✖


Jump to content

Вычислительная нейробиология

(Перенаправлено из «Теоретической нейробиологии »)

Вычислительная нейробиология (также известная как теоретическая нейробиология или математическая нейробиология ) — это раздел нейробиологии , который использует математику , информатику , теоретический анализ и абстракции мозга для понимания принципов, которые управляют развитием , структурой , физиологией и когнитивными способностями нервной системы. . [1] [2] [3] [4]

Вычислительная нейробиология использует компьютерное моделирование. [5] для проверки и решения математических моделей, поэтому их можно рассматривать как подобласть теоретической нейронауки; однако эти два поля часто являются синонимами. [6] Иногда также используется термин «математическая нейронаука», чтобы подчеркнуть количественный характер этой области. [7]

Вычислительная нейробиология фокусируется на описании биологически правдоподобных нейронов (и нейронных систем ), их физиологии и динамики, и поэтому она не имеет прямого отношения к биологически нереалистичным моделям, используемым в коннекционизме , теории управления , кибернетике , количественной психологии , машинном обучении , искусственных нейронных сетях. , искусственный интеллект и теория компьютерного обучения ; [8] [9] [10] хотя взаимное вдохновение существует и иногда между областями нет строгой границы, [11] [12] [13] с абстракцией модели в вычислительной нейробиологии в зависимости от объема исследования и степени детализации анализа биологических объектов.

Модели в теоретической нейронауке направлены на отражение основных особенностей биологической системы во многих пространственно-временных масштабах, от мембранных токов и химического взаимодействия через сетевые колебания , столбчатую и топографическую архитектуру, ядра, вплоть до психологических способностей, таких как память, обучение и поведение. Эти вычислительные модели создают гипотезы, которые можно напрямую проверить с помощью биологических или психологических экспериментов.

История

[ редактировать ]

Термин «вычислительная нейронаука» был введен Эриком Л. Шварцем , который организовал конференцию, состоявшуюся в 1985 году в Кармеле, Калифорния , по запросу Фонда развития систем, чтобы предоставить краткое изложение текущего состояния области, которая до этого момента называлась под разными названиями, такими как нейронное моделирование, теория мозга и нейронные сети. Материалы этого совещания по определению определений были опубликованы в 1990 году как книга «Вычислительная нейробиология» . [14] Первая из ежегодных открытых международных встреч, посвященных вычислительной нейронауке, была организована Джеймсом М. Бауэром и Джоном Миллером в Сан-Франциско, Калифорния, в 1989 году. [15] Первая последипломная образовательная программа в области вычислительной нейробиологии была организована как доктор философии по вычислительным и нейронным системам. Программа Калифорнийского технологического института в 1985 году.

Ранние исторические корни этой области [16] можно проследить до работы таких людей, как Луи Лапик , Ходжкина и Хаксли , Хьюбела и Визеля и Дэвида Марра . Лапик представил «интеграция и возбуждение» в основополагающей статье, опубликованной в 1907 году: модель нейрона [17] модель, до сих пор популярная для исследований искусственных нейронных сетей из-за своей простоты (см. недавний обзор [18] ).

Примерно 40 лет спустя Ходжкин и Хаксли разработали зажим напряжения и создали первую биофизическую модель потенциала действия . Хьюбел и Визель обнаружили, что нейроны первичной зрительной коры , первой области коры, обрабатывающей информацию, поступающую от сетчатки , имеют ориентированные рецептивные поля и организованы в столбцы. [19] Работа Дэвида Марра была сосредоточена на взаимодействии между нейронами, предлагая вычислительные подходы к изучению того, как функциональные группы нейронов в гиппокампе и неокортексе взаимодействуют, хранят, обрабатывают и передают информацию. Вычислительное моделирование биофизически реалистичных нейронов и дендритов началось с работы Уилфрида Ралла с первой многокамерной моделью, использующей теорию кабелей .

Основные темы

[ редактировать ]

Исследования в области вычислительной нейробиологии можно условно разделить на несколько направлений. Большинство вычислительных нейробиологов тесно сотрудничают с экспериментаторами при анализе новых данных и синтезе новых моделей биологических явлений.

Однонейронное моделирование

[ редактировать ]
Основная статья: Модели биологических нейронов

Даже одиночный нейрон имеет сложные биофизические характеристики и может выполнять вычисления (например, [20] ). Ходжкина и Хаксли В исходной модели использовались только два чувствительных к напряжению тока (чувствительные к потенциалу ионные каналы представляют собой молекулы гликопротеина, которые проходят через липидный бислой, позволяя ионам при определенных условиях проходить через аксолемму), быстродействующий натриевый и выпрямляющий внутрь калиевый ток. . Несмотря на успех в предсказании времени и качественных характеристик потенциала действия, он, тем не менее, не смог предсказать ряд важных особенностей, таких как адаптация и шунтирование . Сейчас ученые полагают, что существует большое разнообразие токов, чувствительных к напряжению, и последствия различной динамики, модуляции и чувствительности этих токов являются важной темой вычислительной нейробиологии. [21]

Вычислительные функции сложных дендритов также находятся под интенсивным исследованием. Существует большое количество литературы о том, как различные токи взаимодействуют с геометрическими свойствами нейронов. [22]

Существует множество программных пакетов, таких как GENESIS и NEURON , которые позволяют быстро и систематически in silico моделировать реалистичные нейроны . Blue Brain , проект, основанный Генри Маркрамом из Федеральной политехнической школы Лозанны , направлен на создание биофизически детальной симуляции кортикального столба на Blue Gene суперкомпьютере .

Моделирование богатства биофизических свойств в масштабе одного нейрона может обеспечить механизмы, которые служат строительными блоками для сетевой динамики. [23] Однако подробные описания нейронов требуют больших вычислительных затрат, и эти вычислительные затраты могут ограничить проведение реалистичных сетевых исследований, в которых необходимо моделировать множество нейронов. В результате исследователи, изучающие большие нейронные цепи, обычно представляют каждый нейрон и синапс с помощью искусственно простой модели, игнорируя большую часть биологических деталей. Следовательно, существует стремление создавать упрощенные модели нейронов, которые могут сохранить значительную биологическую точность при низких вычислительных затратах. Алгоритмы были разработаны для создания точных, быстродействующих и упрощенных суррогатных моделей нейронов на основе дорогостоящих в вычислительном отношении подробных моделей нейронов. [24]

Моделирование взаимодействия нейронов и глии

[ редактировать ]

Глиальные клетки существенно участвуют в регуляции активности нейронов как на клеточном, так и на сетевом уровне. Моделирование этого взаимодействия позволяет уточнить калиевый цикл , [25] [26] так важно для поддержания гомеостата и предотвращения эпилептических припадков. Моделирование показывает роль глиальных выступов, которые в некоторых случаях могут проникать в синаптическую щель, вмешиваясь в синпатическую передачу и, таким образом, контролируя синаптическую коммуникацию. [27]

Развитие, формирование аксонального паттерна и руководство

[ редактировать ]

Вычислительная нейробиология направлена ​​на решение широкого спектра вопросов, в том числе: как формируются аксоны и дендриты во время развития? Откуда аксоны знают, куда нацеливаться и как достичь этих целей? Как нейроны мигрируют в нужное положение в центральной и периферической системах? Как образуются синапсы? мы знаем Из молекулярной биологии , что разные части нервной системы выделяют разные химические сигналы, от факторов роста до гормонов , которые модулируют и влияют на рост и развитие функциональных связей между нейронами.

Теоретические исследования формирования и формирования синаптических связей и морфологии все еще находятся в зачаточном состоянии. Одной из гипотез, которая в последнее время привлекла некоторое внимание, является гипотеза минимальной связи , которая постулирует, что образование аксонов и дендритов эффективно минимизирует распределение ресурсов, сохраняя при этом максимальное хранение информации. [28]

Сенсорная обработка

[ редактировать ]

Ранние модели сенсорной обработки, понимаемые в рамках теоретической основы, принадлежат Горацию Барлоу . В некоторой степени аналогично гипотезе минимальной связи, описанной в предыдущем разделе, Барлоу понимал, что обработка ранних сенсорных систем является формой эффективного кодирования , при котором нейроны кодируют информацию, которая минимизирует количество импульсов. С тех пор экспериментальные и вычислительные работы подтвердили эту гипотезу в той или иной форме. На примере визуальной обработки эффективное кодирование проявляется вформы эффективного пространственного кодирования, цветового кодирования, временного кодирования/кодирования движения, стереокодирования и их комбинаций. [29]

Далее по зрительному пути даже эффективно закодированной зрительной информации оказывается слишком много для емкости информационного «узкого места», узкого места зрительного внимания. [30] Последующая теория, гипотеза значимости V1 (V1SH) , была разработана на основе экзогенного внимания, выделяющего часть зрительной информации для дальнейшей обработки, руководствуясь восходящей картой значимости в первичной зрительной коре. [31]

Текущие исследования в области сенсорной обработки делятся на биофизическое моделирование различных подсистем и более теоретическое моделирование восприятия. Современные модели восприятия предполагают, что мозг выполняет некоторую форму байесовского вывода и интегрирует различную сенсорную информацию при формировании нашего восприятия физического мира. [32] [33]

Управление двигателем

[ редактировать ]

Было разработано множество моделей того, как мозг контролирует движение. Сюда входят модели обработки данных в мозге, такие как роль мозжечка в исправлении ошибок, обучение навыкам в моторной коре и базальных ганглиях или контроль вестибулоокулярного рефлекса. Это также включает в себя множество нормативных моделей, таких как модели Байеса или оптимального управления, которые основаны на идее о том, что мозг эффективно решает свои проблемы.

Память и синаптическая пластичность

[ редактировать ]
Основная статья: Синаптическая пластичность

Более ранние модели памяти в первую очередь основывались на постулатах Хеббианского обучения . Биологически значимые модели, такие как сеть Хопфилда, были разработаны для рассмотрения свойств ассоциативного (также известного как «контентно-адресуемый») стиля памяти, который встречается в биологических системах. Эти попытки направлены в первую очередь на формирование средне- и долговременной памяти , локализующейся в гиппокампе .

Одна из основных проблем нейрофизиологической памяти заключается в том, как она поддерживается и изменяется в различных временных масштабах. Нестабильные синапсы легко поддаются обучению, но они также склонны к стохастическим нарушениям. Стабильные синапсы забывают труднее, но их труднее консолидировать. Вполне вероятно, что в ближайшие десятилетия вычислительные инструменты внесут большой вклад в наше понимание того, как синапсы функционируют и изменяются в зависимости от внешних раздражителей.

Поведение сетей

[ редактировать ]

Биологические нейроны связаны друг с другом сложным, повторяющимся образом. Эти связи, в отличие от большинства искусственных нейронных сетей , разрежены и обычно специфичны. Неизвестно, как информация передается через такие редко связанные сети, хотя конкретные области мозга, такие как зрительная кора , изучены достаточно подробно. [34] Также неизвестно, каковы вычислительные функции этих конкретных шаблонов связности, если таковые имеются.

Взаимодействия нейронов в небольшой сети часто можно свести к простым моделям, таким как модель Изинга . Статистическая механика таких простых систем хорошо изучена теоретически. Некоторые недавние данные свидетельствуют о том, что динамику произвольных нейронных сетей можно свести к парным взаимодействиям. [35] Однако неизвестно, несет ли такая описательная динамика какую-либо важную вычислительную функцию. С появлением двухфотонной микроскопии и визуализации кальция у нас теперь есть мощные экспериментальные методы для проверки новых теорий, касающихся нейронных сетей.

В некоторых случаях сложные взаимодействия между тормозными и возбуждающими нейронами можно упростить с помощью теории среднего поля , которая приводит к популяционной модели нейронных сетей. [36] В то время как многие нейротеоретики предпочитают такие модели с пониженной сложностью, другие утверждают, что раскрытие структурно-функциональных отношений зависит от включения как можно большего количества нейронных и сетевых структур. Модели этого типа обычно создаются на больших платформах моделирования, таких как GENESIS или NEURON. Было предпринято несколько попыток предоставить унифицированные методы, которые соединят и интегрируют эти уровни сложности. [37]

Визуальное внимание, идентификация и категоризация

[ редактировать ]

Зрительное внимание можно описать как набор механизмов, которые ограничивают некоторую обработку подмножеством входящих стимулов. [38] Механизмы внимания формируют то, что мы видим и на что можем воздействовать. Они позволяют одновременно выбирать одну (предпочтительно релевантную) информацию и блокировать другую информацию. Чтобы получить более конкретную спецификацию механизма, лежащего в основе зрительного внимания и связывания функций, был предложен ряд вычислительных моделей, призванных объяснить психофизические данные. В целом, все модели постулируют существование карты значимости или приоритета для регистрации потенциально интересных областей входных данных сетчатки, а также шлюзового механизма для уменьшения количества поступающей визуальной информации, чтобы ограниченные вычислительные ресурсы мозга могли справиться с ней. . [39] Примером теории, которая тщательно проверяется на поведенческом и физиологическом уровне, является гипотеза значимости V1 , согласно которой восходящая карта значимости создается в первичной зрительной коре для экзогенного управления вниманием. [31] Вычислительная нейробиология обеспечивает математическую основу для изучения механизмов, участвующих в функционировании мозга, и позволяет полностью моделировать и прогнозировать нейропсихологические синдромы.

Познание, дискриминация и обучение

[ редактировать ]

Компьютерное моделирование высших когнитивных функций появилось лишь недавно. [ когда? ] началось. Экспериментальные данные получены в основном из единичных записей у приматов . Лобная функционируют и теменная доли как интеграторы информации от множества сенсорных модальностей. Существуют некоторые предварительные идеи относительно того, как простые взаимоблокирующие функциональные схемы в этих областях могут выполнять биологически значимые вычисления. [40]

Мозг , по-видимому, способен особенно хорошо различать и адаптироваться в определенных контекстах. Например, люди, похоже, обладают огромной способностью запоминать и распознавать лица . Одна из ключевых целей вычислительной нейробиологии — проанализировать, как биологические системы эффективно выполняют эти сложные вычисления, и потенциально воспроизвести эти процессы при создании интеллектуальных машин.

Принципы крупномасштабной организации мозга освещены во многих областях, включая биологию, психологию и клиническую практику. Интегративная нейробиология пытается объединить эти наблюдения с помощью унифицированных описательных моделей и баз данных поведенческих показателей и записей. Это основа для некоторого количественного моделирования крупномасштабной мозговой деятельности. [41]

Вычислительное репрезентативное понимание разума ( CRUM ) — это еще одна попытка моделирования человеческого познания посредством моделирования процессов, таких как приобретенные системы, основанные на правилах, при принятии решений и манипулирование визуальными представлениями при принятии решений.

Сознание

[ редактировать ]

Одна из конечных целей психологии/нейронауки — объяснить повседневный опыт сознательной жизни. Фрэнсис Крик , Джулио Тонони и Кристоф Кох предприняли несколько попыток сформулировать последовательные основы для будущих работ в области нейронных коррелятов сознания (NCC), хотя большая часть работ в этой области остается спекулятивной. [42]

Вычислительная клиническая нейробиология

[ редактировать ]

Вычислительная клиническая нейробиология — это область, которая объединяет экспертов в области нейробиологии, неврологии , психиатрии , науки о принятии решений и компьютерного моделирования для количественного определения и исследования проблем неврологических и психиатрических заболеваний , а также для обучения ученых и врачей, которые хотят применять эти модели для диагностики и лечения. . [43] [44]

Прогнозирующая вычислительная нейробиология

[ редактировать ]

Предиктивная вычислительная нейробиология — это новая область, которая сочетает в себе обработку сигналов, нейробиологию, клинические данные и машинное обучение для прогнозирования работы мозга во время комы. [45] или анестезия. [46] Например, с помощью сигнала ЭЭГ можно предвидеть глубокие состояния мозга. Эти состояния можно использовать для предвкушения гипнотической концентрации для введения пациенту.

Вычислительная психиатрия

[ редактировать ]

Вычислительная психиатрия — это новая развивающаяся область, которая объединяет специалистов в области машинного обучения , нейробиологии , неврологии , психиатрии и психологии для понимания психических расстройств. [47] [48] [49]

Технология

[ редактировать ]

Нейроморфные вычисления

[ редактировать ]
Основная статья: Нейроморфная инженерия

Нейроморфный компьютер/чип — это любое устройство, которое использует физические искусственные нейроны (сделанные из кремния) для выполнения вычислений (см.: нейроморфные вычисления , физическая нейронная сеть ). Одним из преимуществ использования компьютера с физической моделью, такого как этот, является то, что он берет на себя вычислительную нагрузку процессора (в том смысле, что структурные и некоторые функциональные элементы не нужно программировать, поскольку они находятся в аппаратном обеспечении). В последнее время, [50] нейроморфная технология использовалась для создания суперкомпьютеров, которые используются в международных коллаборациях в области нейробиологии. Примеры включают проекта Human Brain Project суперкомпьютер SpiNNaker и компьютер BrainScaleS. [51]

См. также

[ редактировать ]

Примечания и ссылки

[ редактировать ]
  1. ^ Траппенберг, Томас П. (2010). Основы вычислительной нейронауки . США: Oxford University Press Inc., стр. 2 . ISBN  978-0-19-851582-1 .
  2. ^ Патрисия С. Черчленд; Кристоф Кох; Терренс Дж. Сейновски (1993). «Что такое вычислительная нейробиология?». В Эрике Л. Шварце (ред.). Вычислительная нейронаука . МТИ Пресс. стр. 46–55. Архивировано из оригинала 4 июня 2011 г. Проверено 11 июня 2009 г.
  3. ^ Даян П. ; Эбботт, LF (2001). Теоретическая нейронаука: вычислительное и математическое моделирование нейронных систем . Кембридж, Массачусетс: MIT Press. ISBN  978-0-262-04199-7 .
  4. ^ Герстнер, В.; Кистлер, В.; Науд, Р.; Панинский, Л. (2014). Нейрональная динамика . Кембридж, Великобритания: Издательство Кембриджского университета. ISBN  9781107447615 .
  5. ^ Фань, Сюэ; Маркрам, Генри (2019). «Краткая история симуляционной нейронауки» . Границы нейроинформатики . 13:32 . дои : 10.3389/fninf.2019.00032 . ISSN   1662-5196 . ПМК   6513977 . ПМИД   31133838 .
  6. ^ Томас, Траппенберг (2010). Основы вычислительной нейронауки . ОУП Оксфорд. п. 2. ISBN  978-0199568413 . Проверено 17 января 2017 г.
  7. ^ Гуткин, Борис; Пинто, Дэвид; Эрментраут, Бард (1 марта 2003 г.). «Математическая нейронаука: от нейронов к схемам и системам». Журнал физиологии-Париж . Нейрогеометрия и зрительное восприятие. 97 (2): 209–219. doi : 10.1016/j.jphysparis.2003.09.005 . ISSN   0928-4257 . ПМИД   14766142 . S2CID   10040483 .
  8. ^ Кригескорте, Николаус; Дуглас, Памела К. (сентябрь 2018 г.). «Когнитивная вычислительная нейробиология» . Природная неврология . 21 (9): 1148–1160. arXiv : 1807.11819 . Бибкод : 2018arXiv180711819K . дои : 10.1038/s41593-018-0210-5 . ISSN   1546-1726 . ПМК   6706072 . ПМИД   30127428 .
  9. ^ Паоло, Эд, «Организмоподобная робототехника: гомеостатическая адаптация и телеология за пределами замкнутого сенсомоторного цикла», Динамический системный подход к воплощению и социальности , S2CID   15349751
  10. ^ Брукс, Р.; Хассабис, Д.; Брей, Д.; Шашуа, А. (22 февраля 2012 г.). «Столетие Тьюринга: является ли мозг хорошей моделью для машинного интеллекта?» . Природа . 482 (7386): 462–463. Бибкод : 2012Natur.482..462. . дои : 10.1038/482462а . ISSN   0028-0836 . ПМИД   22358812 . S2CID   205070106 .
  11. ^ Браун, А. (1 января 1997 г.). Перспективы нейронных сетей в области познания и адаптивной робототехники . ЦРК Пресс. ISBN  9780750304559 .
  12. ^ Зорзи, Марко; Тестолин, Альберто; Стоянов, Ивилин П. (20 августа 2013 г.). «Моделирование языка и познания с помощью глубокого обучения без учителя: обзор учебного пособия» . Границы в психологии . 4 : 515. doi : 10.3389/fpsyg.2013.00515 . ISSN   1664-1078 . ПМЦ   3747356 . ПМИД   23970869 .
  13. ^ Шай, Адам; Ларкум, Мэтью Эван (05 декабря 2017 г.). «Ветвление в мозги» . электронная жизнь . 6 . дои : 10.7554/eLife.33066 . ISSN   2050-084X . ПМК   5716658 . ПМИД   29205152 .
  14. ^ Шварц, Эрик (1990). Вычислительная нейробиология . Кембридж, Массачусетс: MIT Press. ISBN  978-0-262-19291-0 .
  15. ^ Бауэр, Джеймс М. (2013). 20 лет вычислительной нейробиологии . Берлин, Германия: Шпрингер. ISBN  978-1461414230 .
  16. ^ Фань, Сюэ; Маркрам, Генри (2019). «Краткая история симуляционной нейронауки» . Границы нейроинформатики . 13:32 . дои : 10.3389/fninf.2019.00032 . ISSN   1662-5196 . ПМК   6513977 . ПМИД   31133838 .
  17. ^ Лапик Л. (1907). «Количественные исследования электрического возбуждения нервов, трактуемого как поляризация». Дж. Физиол. Патол. Генерал 9 : 620–635.
  18. ^ Брюнель Н., Ван Россум MC (2007). «Статья Лапика 1907 года: от лягушек к интеграции и огню». Биол. Киберн . 97 (5–6): 337–339. дои : 10.1007/s00422-007-0190-0 . ПМИД   17968583 . S2CID   17816096 .
  19. ^ Хьюбель Д.Х., Визель Т.Н. (1962). «Рецептивные поля, бинокулярное взаимодействие и функциональная архитектура зрительной коры головного мозга кошки» . Дж. Физиол . 160 (1): 106–54. doi : 10.1113/jphysicalol.1962.sp006837 . ПМЦ   1359523 . ПМИД   14449617 .
  20. ^ Форрест, доктор медицины (2014). «Динамика внутриклеточного кальция позволяет модели нейронов Пуркинье выполнять переключение и получать результаты вычислений на своих входных данных» . Границы вычислительной нейронауки . 8 : 86. дои : 10.3389/fncom.2014.00086 . ПМЦ   4138505 . ПМИД   25191262 .
  21. ^ Ву, Самуэль Мяо-син; Джонстон, Дэниел (1995). Основы клеточной нейрофизиологии . Кембридж, Массачусетс: MIT Press. ISBN  978-0-262-10053-3 .
  22. ^ Кох, Кристоф (1999). Биофизика вычислений: обработка информации в одиночных нейронах . Оксфорд [Оксфордшир]: Издательство Оксфордского университета. ISBN  978-0-19-510491-2 .
  23. ^ Форрест, доктор медицины (2014). «Динамика внутриклеточного кальция позволяет модели нейронов Пуркинье выполнять переключение и получать результаты вычислений на своих входных данных» . Границы вычислительной нейронауки . 8 : 86. дои : 10.3389/fncom.2014.00086 . ПМЦ   4138505 . ПМИД   25191262 .
  24. ^ Форрест, доктор медицины (апрель 2015 г.). «Моделирование действия алкоголя на подробной модели нейронов Пуркинье и более простой суррогатной модели, которая работает более чем в 400 раз быстрее» . BMC Нейронаука . 16 (27): 27. дои : 10.1186/s12868-015-0162-6 . ПМЦ   4417229 . ПМИД   25928094 .
  25. ^ «Динамика потоков ионов между нейронами, астроцитами и внеклеточным пространством при нейротрансмиссии» . Киберленинка.ру . Проверено 14 марта 2023 г.
  26. ^ Сибилль, Жереми; Дык, Кхань Дао; Холькман, Дэвид; Руаш, Натали (31 марта 2015 г.). «Нейроглиальный калиевый цикл во время нейротрансмиссии: роль каналов Kir4.1» . PLOS Вычислительная биология . 11 (3): e1004137. Бибкод : 2015PLSCB..11E4137S . дои : 10.1371/journal.pcbi.1004137 . ISSN   1553-7358 . ПМК   4380507 . ПМИД   25826753 .
  27. ^ Паннаш, Ульрике; Фреш, Доминик; Даллерак, Гленн; Гезали, Грегори; Эскартин, Кэрол; Эзан, Паскаль; Коэн-Сэлмон, Мартин; Беншенан, Карим; Абудара, Вероника; Дюфур, Амандин; Любке, Йоахим ХР; Деглон, Николь; Нотт, Грэм; Холькман, Дэвид; Руаш, Натали (апрель 2014 г.). «Коннексин 30 устанавливает силу синапсов, контролируя инвазию астроглиальных синапсов» . Природная неврология . 17 (4): 549–558. дои : 10.1038/nn.3662 . ISSN   1546-1726 . ПМИД   24584052 . S2CID   554918 .
  28. ^ Чкловский Д.Б., Мел Б.В., Свобода К. (октябрь 2004 г.). «Корковая перепроводка и хранение информации». Природа . 431 (7010): 782–8. Бибкод : 2004Natur.431..782C . дои : 10.1038/nature03012 . ПМИД   15483599 . S2CID   4430167 .
    Обзор статьи
  29. ^ Чжаопин Л. 2014, Принцип эффективного кодирования , глава 3, учебника Понимание видения: теория, модели и данные
  30. ^ см. визуально-пространственное внимание https://en.wikipedia.org/wiki/Visual_spatial_attention.
  31. ^ Перейти обратно: а б Ли. Z. 2002 Карта значимости первичной зрительной коры. Тенденции в когнитивных науках.том. 6, страницы 9–16, и Чжаопин, Л. 2014, Гипотеза V1 — создание восходящей карты значимости для предварительного отбора и сегментации в книге «Понимание видения: теория, модели и данные».
  32. ^ Вайс, Яир; Симончелли, Ээро П.; Адельсон, Эдвард Х. (20 мая 2002 г.). «Иллюзии движения как оптимальные восприятия». Природная неврология . 5 (6): 598–604. дои : 10.1038/nn0602-858 . ПМИД   12021763 . S2CID   2777968 .
  33. ^ Эрнст, Марк О.; Бюльтхофф, Генрих Х. (апрель 2004 г.). «Объединение чувств в устойчивое восприятие». Тенденции в когнитивных науках . 8 (4): 162–169. CiteSeerX   10.1.1.299.4638 . дои : 10.1016/j.tics.2004.02.002 . ПМИД   15050512 . S2CID   7837073 .
  34. ^ Ольсхаузен, Бруно А.; Филд, Дэвид Дж. (1 декабря 1997 г.). «Разреженное кодирование с чрезмерно полным базисным набором: стратегия, используемая V1?» . Исследование зрения . 37 (23): 3311–3325. дои : 10.1016/S0042-6989(97)00169-7 . ПМИД   9425546 . S2CID   14208692 .
  35. ^ Шнайдман Э., Берри М.Дж., Сегев Р., Бялек В. (2006). «Слабые парные корреляции подразумевают сильно коррелированные состояния сети в нейронной популяции» . Природа . 440 (7087): 1007–12. arXiv : q-bio/0512013 . Бибкод : 2006Natur.440.1007S . дои : 10.1038/nature04701 . ПМЦ   1785327 . ПМИД   16625187 .
  36. ^ Уилсон, HR; Коуэн, доктор медицинских наук (1973). «Математическая теория функциональной динамики корковой и таламической нервной ткани». Кибернетик . 13 (2): 55–80. дои : 10.1007/BF00288786 . ПМИД   4767470 . S2CID   292546 .
  37. ^ Андерсон, Чарльз Х.; Элиасмит, Крис (2004). Нейронная инженерия: вычисления, представление и динамика в нейробиологических системах (вычислительная нейронаука) . Кембридж, Массачусетс: MIT Press. ISBN  978-0-262-55060-4 .
  38. ^ Марвин М. Чун; Джереми М. Вулф; Э.Б. Гольдштейн (2001). Справочник Блэквелла по ощущениям и восприятию . Blackwell Publishing Ltd., стр. 272–310 . ISBN  978-0-631-20684-2 .
  39. ^ Эдмунд Роллс; Густаво Деку (2012). Вычислительная нейронаука зрения . Оксфордская стипендия онлайн. ISBN  978-0-198-52488-5 .
  40. ^ Махенс К.К., Ромо Р., Броди CD (2005). «Гибкое управление взаимного торможения: нейронная модель двухинтервальной дискриминации». Наука . 307 (5712): 1121–4. Бибкод : 2005Sci...307.1121M . CiteSeerX   10.1.1.523.4396 . дои : 10.1126/science.1104171 . ПМИД   15718474 . S2CID   45378154 .
  41. ^ Робинсон П.А., Ренни С.Дж., Роу Д.Л., О'Коннор С.К., Гордон Э. (2005). «Мультимасштабное моделирование мозга» . Философские труды Королевского общества Б. 360 (1457): 1043–1050. дои : 10.1098/rstb.2005.1638 . ПМК   1854922 . ПМИД   16087447 .
  42. ^ Крик Ф., Кох С. (2003). «Основы сознания» . Нат. Нейроски . 6 (2): 119–26. дои : 10.1038/nn0203-119 . ПМИД   12555104 . S2CID   13960489 .
  43. ^ Адашевский, Станислав; Дукарт, Юрген; Хериф, Ферат; Фраковяк, Ричард; Драганский, Богдан; Инициатива нейровизуализации болезни Альцгеймера (2013). «Насколько рано мы можем предсказать болезнь Альцгеймера с помощью компьютерной анатомии?». Нейробиол Старение . 34 (12): 2815–26. doi : 10.1016/j.neurobiolaging.2013.06.015 . ПМИД   23890839 . S2CID   1025210 .
  44. ^ Фристон К.Дж., Стефан К.Е., Монтегю Р., Долан Р.Дж. (2014). «Вычислительная психиатрия: мозг как фантастический орган». Ланцет Психиатрии . 1 (2): 148–58. дои : 10.1016/S2215-0366(14)70275-5 . ПМИД   26360579 . S2CID   15504512 .
  45. ^ Флойрак, Эмерик; Думерг, Адриан; Легриэль, Стефан; Дей, Николас; Мегарбейн, Бруно; Ричард, Александра; Меппиэль, Элоди; Масмуди, Сана; Лозерон, Пьер; Вико, Эрик; Кубис, Натали; Холькман, Дэвид (2023). «Прогнозирование неврологического исхода после остановки сердца путем объединения вычислительных параметров, извлеченных из стандартных и девиантных реакций на слуховые вызванные потенциалы» . Границы в неврологии . 17 : 988394. дои : 10.3389/fnins.2023.988394 . ISSN   1662-453X . ПМЦ   9975713 . ПМИД   36875664 .
  46. ^ Сан, Кристоф; Холькман, Дэвид (01 августа 2022 г.). «Объединение временных статистических маркеров сигнала ЭЭГ для прогнозирования чувствительности мозга к общей анестезии» . Биомедицинская обработка сигналов и контроль . 77 : 103713. doi : 10.1016/j.bspc.2022.103713 . ISSN   1746-8094 . S2CID   248488365 .
  47. ^ Монтегю, П. Рид; Долан, Раймонд Дж.; Фристон, Карл Дж .; Даян, Питер (14 декабря 2011 г.). «Вычислительная психиатрия» . Тенденции в когнитивных науках . 16 (1): 72–80. дои : 10.1016/j.tics.2011.11.018 . ПМЦ   3556822 . ПМИД   22177032 .
  48. ^ Като, Аяка; Кунисато, Ёсихико; Катахира, Кентаро; Окимура, Цукаса; Ямасита, Юичи (2020). «Карта исследований вычислительной психиатрии (CPSYMAP): новая база данных для визуализации исследовательских работ» . Границы в психиатрии . 11 (1360): 578706. doi : 10.3389/fpsyt.2020.578706 . ПМЦ   7746554 . ПМИД   33343418 .
  49. ^ Хайс, Квентин Дж. М.; Майя, Тьяго V; Фрэнк, Майкл Дж (2016). «Вычислительная психиатрия как мост от нейробиологии к клиническим применениям» . Природная неврология . 19 (3): 404–413. дои : 10.1038/nn.4238 . ПМЦ   5443409 . ПМИД   26906507 .
  50. ^ Рассел, Джон (21 марта 2016 г.). «За пределами фон Неймана нейроморфные вычисления неуклонно развиваются» .
  51. ^ Калимера, Андреа; Масии, Энрико; Пончино, Массимо (20 августа 2013 г.). «Проект человеческого мозга и нейроморфные вычисления» . Функциональная неврология . 28 (3): 191–196. doi : 10.11138/FNeur/2013.28.3.191 (неактивен 31 января 2024 г.). ПМЦ   3812737 . ПМИД   24139655 . {{cite journal}}: CS1 maint: DOI неактивен по состоянию на январь 2024 г. ( ссылка )

Библиография

[ редактировать ]

См. также

[ редактировать ]

Программное обеспечение

[ редактировать ]
[ редактировать ]
Викискладе есть медиафайлы, связанные с вычислительной нейробиологией .

Журналы

[ редактировать ]

Конференции

[ редактировать ]

Веб-сайты

[ редактировать ]
Retrieved from "https://en.wikipedia.org/w/index.php?title=Computational_neuroscience&oldid=1236789705"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 5d2e5b0a70b1b3bc9e5a07b967d4b71e__1721994300
URL1:https://arc.ask3.ru/arc/aa/5d/1e/5d2e5b0a70b1b3bc9e5a07b967d4b71e.html
Заголовок, (Title) документа по адресу, URL1:
Computational neuroscience - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)