos neuronerna. I den här rapporten simulerar vi avkodning hos neuronpopulationer som påverkas av olika sorters brus. Specifikt undersöks effekten av antalet toppar i neuroners aktivitet på neuronpopulationens totala avkodningsförmåga. De egenskaper för brus som undersöks är styrka och korrelation. Våra resultat visar att högt korrelerat brus till stor del minskar de negativa effekterna av stora mängder brus. Dessutom blir neuronpopulationer med fler toppar i dess aktivitet i högre grad negativt påverkade av stora mängder brus. Dessa resultat kan ge en förklaring till varför särskilda neuroner i hjärnan beter sig som de gör, och vi föreslår flera tillvägagångsätt för fortsatta studier inom området.