Detection and analysis of polychronous groups emerging in spiking neural network models.
Detekce a analýza polychronních skupin neuronů v spikujících sítích.
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/95347Identifikátory
SIS: 173556
Kolekce
- Kvalifikační práce [10690]
Autor
Vedoucí práce
Konzultant práce
Tomková, Markéta
Oponent práce
Moudřík, Josef
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Teoretická informatika
Katedra / ústav / klinika
Katedra softwaru a výuky informatiky
Datum obhajoby
29. 1. 2018
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Dobře
Klíčová slova (česky)
neuronové sítě, polychronní skupiny, spikující neurony, sluchová kůraKlíčová slova (anglicky)
neural networks, polychronous groups, spiking neurons, auditory cortexJak biologické struktury neuronových sítí reprezentují informace zůstává otevřenou otázkou. Stále více důkazů však naznačuje, že jsou neuronové sítě schopné vykazovat přesné a opakovatelné vzorce chování. Jednou z teorií, která na toto pozorování navazuje, je teorie polychronních skupin. To jsou skupiny neuronů, jež pálí pohromadě v přesně daných odstupech, které reflektují strukturu sítě. V práci popisujeme některé současné metody vyhledávání polychronních skupin. Ty jsou však jen stěží využitelné při práci s velkými nebo spontánně aktivními sítěmi. Proto předkládáme vlastní řešení, pomocí kterého jsme schopni provést analýzu výskytu polychronních skupin ve spontánní aktivitě. Naše data naznačují, že spontánní aktivita vede k tvorbě polychronních skupin v síti, což by potvrzovalo její důležitou roli v tvorbě struktur neuronových sítí.
How is information represented in real neural networks? Experimental results continue to provide evidence for presence of spiking patterns in network activity. The concept of polychronous groups attempts to explain these results by proposing that neurons group together to fire in non- synchronous but precise time-locked chains. Several methods for the detection of such groups have been proposed, however, they all employ extensive searching in network structure, which limits their usefulness. We present a new method by observing spiking dependencies in network activity to directly detect polychronous groups. Our method shows comparatively more efficient computation by trading off detection selectivity. The method allows for analysis of polychronous groups emerging in noisy networks. Our results support the existence of structure-forming properties of spontaneous activity in neural network.