Сетевые модели нервной системы

Сеть нервной системы человека состоит из узлов (например, нейронов), которые связаны связями (например, синапсов). Связность можно рассматривать анатомически, функционально или электрофизиологически. Они представлены в нескольких статьях Википедии, которые включают Коннекционизм (a.k.a. Параллельная распределенная обработка (PDP)), Биологическая нейронная сеть, Искусственная нейронная сеть (a.k.a. Нейронная сеть ), Вычислительная нейробиология, а также в нескольких книгах Асколи Г. А. (2002),^[1] Стерратт Д., Грэм Б., Гиллис А. и Уиллшоу Д. (2011),^[2] Герстнер, В., & Кистлер, В. (2002),^[3] и Румелхарт, Дж. Л., Макклелланд, Дж. Л., и Исследовательская группа PDP (1986)^[4] среди прочего. В центре внимания этой статьи - комплексный взгляд на моделирование нейронной сети (технически нейронная сеть, основанная на модели нейрона). После того, как выбран подход, основанный на перспективе и связности, модели разрабатываются на микроскопическом (ионный и нейронный), мезоскопическом (функциональный или популяционный) или макроскопическом (системном) уровнях. Вычислительное моделирование относится к моделям, разработанным с использованием вычислительных инструментов.

Вступление

Нервная система состоит из сетей, состоящих из нейронов и синапсов, связанных с тканями и контролирующих их, а также влияющих на мысли и поведение человека. При моделировании нейронных сетей нервной системы необходимо учитывать множество факторов. Мозг и нейронную сеть следует рассматривать как интегрированную и автономную систему микропрограмм, которая включает оборудование (органы), программное обеспечение (программы), память (краткосрочную и долгосрочную), базу данных (централизованную и распределенную) и сложную сеть. активных элементов (таких как нейроны, синапсы и ткани) и пассивных элементов (таких как части зрительной и слуховой системы), которые несут информацию внутри, внутрь и наружу.

Зачем нужно моделировать мозг и нейронную сеть? Хотя очень сложные компьютерные системы были разработаны и используются во всех сферах жизни, они нигде не близки к человеческой системе по возможностям аппаратного и программного обеспечения. Итак, ученые работали над пониманием операционной системы человека и пытались смоделировать ее функции. Чтобы достичь этого, необходимо смоделировать его компоненты и функции и подтвердить его производительность в реальной жизни. Вычислительные модели хорошо смоделированной нервной системы позволяют изучать нервную систему и применять ее для решения реальных жизненных проблем.

Что такое мозг и что такое нейронная сеть? Раздел 2.1 рассматривает первый вопрос с эволюционной точки зрения. Ответ на второй вопрос основан на нейронной доктрине, предложенной Рамоном-и-Кахалем (1894).^[5] Он предположил, что элементарной биологической единицей является активная клетка, называемая нейроном, а человеческая машина управляется обширной сетью, которая соединяет эти нейроны, называемой нейронной (или нейронной) сетью. Нейронная сеть интегрирована с человеческими органами и образует человеческую машину, составляющую нервную систему.

Было разработано бесчисленное количество моделей различных аспектов нервной системы, и есть несколько упомянутых выше статей в Википедии, которые были созданы на эту тему. Цель этой статьи - представить исчерпывающий обзор всех моделей и предоставить читателю, особенно новичку, нейробиологу со ссылкой на различные источники.

Характеристики сети

Основной структурной единицей нейронной сети является соединение одного нейрона с другим через активное соединение, называемое синапсом. Нейроны с сильно различающимися характеристиками связаны друг с другом через синапсы, характеристики которых также имеют различные химические и электрические свойства. При представлении всестороннего обзора всех возможных моделей мозга и нейронной сети подход заключается в организации материала на основе характеристик сетей и целей, которые необходимо достичь. Последнее может быть либо для лучшего понимания мозга и нервной системы, либо для применения знаний, полученных от полной или частичной нервной системы, в реальных приложениях, таких как искусственный интеллект, Нейроэтика или улучшения в медицинской науке для общества.

Сетевые возможности и модели

На высокоуровневом представлении нейроны можно рассматривать как связанные с другими нейронами, чтобы сформировать нейронную сеть одним из трех способов. Конкретная сеть может быть представлена как физиологически (или анатомически) связанная сеть и смоделирована таким образом. Есть несколько подходов к этому (см. Ascoli, G.A. (2002)^[1] Спорнс, О. (2007),^[6] Коннекционизм, Rumelhart, J. L., McClelland, J. L., и исследовательская группа PDP (1986),^[4] Арбиб М.А. (2007)^[7]). Или он может образовывать функциональную сеть, которая выполняет определенную функцию и моделируется соответствующим образом (Honey, C.J., Kotter, R., Breakspear, R., & Sporns, O. (2007),^[8] Арбиб М.А. (2007)^[7]). Третий способ - выдвинуть гипотезу теории функционирования биологических компонентов нервной системы с помощью математической модели в форме набора математических уравнений. Переменные уравнения - это некоторые или все нейробиологические свойства моделируемого объекта, такие как размеры дендрита или скорость стимуляции потенциала действия вдоль аксона в нейроне. Математические уравнения решаются с использованием вычислительных методов, а результаты подтверждаются с помощью моделирования или экспериментальных процессов. Такой подход к моделированию называется вычислительной нейробиологией. Эта методология используется для моделирования компонентов от ионного уровня до системного уровня мозга. Этот метод применим для моделирования интегрированной системы биологических компонентов, которые переносят информационный сигнал от одного нейрона к другому через промежуточные активные нейроны, которые могут передавать сигнал или создавать новые или дополнительные сигналы. Подход вычислительной нейробиологии широко используется и основан на двух общих моделях, одной из которых является потенциал клеточной мембраны Goldman (1943).^[9] и Ходжкин и Кац (1949),^[10] а другой основан на модели потенциала действия Ходжкина-Хаксли (информационный сигнал).^[11]^[12]^[13]^[14]

Уровни моделирования

Стерратт Д., Грэм Б., Гиллис А. и Уиллшоу Д. (2011)^[2] классифицируйте биологическую модель нейробиологии на девять уровней от ионных каналов до уровня нервной системы в зависимости от размера и функции. Таблица 1 основана на этом для нейронных сетей.

Уровень	Размер	Описание и функции
Нервная система	> 1 м	Общая система управления мышлением, поведением, сенсорными и моторными функциями
Подсистема	10 см	Подсистема, связанная с одной или несколькими функциями
Нейронная сеть	1 см	Нейронные сети для системы, подсистемы и функций
Микросхема	1 мм	Сети многоуровневых нейронов, например, зрительная подсистема
Нейрон	100 мкм	Элементарная биологическая единица нейронной сети
Дендрическая субъединица	10 мкм	Беседка рецепторов в нейроне
Синапс	1 мкм	Соединение или связь между нейронами
Сигнальный путь	1 нм	Связь между соединяющими нейронами
Ионные каналы	13:00	Каналы, которые действуют как шлюз, вызывая изменение напряжения

Спорнс, О. (2007)^[6] представляет в своей статье о связности мозга, моделировании на основе структурных и функциональных типов. Сеть, которая соединяется на нейронном и синаптическом уровнях, попадает в микромасштаб. Если нейроны сгруппированы в совокупность столбцов и мини-столбцов, уровень определяется как мезомасштаб. Макромасштабное представление рассматривает сеть как области мозга, связанные межрегиональными путями.

Арбиб М.А. (2007)^[7] в модульной модели рассматривается иерархическая формулировка системы на модули и подмодули.

Режимы сигнализации

Нейронный сигнал состоит из потока коротких электрических импульсов амплитудой около 100 милливольт и длительностью от 1 до 2 миллисекунд (Gerstner, W., & Kistler, W. (2002).^[3] Глава 1). Отдельные импульсы представляют собой потенциалы действия или пики, а цепочка импульсов называется последовательностью пиков. Потенциал действия не содержит никакой информации. Комбинация времени начала последовательности пиков, скорости или частоты пиков, а также количества и структуры пиков в последовательности пиков определяет кодирование информационного содержания или сигнального сообщения.

Клетка нейрона состоит из трех компонентов - дендритов, сомы и аксона, как показано на рисунке 1. Дендриты, имеющие форму дерева с ветвями, называемого ветвью, получают сообщение от других нейронов, с которыми нейрон связан через синапсы. Потенциал действия, полученный каждым дендритом из синапса, называется постсинаптическим потенциалом. Совокупная сумма постсинаптических потенциалов поступает в сому. Ионные компоненты жидкости внутри и снаружи поддерживают клеточную мембрану в состоянии покоя около 65 милливольт. Когда кумулятивный постсинаптический потенциал превышает потенциал покоя, тело клетки или сома генерирует потенциал действия и распространяется вдоль аксона. Аксон может иметь один или несколько окончаний, и эти терминалы передают нейротрансмиттеры в синапсы, с которыми нейрон связан. В зависимости от стимула, полученного дендритами, сома может генерировать один или несколько хорошо разделенных потенциалов действия или последовательность импульсов. Если стимул приводит мембрану к положительному потенциалу, это возбуждающий нейрон; и если он движет потенциал покоя дальше в отрицательном направлении, это тормозящий нейрон.

Рисунок 1. Анатомия нейрона для сетевой модели.

Генерация потенциала действия называется «стрельбой». Вышеописанный возбуждающий нейрон называется импульсным нейроном. Мы моделируем электрическую цепь нейрона в разделе 3.6. Есть два типа импульсных нейронов. Если стимул остается выше порогового уровня, а на выходе получается последовательность спайков, это называется нейронной моделью «Интеграция и огонь» (IF). Если выходной сигнал моделируется как зависящий от импульсной характеристики схемы, то это называется моделью импульсного отклика (SRM) (Gestner, W. (1995)).^[15]).

Модель пикового нейрона предполагает, что частота (обратная скорости, с которой генерируются пики) пикового набора начинается с 0 и увеличивается с током стимула. Есть еще одна гипотетическая модель, которая формулирует срабатывание, которое происходит на пороге, но есть квантовый скачок частоты в отличие от плавного нарастания частоты, как в модели нейрона с импульсами. Эта модель называется тарифной моделью. Герстнер В. и Кистлер В. (2002),^[3] и Sterratt, D., Graham, B., Gillies, A., & Willshaw, D. (2011)^[2] являются хорошими источниками для подробного рассмотрения моделей нейронов с импульсами и моделей нейронов скорости.

Биологическая и искусственная нейронная сеть

Концепция искусственной нейронной сети (ИНС) была введена McCulloch, W. S. и Pitts, W. (1943).^[16] для моделей, основанных на поведении биологических нейронов. Норберт Винер (1961) ^[17] дал этому новому полю популярное название кибернетика, принципом которой является междисциплинарная взаимосвязь между инженерией, биологией, системами управления, функциями мозга и информатикой. С развитием информатики компьютер фон Неймана был представлен в начале исследования нейробиологии. Но он не подходил для символьной обработки, недетерминированных вычислений, динамического выполнения, параллельной распределенной обработки и управления обширными базами знаний, которые необходимы для приложений биологических нейронных сетей; и направление интеллектуального машинного развития изменилось на обучающуюся машину. С тех пор вычислительные технологии значительно продвинулись вперед, и вычислительная нейробиология теперь может обрабатывать математические модели, разработанные для биологических нейронных сетей. Исследования и разработки как в искусственных, так и в биологических нейронных сетях продвигаются вперед, включая усилия по их объединению.

Модели нервной системы

Эволюционная модель мозга

«Триединая теория мозга» Маклин, П. (2003)^[18] является одной из нескольких моделей, используемых для теоретического обоснования организационной структуры мозга. Самая древняя нервная структура мозга - это ствол мозга или «мозг ящерицы». Вторая фаза - это лимбический мозг или мозг палеомлекопитающих, и он выполняет четыре функции, необходимые для выживания животных: борьба, кормление, бегство и прелюбодеяние. Третья фаза - это неокортекс или мозг новых млекопитающих. Высшие когнитивные функции, которые отличают людей от других животных, находятся в основном в коре головного мозга. Мозг рептилии контролирует мышцы, баланс и вегетативные функции, такие как дыхание и сердцебиение. Эта часть мозга активна даже в глубоком сне. Лимбическая система включает гипоталамус, гиппокамп и миндалевидное тело. Неокортекс включает кору и головной мозг. Он соответствует мозгу приматов и, в частности, человека. Каждый из трех мозгов нервно связан с двумя другими, но каждый, кажется, действует как собственная мозговая система с разными возможностями. (См. Иллюстрацию в Триединый мозг.)

PDP / модель коннекциониста

Модель коннекционистов развилась из структуры параллельной распределенной обработки, которая формулирует метатеорию, на основе которой могут быть созданы конкретные модели для конкретных приложений. Подход PDP (Rumelhart, J. L., McClelland, J. L., and PDP Research Group (1986)^[4]) - это распределенная параллельная обработка множества взаимосвязанных операций, чем-то напоминающая то, что происходит в нервной системе человека. Отдельные объекты определяются как единицы, и единицы соединяются в сеть. Таким образом, в приложении к нервной системе одним представлением может быть такое, что единицы являются нейронами, а связи - синапсами.

Модель связности мозга

Существует три типа сетевых моделей взаимодействия мозга (Sporns, O. (2007)).^[6]). «Анатомическая (или структурная) связность» описывает сеть с анатомическими связями, имеющими определенные отношения между связанными «единицами». Если зависимые свойства являются стохастическими, это определяется как «функциональная связность». «Эффективная связь» имеет причинные взаимодействия между отдельными единицами в системе. Как уже говорилось ранее, связь мозга можно описать на трех уровнях. На микроуровне он соединяет нейроны через электрические или химические синапсы. Столбец нейронов можно рассматривать как единицу на мезоуровне, а области мозга, содержащие большое количество нейронов, и популяции нейронов как единицы на макроуровне. Связи в последнем случае являются межрегиональными путями, образующими крупномасштабную связность.

Рисунок 2 Типы связи мозга

На рисунке 2 показаны три типа подключения. Анализ проводится с использованием ориентированных графов (см. Sporns, O. (2007)^[6] и Хильгетаг, К. С. (2002)^[19]). В типе структурной связности мозга связность - это разреженный и ориентированный граф. Функциональная связь мозга имеет двунаправленные графики. Эффективное взаимодействие мозга является двунаправленным с интерактивными причинно-следственными связями. Другое представление связности - матричное представление (см. Sporns, O. (2007)^[6]). Хильгетаг, К. С. (2002)^[19] описывает вычислительный анализ связи мозга.

Модульные модели функции мозга

Арбиб М.А. (2007)^[7] описывает модульные модели следующим образом. «Модульные модели мозга помогают понять сложную систему, разлагая ее на структурные модули (например, области мозга, слои, столбцы) или функциональные модули (схемы) и исследуя паттерны конкуренции и сотрудничества, которые приводят к общей функции». Это определение отличается от определения функциональной связности. Модульный подход предназначен для построения когнитивных моделей и по своей сложности находится между анатомически определенными областями мозга (определяемыми как макроуровень в связности мозга) и вычислительной моделью на уровне нейронов.

Есть три вида модулей для моделирования. Это (1) модули для структур мозга, (2) модули как схемы и (3) модули как интерфейсы. На рисунке 3 представлена модульная конструкция модели рефлекторного контроля саккад (Арбиб, М.А. (2007).^[7]). Он включает в себя два основных модуля: один для верхнего бугорка (SC), а другой - для ствола мозга. Каждый из них разбивается на подмодули, причем каждый подмодуль определяет массив физиологически определенных нейронов. На рисунке 3 (b) модель на рисунке 3 (a) встроена в гораздо более крупную модель, которая охватывает различные области коры головного мозга (представленные модулями Pre-LIP Vis, Ctx., LIP, PFC и FEF), таламус , и базальные ганглии. Хотя модель действительно может быть проанализирована на этом высшем уровне модульного разложения, нам необходимо дополнительно разложить базальные ганглии, BG, как показано на рисунке 3 (c), если мы хотим разделить роль дофамина в дифференциальной модуляции (2 стрелки показаны возникающие из SNc) прямые и непрямые пути в базальных ганглиях (Crowley, M. (1997)^[20]Язык нейронного моделирования (NSL) был разработан для обеспечения системы моделирования для крупномасштабных нейронных сетей общего назначения. Он предоставляет среду для разработки объектно-ориентированного подхода к моделированию мозга. NSL поддерживает нейронные модели, имеющие в качестве базовой структуры данных нейронные слои с похожими свойствами и похожими шаблонами соединений. Модели, разработанные с использованием NSL, документируются в базе данных Brain Operation Database (BODB) как иерархически организованные модули, которые можно разложить на более низкие уровни.

Искусственные нейронные сети

Как упоминалось в разделе 2.4, разработка искусственной нейронной сети (ИНС), или нейронной сети, как ее теперь называют, началась как моделирование биологической нейронной сети и закончилась использованием искусственных нейронов. Основная работа по развитию была направлена на промышленные приложения с учебным процессом. Сложные проблемы решались путем упрощения предположений. Были разработаны алгоритмы для достижения неврологических показателей, таких как обучение на собственном опыте. Поскольку предыстория и обзор рассмотрены в других внутренних справочниках, обсуждение здесь ограничено типами моделей. Модели находятся на системном или сетевом уровне.

Четыре основных характеристики ИНС - это топология, поток данных, типы входных значений и формы активации (Meireles, M. R. G. (2003),^[21] Мунаката, Т. (1998)^[22]). Топология может быть многослойной, однослойной или повторяющейся. Поток данных может быть повторяющимся с обратной связью или неповторяющимся с моделью прямой связи. Входы бывают двоичными, биполярными или непрерывными. Активация бывает линейной, ступенчатой или сигмовидной. Многослойный персептрон (MLP) - самый популярный из всех типов, который обычно обучается с помощью алгоритма обратного распространения ошибок. Выход каждого нейрона подключен к каждому нейрону в последующих слоях, связанных каскадом, и без каких-либо связей между нейронами в одном слое. На рисунке 4 показана базовая топология MLP (Meireles, M. R. G. (2003)^[21]) и базовой телекоммуникационной сети (Subramanian, M. (2010)^[23]), с которыми большинство знакомо. Мы можем приравнять маршрутизаторы в узлах телекоммуникационной сети к нейронам в технологии MLP и соединениям с синапсами.

Рисунок 4 (а) Базовая телекоммуникационная сеть

Рисунок 4 (b) Базовая модель технологии MLP Рисунок 4. Топологии телекоммуникационной сети и нейронной сети

Вычислительные модели нейронов

Вычислительная нейробиология - это междисциплинарная область, которая объединяет инженерию, биологию, системы управления, функции мозга, физические науки и информатику. У него есть фундаментальные модели развития, созданные на более низких уровнях ионов, нейронов и синапсов, а также распространение информации между нейронами. Эти модели заложили основу для разработки моделей более высокого уровня. Они основаны на химической и электрической активности нейронов, для которых генерируются электрические эквивалентные схемы. Простая модель нейрона с преимущественно ионами калия внутри клетки и ионами натрия снаружи устанавливает электрический потенциал на мембране в условиях равновесия, то есть отсутствия внешней активности. Это называется мембранным потенциалом покоя, который можно определить с помощью уравнения Нернста (Nernst, W. (1888).^[24]). Эквивалентная электрическая схема участка мембраны, например аксона или дендрита, показана на рисунке 5. E_K и E_Na - потенциалы, связанные с калиевым и натриевым каналами соответственно, а R_K и R_Na - сопротивления, связанные с ними. C - емкость мембраны, а I - ток источника, который может быть тестовым источником или источником сигнала (потенциал действия). Потенциал покоя для калиево-натриевых каналов в нейроне составляет около -65 милливольт.

Рисунок 5 Модель мембраны

Модель мембраны предназначена для небольшого участка клеточной мембраны; для более крупных разделов его можно расширить, добавив похожие разделы, называемые отсеками, с одинаковыми или разными значениями параметров. Отсеки каскадированы сопротивлением, называемым осевым сопротивлением. На рис. 6 показана компартментальная модель нейрона, созданная на основе мембранной модели. Дендриты - это постсинаптические рецепторы, получающие сигналы от других нейронов; и аксон с одним или несколькими окончаниями аксона передает нейротрансмиттеры другим нейронам.

Рисунок 6 Модель нейрона

Второй строительный блок - это модель потенциала действия Ходжкина-Хаксли (HH). Когда мембранный потенциал от дендритов превышает мембранный потенциал покоя, нейронная клетка генерирует импульс, который распространяется вдоль аксона. Этот импульс называется потенциалом действия, а модель HH представляет собой набор уравнений, которые составлены так, чтобы соответствовать экспериментальным данным с помощью конструкции модели и выбора значений параметров.

Модели для более сложных нейронов, содержащих другие типы ионов, могут быть получены путем добавления в эквивалентную схему дополнительных пар батареи и сопротивления для каждого ионного канала. Ионный канал может быть пассивным или активным, поскольку они могут управляться напряжением или быть лигандами. Расширенная модель HH была разработана для обработки ситуации с активным каналом.

Хотя есть нейроны, которые физиологически связаны друг с другом, информация передается в большинстве синапсов посредством химических процессов через щель. Синапсы также моделируются с помощью вычислений. Следующим уровнем сложности является поток генерируемых потенциалов действия, шаблон которых содержит кодовую информацию передаваемого сигнала. В основном генерируются два типа потенциалов действия, или, как их называют, всплески. Один из них - «интегрировать и активировать» (тот, который мы до сих пор рассматривали), а другой - на основе скорости. Последний представляет собой поток, скорость которого варьируется. Сигнал, проходящий через синапсы, может быть смоделирован либо как детерминированный, либо как стохастический процесс в зависимости от приложения (см. Раздел 3.7). Другое анатомическое осложнение - это когда необходимо работать с популяцией нейронов, например с колонкой нейронов в системе зрения. Это делается путем рассмотрения коллективного поведения группы (Kotter, R., Nielson, P., Dyhrfjeld-Johnson, J., Sommer, F. T., & Northoff, G. (2002)^[25]).

Пиковые модели нейронов

Потенциал действия или спайк сами по себе не несут никакой информации. Это поток шипов, называемый цепочкой шипов, который несет информацию о своем количестве, структуре шипов и времени всплесков. Постсинаптический потенциал может быть либо положительным, возбуждающий синапс, либо отрицательным, тормозящим синапсом. При моделировании постсинаптические потенциалы, полученные дендритами в постсинаптическом нейроне, интегрируются, и когда интегрированный потенциал превышает потенциал покоя, нейрон запускает потенциал действия вдоль своего аксона. Эта модель представляет собой модель Integrate-and-Fire (IF), которая упоминалась в разделе 2.3. С моделью IF тесно связана модель под названием Spike Response Model (SRM) (Герстнер В. (1995).^[15] Страницы 738-758), который зависит от отклика импульсной функции, свернутого с входным стимулирующим сигналом. Это формирует основу для большого количества моделей, разработанных для пиков нейронных сетей.

Модель последовательности спайков IF и SR возникает в нейронах типа I, в которых частота спайков или частота возникновения плавно увеличивается с увеличением тока стимула, начиная с нуля. Другой феномен генерации последовательности спайков происходит в нейронах типа II, где возбуждение происходит на пороге потенциала покоя, но с квантовым скачком до ненулевой частоты. Модели были разработаны с использованием скорости (частоты) последовательности шипов и называются моделями, основанными на скорости.

Что важно для понимания функций нервной системы, так это то, как сообщение кодируется и передается с помощью потенциала действия в нейроне. Есть две теории о том, как распространяемый сигнал кодируется в пиках, в зависимости от того, является ли он кодом импульса или кодом скорости. В первом случае кодирование определяется временной задержкой первого всплеска от момента стимула, который видит постсинаптический приемник. В коде скорости на кодирование влияет средняя скорость пика. Неизвестно, какое именно физиологическое явление является действительным в каждом конкретном случае. Однако оба случая можно смоделировать с помощью вычислений, а параметры можно варьировать в соответствии с экспериментальным результатом. Импульсный режим сложнее моделировать, и многочисленные подробные модели нейронов и популяционные модели описаны Герстнером и Кистлером в частях I и II Gerstner, W., & Kistler, W. (2002).^[3] и Глава 8 Sterratt, D., Graham, B., Gillies, A., & Willshaw, D. (2011).^[2] Другой важной характеристикой, связанной с моделью SR, является пластичность всплеска, зависящая от времени. Он основан на постулате Хебба о пластичности синапсов, который гласит, что «нейроны, которые активируются вместе, соединяются вместе». Это приводит к тому, что синапс становится долговременным потенциалом (ДП) или долговременной депрессией (ДП). Первый - это усиление синапса между двумя нейронами, если постсинаптический спайк временно следует сразу после пресинаптического спайка. В последнем случае, если он обратный, то есть пресинаптический спайк возникает после постсинаптического спайка. Герстнер, В. и Кистлер, В. (2002)^[3] в главе 10 и Стерратт Д., Грэм Б., Гиллис А. и Уиллшоу Д. (2011)^[2] в главе 7 обсуждаются различные модели, связанные с моделями Хебба по пластичности и кодированию.

Проблема, связанная с разработкой моделей для малых, средних и больших сетей, заключается в уменьшении сложности путем принятия обоснованных упрощающих допущений и соответствующего расширения нейронной модели Ходжкина-Хаксли для разработки этих моделей (см. Главу 9 Sterratt, D., Graham Б., Гиллис А. и Уиллшоу Д. (2011),^[2] Kotter, R., Nielson, P., Dyhrfjeld-Johnson, J., Sommer, F. T., & Northoff, G. (2002),^[25] и Глава 9 Герстнера В. и Кистлера В. (2002).^[3]). Сетевые модели можно классифицировать как сеть нейронов, распространяющихся через разные уровни коры головного мозга, или как популяции нейронов, связанных между собой как многоуровневые нейроны. Пространственное расположение нейрона может быть 1-, 2- или 3-мерным; последние называются сети малого мира поскольку они связаны с местным регионом. Нейрон может быть либо возбуждающим, либо тормозящим, но не тем и другим одновременно. Дизайн моделирования зависит от того, является ли это искусственным нейроном или биологическим нейроном нейрональной модели. Выбор типа I или типа II должен быть сделан для режима стрельбы. Сигналы в нейронах могут быть нейронами, зависящими от скорости, импульсными нейронами или стимулированными глубокими мозгами. Сеть может быть спроектирована как прямая или рекуррентная. Сеть необходимо масштабировать с учетом возможностей вычислительных ресурсов. С крупномасштабными таламокортикальными системами обращаются так же, как в проекте Blue Brain (Markam, H. (2006).^[26]).

Модели развития нервной системы

Не существует обобщенных концепций моделирования для моделирования развития анатомической физиологии и морфологии, аналогичных модели поведения нейронной сети, которая основана на модели HH. Шенкл, В. Р., Хара, Дж., Фэллон, Дж. Х. и Лендинг, Б. Х. (2002)^[27] описывают применение нейроанатомических данных развивающейся коры головного мозга человека к вычислительным моделям. Стерратт Д., Грэм Б., Гиллис А. и Уиллшоу Д. (2011)^[2] обсудить аспекты нервной системы компьютерного моделирования в развитии морфологии нервных клеток, физиологии клеток, паттерна клеток, паттернов глазного доминирования и связи между нервными клетками и мышцами, а также ретинотопных карт. Каррейра-Перпинан, М. А. и Гудхилл, Г. Дж. (2002)^[28] занимаются оптимизацией компьютеризированных моделей зрительной коры.

Инструменты моделирования

С огромным количеством созданных моделей были разработаны инструменты для распространения информации, а также платформы для разработки моделей. Доступно несколько обобщенных инструментов, таких как GENESIS, NEURON, XPP и NEOSIM, которые обсуждаются Hucka, M. (2002).^[29]

Сетевые модели нервной системы - Nervous system network models

Содержание