Model Lopesa da Silvy – opis matematyczny Zmienne modelu: V e (t) – średni potencjał w populacji pobudzającej E(t) – średnia częstość odpalania w populacji.

Slides:



Advertisements
Podobne prezentacje
Wykład 5: Dyskretna Transformata Fouriera, FFT i Algorytm Goertzela
Advertisements

ATOM WODORU, JONY WODOROPODOBNE; PEŁNY OPIS
PROF. DOMINIK SANKOWSKI
TERMO-SPRĘŻYSTO-PLASTYCZNY MODEL MATERIAŁU
Badania operacyjne. Wykład 2
Wykład no 11.
ZLICZANIE cz. II.
DIELEKTRYKI TADEUSZ HILCZER
„METODA FOURIERA DLA JEDNORODNYCH WARUNKÓW BRZEGOWYCH f(0)=f(a)=0”
Wyrównanie metodą zawarunkowaną z niewiadomymi Wstęp
Wykład 24 Fale elektromagnetyczne 20.1 Równanie falowe
Systemy dynamiczneOdpowiedzi systemów – modele różniczkowe i różnicowe Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania 1 Systemy.
Jakub M. Gac Wydział Fizyki Politechniki Warszawskiej
PROF. DOMINIK SANKOWSKI
SYSTEMY CZASU RZECZYWISTEGO Wykłady 2008/2009 PROF. DOMINIK SANKOWSKI.
Metody matematyczne w Inżynierii Chemicznej
Metoda różnic skończonych I
Opis matematyczny elementów i układów liniowych
Automatyka Wykład 3 Modele matematyczne (opis matematyczny) liniowych jednowymiarowych (o jednym wejściu i jednym wyjściu) obiektów regulacji.
Teoria sterowania Wykład 3
Automatyka Wykład 3 Modele matematyczne (opis matematyczny) liniowych jednowymiarowych (o jednym wejściu i jednym wyjściu) obiektów, elementów i układów.
PULSACJE GWIAZDOWE semestr zimowy 2012/2013
Podstawy układów logicznych
Elementy Rachunku Prawdopodobieństwa i Statystyki
Wzmacniacz operacyjny
AUTOMATYKA i ROBOTYKA (wykład 6)
Elementy Rachunku Prawdopodobieństwa i Statystyki
Biomechanika przepływów
Obserwatory zredukowane
Modelowanie – Analiza – Synteza
Podstawy automatyki 2012/2013Transmitancja widmowa i charakterystyki częstotliwościowe Mieczysław Brdyś, prof. dr hab. inż.; Kazimierz Duzinkiewicz, dr.
Cechy modeli obiektów dynamicznych z przedstawionych przykładów:
Rozważaliśmy w dziedzinie czasu zachowanie się w przedziale czasu od t0 do t obiektu dynamicznego opisywanego równaniem różniczkowym Obiekt u(t) y(t) (1a)
PULSACJE GWIAZDOWE Jadwiga Daszyńska-Daszkiewicz, semestr zimowy 2009/
Elementy Rachunku Prawdopodobieństwa i Statystyki
Modelowanie i podstawy identyfikacji 2012/2013Modele fenomenologiczne - dyskretyzacja Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1.
Sterowanie – metody alokacji biegunów
Modele dyskretne obiektów liniowych
Elementy Rachunku Prawdopodobieństwa i Statystyki
Ostyganie sześcianu Współrzędne kartezjańskie – rozdzielenie zmiennych
Wprowadzenie do ODEs w MATLAB-ie
Modelowanie – Analiza – Synteza
Henryk Rusinowski, Marcin Plis
Metody odszumiania sygnałów
Przedmiot: Ekonometria Temat: Szeregi czasowe. Dekompozycja szeregów
Przykład 1: obiekt - czwórnik RC
Metody matematyczne w Inżynierii Chemicznej
Przykład 5: obiekt – silnik obcowzbudny prądu stałego
Maciej Gwiazdoń, Mateusz Suder, Szymon Szymczk
WYKŁAD 5 OPTYKA FALOWA OSCYLACJE I FALE
Warstwowe sieci jednokierunkowe – perceptrony wielowarstwowe
Entropia gazu doskonałego
Od neuronow do populacji
Rozszerzony model Lopesa da Silvy Schemat populacyjnego modelu generacji aktywności rytmicznej EEG. Każda z trzech populacji neuronalnych opisana jest.
Rozkłady statystyk z próby dr Marta Marszałek Zakład Statystyki Stosowanej Instytut Statystyki i Demografii Kolegium.
© Prof. Antoni Kozioł, Wydział Chemiczny Politechniki Wrocławskiej MATEMATYCZNE MODELOWANIE PROCESÓW BIOTECHNOLOGICZNYCH Temat – 5 Modelowanie różniczkowe.
Modele nieliniowe sprowadzane do liniowych
O ODPORNOŚCI KONWENCJONALNEGO OBSERWATORA LUENBERGERA ZREDUKOWANEGO RZĘDU Ryszard Gessing Instytut Automatyki Politechnika Śląska.
Rozwiązywanie układów równań Radosław Hołówko Konsultant: Agnieszka Pożyczka.
Metody optymalizacji Wykład /2016
Podstawy automatyki I Wykład 3b /2016
Modelowanie i podstawy identyfikacji
Systemy neuronowo – rozmyte
Model Lopesa da Silvy – opis matematyczny
Metody matematyczne w Inżynierii Chemicznej
Podstawy automatyki I Wykład /2016
MATEMATYCZNE MODELOWANIE PROCESÓW BIOTECHNOLOGICZNYCH
Sterowanie procesami ciągłymi
Sterowanie procesami ciągłymi
Jednorównaniowy model regresji liniowej
Zapis prezentacji:

Model Lopesa da Silvy – opis matematyczny Zmienne modelu: V e (t) – średni potencjał w populacji pobudzającej E(t) – średnia częstość odpalania w populacji pobudzającej V i (t) – średni potencjał w populacji hamującej I(t) – średnia częstość odpalania w populacji hamującej

Model Lopesa da Silvy – opis matematyczny Model opisuje następujący układ równań: gdzie f e,i - funkcje sigmoidalne opisujące związek pomiędzy częstością odpalania, a potencjałami błonowymi.

Model Lopesa da Silvy – opis matematyczny Znajdźmy punkty stacjonarne dla tego modelu. W tym celu zakładamy, że zmienne przyjmują wartości stałe, a wejście zachowuje się stacjonarnie. Punty stacjonarne oznaczamy przez nazwę zmiennej z kreską poziomą na górze. Wprowadzając oznaczenia:

Model Lopesa da Silvy – opis matematyczny Dostajemy: Zbadajmy własności modelu w punktach stacjonarnych. W tym celu załóżmy, że wejścia i zmienne mają małe losowe odchylenia od swoich średnich. W celu opisu tych odchyleń wprowadźmy nowe zmienne:

Model Lopesa da Silvy – opis matematyczny Podstawiając do równań modelu dostajemy: Korzystając z równań wartości stałych, w dwóch pierwszych równaniach:

Model Lopesa da Silvy – opis matematyczny Rozwińmy funkcje f w szereg Taylora i zachowajmy jedynie pierwsze dwa wyrazy, co oznacza przyblizenie liniowe: Mozemy zapisać: Gdzie q e jest nachyleniem funkcji f e (V) w punkcie ‘pracy’ i podobnie dla q i.

Model Lopesa da Silvy – opis matematyczny Wracając do równań modelu dostajemy: Stosując transformatę Laplace’a do układu równań, dostajemy:

Model Lopesa da Silvy – opis matematyczny Postawiajac (3) i (4) równanie do (1) i (2) dostajemy: A następnie wyznaczamy v e (s): Ostatecznie:

Model Lopesa da Silvy – opis matematyczny Uwzględniając postać h e (s), h i (s), dostajemy: gdzie Współczynnik K jest charakterystyczny dla modelu i opisuje wzmocnienie w pętli sprzężenia zwrotnego. Jest to liniowa kombinacja stałych sprzężenia c 1 i c 2, pochodnych funkcji sigmoidalnych w punktach ‘pracy’, q e i q i i parametrów odpowiedzi synaptycznych. Widmo mocy V e (t) możemy otrzymać z wyrażeniana v e (s) przez podstawienie iω w miejsce s i kładąc p(s) stałe, ponieważ P(t) jest białym szumem. Ostatecznie:

Implementacja w Matlabie

Funkcja przenoszenia modelu dla rosnących wartości K

EEG jako filtrowany szum W skali makroskopowej EEG mozna traktować jako biały, gaussowski filtrowany szum. Zarówno generatorem szumu, jak i filtrem, są procesy zachodzące w sieciach neuronalnych. *Le Van Quyen, M. (2011). The brainweb of cross-scale interactions. New Ideas Psychol. 29, 57–63. * Biały szum Liniowy filtr EEG

EEG jako nieliniowa oscylacja Wybrane zapisy EEG mozna traktować jako periodyczną oscylację generowaną przez nieliniowy układ dynamiczny posiadający atraktor w postaci cyklu granicznego. Układ generuje oscylacje również w przypadku braku wejściowego szumu. Biały szum Nieliniowy układ dynamiczny EEG

Liniowy i nieliniowy rytm alfa Eksperyment Model Stam C., Pijn J.P., Suffczynski P. and Lopes da Silva F. H. Dynamics of the human alpha rhythm: evidence for non-linearity? Clin. Neurophysiol. 110: , 1999 Wyniki eksperymentalne: 480 zapisow, 60 osob, 2 kanaly, 4 zapisy % sygnałów alfa reprezentuje filtrowany szum. Nieliniowość występowała w 1.25% zapisów.