Neuronal network model
Dotaz
Zobrazit nápovědu
[1st ed.] 63 s. ; 26 cm
- MeSH
- kybernetika MeSH
- modely neurologické MeSH
- neurom fyziologie MeSH
- neuronové sítě MeSH
- Publikační typ
- abstrakty MeSH
- kongresy MeSH
- Konspekt
- Knihovnictví. Informatika
- NLK Obory
- knihovnictví, informační věda a muzeologie
- neurovědy
[1st ed.] nestr. ; 30 cm
- MeSH
- neuronové sítě MeSH
- Publikační typ
- kongresy MeSH
- Konspekt
- Patologie. Klinická medicína
- NLK Obory
- neurovědy
Teorie nelineárních dynamických systémů aplikovaná na biologické neuronové sítě, u nichž je prokázáno deterministicky chaotické chování, vysvětluje překvapivým způsobem ukládání a rychlé vybavovaní paměťových stop. Pomocí fázových přechodů a synchronizace oscilací lze interpretovat epileptickou aktivitu jako projev univerzálních vlastností deterministicky chaotických systémů. Modely mozkové aktivity založené na chaotických neuronech lépe vystihují skutečné chování biologických neuronů.
The theory of non-linear dynamic systems applied to biological neurone networks where a determinist chaotic behaviour was proved explains in a surprising way the deposition and rapid recollection of memory traces. By means of phasic transition and synchronization of oscillations it is possible to interpret the epileptic activity as a manifestation of universal properties of determinist chaotic systems. Models of cerebral activity based on chaotic neurones give a better idea of the actual behaviour of biological neurones.
- MeSH
- modely neurologické MeSH
- neuronové sítě MeSH
- stochastické procesy MeSH
- Publikační typ
- přehledy MeSH
Informační teorie je teoretickým rámcem pro vysvětlení vzniku psychopatologie i mechanizmu léčby. Schizofrenii je možné interpretovat jako důsledek poruchy zpracování informací při snížené konektivitě populací pyramidových neuronů. Antipsychotika modulují informační processing svým ovlivněním dopaminergní aktivity a optimalizují poměr signál/šum. Tímto mechanizmem kompenzují deficit synaptické konektivity. Antipsychotika 2. generace ve srovnání s klasickými antipsychotiky nejen mediotemporálně blokují D2 receptory, ale mechanizmem blokády 5-HT2 receptorů také zvyšují hladinu dopaminu v prefrontální kůře. Tím ovlivňují příznaky negativní i kognitivní dysfunkce u schizofrenie.
Information theory is the conceptual framework for understanding the psychopathology and mechanisms of psychiatric treatment. Schizophrenia as the disorder of information processing should be the result of the decrease connectivity of pyramidal neurons. Antipsychotic drugs modulate information processing by the regulation of dopaminergic activity and this way they optimize the signal/noise ratio. By this mechanism the antipsychotics compensates the deficit of synaptic connectivity. Second generation antipsychotics in comparison with classical ones not only block the D2 receptors but also due to the 5-HT2 antagonism also increase the dopamine in prefrontal kortex. The increased dopamine in prefrontal kortex leads to the amelioration of negative symptoms and cognitive dysfunction.
Normalized entropy as a measure of randomness is explored. It is employed to characterize those properties of neuronal firing that cannot be described by the first two statistical moments. We analyze randomness of firing of the Ornstein-Uhlenbeck (OU) neuronal model with respect either to the variability of interspike intervals (coefficient of variation) or the model parameters. A new form of the Siegert's equation for first-passage time of the OU process is given. The parametric space of the model is divided into two parts (sub-and supra-threshold) depending upon the neuron activity in the absence of noise. In the supra-threshold regime there are many similarities of the model with the Wiener process model. The sub-threshold behavior differs qualitatively both from the Wiener model and from the supra-threshold regime. For very low input the firing regularity increases (due to increase of noise) cannot be observed by employing the entropy, while it is clearly observable by employing the coefficient of variation. Finally, we introduce and quantify the converse effect of firing regularity decrease by employing the normalized entropy.
Optimization of neural network topology, weights and neuron transfer functions for given data set and problem is not an easy task. In this article, we focus primarily on building optimal feed-forward neural network classifier for i.i.d. data sets. We apply meta-learning principles to the neural network structure and function optimization. We show that diversity promotion, ensembling, self-organization and induction are beneficial for the problem. We combine several different neuron types trained by various optimization algorithms to build a supervised feed-forward neural network called Group of Adaptive Models Evolution (GAME). The approach was tested on a large number of benchmark data sets. The experiments show that the combination of different optimization algorithms in the network is the best choice when the performance is averaged over several real-world problems.
