Modele integrate and fire

Slides:



Advertisements
Podobne prezentacje
Excel Narzędzia do analizy regresji
Advertisements

Tablice 1. Deklaracja tablicy
Dwójniki bierne impedancja elementu R
Krople wody – napiecie powierzchniowe vs pole elektr
Generatory i Przerzutniki
Wykład 2 Wrocław, 11 X 2006 Wpływ przekształceń
POTENCJAŁ ELEKTRYCZNY
SIECI NEURONOWE Sztuczne sieci neuronowe są to układy elektroniczne lub optyczne, złożone z jednostek przetwarzających, zwanych neuronami, połączonych.
Integracja w neuronie – teoria kablowa
Inteligencja Obliczeniowa Perceptrony o dużym marginesie błędu
typy całkowite (całkowitoliczbowe)
Badania operacyjne. Wykład 2
Generatory napięcia sinusoidalnego
Przepływ prądu elektrycznego
Logiki (nie)klasyczne
Wykonał: Ariel Gruszczyński
Poprawne modele zawartości. Zarządzanie zmianami struktury. 30 października 2003.
dr Małgorzata Radziukiewicz
DIELEKTRYKI TADEUSZ HILCZER
Komórka nerwowa - neuron
HH model - bramki Pomiary voltage clamp dla różnych wartości V pozwoliły HH postawić hipotezę, że kanał Na posiada bramkę aktywacyjną i bramkę inaktywacyjną.
Co to jest studium przypadku?
Czy potrafimy obliczyć wartość wyjścia sieci znając wartości jej wejść? Tak, przy założeniu, że znamy aktualne wartości wag i progów dla poszczególnych.
FIZYKA dla studentów POLIGRAFII Indukcja i drgania elektromagnetyczne.
Kody Liniowe Systemy cyfrowe.
Elektryczność i Magnetyzm
SPRZĘŻENIE ZWROTNE.
Projektowanie - wprowadzenie
Systemy wspomagania decyzji
WYŚWIETLANIE INFORMACJI NUMERYCZNEJ
Podstawy programowania
Sztuczne Sieci Neuronowe
Prądy w komórkach nerwowych
Wykład 25 Regulatory dyskretne
Cechy modeli obiektów dynamicznych z przedstawionych przykładów:
Systemy wspomagania decyzji
Modelowanie ukladu nerwowego Semestr zimowy 2013/14.
Ćwiczenie: Dla fali o długości 500nm w próżni policzyć częstość (częstotliwość) drgań wektora E (B). GENERACJA I DETEKCJA FAL EM Fale radiowe Fale EM widzialne.
Schematy blokowe i elementy systemów sterujących
Potencjały synaptyczne
Prądy w komórkach nerwowych. Kanały K + Istnieje wielka różnorodność kanałów K +. W aktywnej komórce, kanały K + zapewniają powrót do stanu równowagi.
Przykład 1: obiekt - czwórnik RC
Przerzutniki Przerzutniki.
Potencjał błonowy Stężenie jonów potasu w komórce jest większe niż na zewnątrz. Błona komórkowa przepuszcza jony potasu, zatrzymując aniony organiczne.
Klasa NetCon (rozdzial 10 The NEURON book) Skladnia: section netcon = new NetCon(&v(x), target, thresh, del, wt) Target musi byc procesem punktowym zawierajacym.
PHP Zmienne Damian Urbańczyk. Czym są zmienne? Zmienne zajmują pewien obszar pamięci, aby przechować pewne dane. W przypadku PHP, zmienne stosuje się.
Przepływ prądu elektrycznego
Krzysztof Murawski UMCS Lublin Fale MHD w pętlach korony słonecznej Animacje slajdów : Kamil Murawski.
Modelowanie układu nerwowego (computational neurosicence)
Partnerstwo dla Przyszłości 1 Lekcja 27 Klasy i obiekty.
Od neuronow do populacji
PWM, obsługa wyświetlacza graficznego
Model przydziału zadań. Informacje wstępne ● Podaję tu uproszczoną wersję modelu, którą będziemy stosować w testach. ● Wszystkie trudniejsze wymagania,
Rozszerzony model Lopesa da Silvy Schemat populacyjnego modelu generacji aktywności rytmicznej EEG. Każda z trzech populacji neuronalnych opisana jest.
Transformatory.
New CLIC joint - study status Przemyslaw Lutkiewicz Cedric Garion (supervisor)
Metody Analizy Danych Doświadczalnych Wykład 9 ”Estymacja parametryczna”
Modulatory amplitudy.
Wykorzystanie algorytmu Text Mining do analizy przyjmowanych przez rodziców celów wychowawczych Agnieszka Szymańska.
Od neuronow do populacji
16.Jadący ze stałą prędkością 72km/h pociąg osobowy, mija stojący pociąg towarowy o długości 400m. Mijanie trwało 30s. Oblicz długość pociągu osobowego.
Kognitywne właściwości sieci neuronowych
Plan zajec Narzedzia podstawowe: -kod hoc
Komunikacja miedzy neuronami (rozdzial 10 The NEURON book)
Analiza obwodów z jednym elementem reaktancyjnym
Wywołanie okienka ShapePlot poprzez hoc
Wpiszmy nastepujący kod (plot_cell1.hoc):
Object vs. class (rozdzial 13 The NEURON book)
MODELOWANIE ZMIENNOŚCI CECH
Klasa NetCon (rozdzial 10 The NEURON book)
Zapis prezentacji:

Modele integrate and fire Obwód integrate-and-fire: perfect integrate-and-fire model składa sie z kondensatora, progu i przełączanika. Gdy napiecie przekroczy próg, generowany jest impuls, a obwod jest zamykany na pewien czas, w ktorym napiecie wynosi 0. W wersji leaky, obwod zawiera rowniez opornik, przez ktory uplywa prad, co odpowiada prądom uplywu (leak) w neuronach.

Modele integrate and fire dla t’, w którym V(t’) = Vth, generowany jest impuls d(t-t’), a V(t) = 0, przez tref. dla t’, w którym V(t’) = Vth, generowany jest impuls d(t-t’), a V(t) = 0 przez tref. dla t’, w którym V(t’) = Vth, generowany jest impuls d(t-t’), gadapt = gadapt + Ginc, a V(t) = 0 przez tref.

Modele integrate and fire Leaky integrate and fire model non-leaky leaky Realistyczny model kompartmentowy komórki piramidalnej V warstwy kory Adapting integrate and fire

Model integrate and fire w NEURONIE IntFire1 jest procesem punktowym w NEURONIE posiadajacym ‘potencjal blonowy’ m, ktory zanika eksponencjalnie do zera: t dm/dt + m = 0 Pojedyncze wejscie z wagą w powoduje dodanie w do m, a gdy m > 1 komórka odpala generujac impuls wyjsciowy i przywraca m do 0. Rozszerzenie o okres refrakcji powoduje, ze m jest inicjalizowane do wartosci ujemnej po generacji impulsu. SYNTAX c = new IntFire1(x) c.tau --- ms time constant c.refrac --- ms refractory period. Minimum time between events is refrac c.m --- state variable c.M --- analytic value of state at current time, t m M - fixed dt step M – variable dt step Zmienna stanu neuronu IF, reprezentowana przez m, nie zmienia sie w okresie pomiedzy wydarzeniami (events). Do wizualizacji nalezy uzywac zmiennej M, ktora podaje akutalna wartosc zmiennej m.