Dynamische Systeme in der Biologie: Beispiel Neurobiologie
|
|
- Angelika Amsel
- vor 5 Jahren
- Abrufe
Transkript
1 Dynamische Systeme in der Biologie: Beispiel Neurobiologie Dr. Caroline Geisler 13. Juni 2018
2 Hans Berger ( ) und das EEG Hans Berger zeichnete 1924 das erste EEG (Elektroenzephalogramm) eines Menschen auf. Er beschrieb die verschiedenen Rhythmen im gesunden und kranken Gehirn, wie z.b. den Alpha-Rhythmus (7-13 Hz) während des wachen und entspannten Zustandes.
3 Oszillationen im Gehirn Verschiedene oszillatorische neuronale Aktivitäten sind mit verschiedenen Verhaltensmustern assoziiert. Rhythmische Synchronisation neuronaler Aktivität. Welche Mechanismen führen zu neuronalen Oszillationen?
4 Rhythmen des Kortex I Theta Oszillationen (7-8Hz) im Hippocampus; exploratives Verhalten; die Phase der Pyramidenzellen-Spikes codiert den genauen Ort. (Huxter 2003) Rippel Oszillationen (> 100Hz) im Hippocampus; Tiefschlaf; Reaktivierung erlebter Sequenzen; Synaptische Plastiziät (Lernen). (Csicsvari 1999)
5 Rhythmen des Kortex II Gamma Oszillationen (30-80Hz): weit verbreitet; Koexistenz mit Theta; Aufmerksamkeit; Integration Sensorischer Information (Salinas 2001 und Fries 2001)
6 Rhythmen des Kortex III Up-and-Down Oszillationen (< 1Hz): Tiefschlaf; Wechsel zwischen aktivem und hyperpolarisiertem Zustand; field units example cell
7 Neuronale Oszillationen verstehen Neurone als einzelne Oszillatoren Verbindung zwischen Neuronen Synchronisation in neuronalen Netzen Untersuchung in Experimenten und theoretischen Modellen (Buzsáki 2004)
8 (Izhikevich 2007b)
9 Neuronale Oszillation im Phasenraum A (Izhikevich 2007b und Wang 2010) dx = f(x)+εp(t) dθ = 1+ε PRC(θ)p(t)
10 Zwei gekoppelte Oszillatoren (Izhikevich 2007b)
11 System schwach gekoppelter Oszillatoren dx i = f(x i)+i syn = f(x i )+ε Die entsprechenden Phasen: n j=1 g ij (x i,x j ) dθ i = 1+ε Q i (θ i ) n j=1 g ij (x i (θ i ),x j (θ j )) Langsame Phasen-Veränderung: θ i (t)=t+φ i dφ i = ε Q i (t+φ i ) n j=1 g ij (x i (t+φ i ),x j (t+φ j ))
12 dφ i = Q i (t+φ i ) n j=1 = ω i + H ij (φ j φ i ) i j g(x i (t+φ i ),x j (t+φ j )) mit H ij (φ j φ i ) = 1 T T Zwei gekoppelte Oszillatoren: 0 Q i (t)g(x i (t),x j (t+φ j φ i )) dφ 1 dφ 2 = ω 1 + H 1 (φ 2 φ 1 ) (I) = ω 2 + H 2 (φ 1 φ 2 ) (II)
13 Zwei schwach gekoppelte Oszillatoren Subtrahiere (I) von (II), mit χ = φ 2 φ 1 und ω = ω 2 ω 1 dχ = ω+ H 2( χ) H 1 (χ) ω+ H(χ) Fixpunkt: H(χ) = ω Stabil für: dh(χ)/dχ fix < 0 (Izhikevich 2007b)
14 Beispiel aus der Übung Zwei gekoppelten Oszillatoren: φ 1 = ω 1 + c 1 sin(φ 2 φ 1 ) φ 2 = ω 2 + c 2 sin(φ 1 φ 2 ) Bestimmt werden soll Fixpunkte und deren Stabilität als Funktion von ω = ω 1 ω 2, c=c 1 + c 2 und χ = φ 2 φ 1. Subtration: χ = ω c sin(χ) Fixpunkte: χ = 0 χ1 = arcsin(ω/c), χ 2 = π arcsin(ω/c) d Stabilität: dχ χ = c cos(χ) χ1 : c cos[arcsin(ω/c)]= c 1 (ω/c) 2 < 0 stabil χ2 : c cos[π arcsin(ω/c)]=c 1 (ω/c) 2 > 0 instabil Für ω = 0: stabil in Phase; instabil in Anti-Phase
15 Was wir von zwei Oszillatoren lernen... Neurone mit Type I PRC synchronisieren anti-phasisch mit exzitatiorischen Synapsen. Aber synchronisieren mit inibitorischen Synapsen. Neurone mit Type II PRC synchronisieren in Phase mit exzitatiorischen schnellen Synapsen. Je mehr negativ die PRC, desto größer die Chance für Synchronisation. Langsame Rhythmen können mit exzitatorischen Synapsen synchronisiert werden. Schnelle Rhythmen brauchen langsame inhibitorische Synapsen zur Synchronisation. Synchronisation ist möglich mit schnellen exzitatorischen und langsamen inhibitorischen Synapsen (feed-back-loop).
16 Eine Kette aus gekoppelten Oszillatoren Beispiel: die Schwimm-Bewegungen der Neunaugen dφ 1 dφ k dφ n = ω 1 + H + (φ 2 φ 1 ). = ω k + H (φ k 1 φ k )+H + (φ k+1 φ k ). = ω n + H (φ n 1 φ n ) Welche Lösung ergibt eine Traveling Wave?
17 Synchronisation im neuronalen Netz
18 Synaptische Dynamik Exponentieller Zerfall: ds = δ(t) s τ 1 s(t) = s 0 τ e (t t 0)/τ Alpha-Funktion: (t t 0 ) s(t)=s 0 e (t t 0)/τ τ exzitatorisch: τ = 5ms inhibitorisch: τ = 20ms s(t) s(t) time [ms] time [ms]
19 Differenz zweier Exponential-Funktionen: ds dx = x(t) s τ d = δ(t 0 ) x τ r s(t) = s 0 ( e (t/τ d) e (t/τ r) ) s max ( ) τr /(τ d τ r τr )( = s 0 1 τ ) r τ d τ d s(t) time [ms]
20 Synaptischer Strom I(t): I AMPA (t) = g AMPA s AMPA (t) (V E AMPA ) I GABA (t) = g GABA s GABA (t) (V E GABA ) E AMPA = 0 mv E GABA = 75 mv time [ms] Post-Synaptisches Potential ca. < 1 mv. I(t)/g
21 Gamma Oszillationen: Synaptische Verbindungen PC IN PING: Pyramidal-InterNeuron-Gamma ING: InterNeuron-Gamma
22 Oszillationen in neuronalen Netzen Verschiedene Mechanismen können Oszillationen generieren: Excitation zwischen Neuronen: Netz aus Pyramiden-Zellen Inhibition zwischen Neuronen: Netz aus Interneuronen Exzitation-Inhibition feedback-loop. Schnelle Exzitation, langsame Inhibition. Gap-Junctions: Elektrische Kopplung zwischen Neuronen. Schrittmacher-Neurone: diktieren anderen Populationen Rhythmus (Thalamus, Mediales Septum)
23 Neuronales Netz: System aus Differential-Gleichungen Beispiel: Hodgkin-Huxley-Neurone mit 4 gekoppelten DGL für V i, h i, n i and s i dv i dh i dn i ds i = ḡna + C m3 (V i )h i (V i E Na +) ḡk + C n4 i(v i E K +) ḡl C (V i E L ) g syn C s i(v i E syn ) I app,i (t) = α h (V i )(1 h i ) β h (V i )h i = α n (V i )(1 n i ) β m (V i )n i = α 1/(1+exp( (V j θ syn )/2))(1 s i ) βs i j Nummerische Lösung in Python, C, C++, Matlab, etc.
24 Gamma Oszillationen im inhibitorischen Netzwerk Wittington, Traub und Kollegen: Gamma Oszillationen (30-80Hz) in vitro nach Blockade von AMPA und NMDA Rezeptoren. Zeit-Konstante der inhibitorischen Synapse korrelierte mit Frequenz des Rhythmus. Gamma Oszillationen im Modell: inhibitorisches Netzwerk (Wang and Buzsaki 1996) modifiziertes HH Neuron vom Type I realistische Synapsen (Wang 2010)
25 Referenzen (Buzsáki 2004) Buzski G., Draguhn A. Neuronal oscillations in cortical networks. Science 2004 Jun 25; 304 (5679): (Csicsvari 1999) Csicsvari J., Hirase H., Czurko A., Mamiya A., Buzsaki G. Oscillatory coupling of hippocampal pyramidal cells and interneurons in the behaving Rat. J Neurosci 1999 Jan; 19(1): (Fries 2001) Fries P., Reynolds J.H., Rorie A.E., Desimone R. Modulation of oscillatory neuronal synchronization by selective visual attention. Science Feb 23;291(5508): (Huxter 2003) Huxter J., Burgess N., O Keefe J. Independent rate and temporal coding in hippocampal pyramidal cells. Nature Oct 23;425(6960): (Izhikevich 2007b) Izhikevich E.M. Dynamical Systems in Neuroscience: The Geometry of Excitability and Bursting. Chapter 10 (Salinas 2001) Salinas E., Sejnowski T.J. Correlated neuronal activity and the flow of neural information. Nat Rev Neurosci Aug;2(8): (Wang 2010) Wang X.-J. Neurophysiological and computational principles of cortical rhythms in cognition. Physiol. Rev. 2010, 90:
Dynamische Systeme in der Biologie: Beispiel Neurobiologie
Dynamische Systeme in der Biologie: Beispiel Neurobiologie Caroline Geisler geisler@lmu.de May 30, 2018 Stabilitätsanalyse in 2D Das Modell: Nullkline: dv dt dw dt = f(v) w+i F(V,w) = bv cw G(V,w) F(V,w)
MehrDynamische Systeme in der Biologie: Beispiel Neurobiologie
Dynamische Systeme in der Biologie: Beispiel Neurobiologie Caroline Geisler geisler@lmu.de April 18, 2018 Elektrische Ersatzschaltkreise und Messmethoden Wiederholung: Membranpotential Exkursion in die
MehrDynamische Systeme in der Biologie: Beispiel Neurobiologie
Dynamische Systeme in der Biologie: Beispiel Neurobiologie Dr. Caroline Geisler geisler@lmu.de April 11, 2018 Veranstaltungszeiten und -räume Mittwoch 13:00-14:30 G00.031 Vorlesung Mittwoch 15:00-16:30
MehrEinfache Modelle der Neurodynamik.
Vorlesung Einfache Modelle der Neurodynamik. Anregbarkeit und canards. Wintersemester 2015/16 12.01.2016 M. Zaks Aufbau eines Neurons: Gesamtbild 2 / 16 neuron Aufbau eines Neurons: Axon und Dendriten
MehrSeminarvortrag: Visual Cortex
Seminarvortrag: Visual Cortex Sören Schwenker 13. Januar 2013 Visual Cortex Inhaltsverzeichnis 13. Januar 2013 Inhaltsverzeichnis 1 Einleitung 2 2 Conductance based models 2 3 Rate-based neural network
MehrSynchronisation in Natur und Technik
Am Beispiel des Kuramoto-Modells Jan Baumbach Christoph Schöler Christian Barthel 2 Inhalt 1. Einleitung 2. Kuramoto-Modell 3. Simulation und Ergebnisse 3 Die Motivation Das Phänomen Synchronisation tritt
MehrTopologische Objektrepräsentationen und zeitliche Korrelation
Topologische Objektrepräsentationen und zeitliche Korrelation Frank Michler Fachbereich Physik, AG NeuroPhysik Outline 1 2 Stimuli -Neuron und Architektur Lernregel 3 Selektivitäts-Karten Invariante Repräsentation
MehrSpektralanalyse physiologischer Signale
Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 1 III. Zeit-Frequenz Analyse Short-time Fourier Transform Gabor Transformation Lineare Filter Wavelet Transformation Konzept des
MehrLernen im Schlaf - Neuropsychologische und neurophysiologische Mechanismen
Lernen im Schlaf - Neuropsychologische und neurophysiologische Mechanismen Jan Born Christian Benedikt, Stoyan Dimitrov, Spyridos Drosopoulos, Horst L. Fehm, Stephan Fischer, Steffen Gais, Manfred Hallschmid,
MehrModelle zur Beschreibung von Schwellwertphänomenen in Nervenmembranen Fitzhugh-Nagumo-Gleichungen
Modelle zur Beschreibung von Schwellwertphänomenen in Nervenmembranen Fitzhugh-Nagumo-Gleichungen Katrin Schmietendorf Vortrag im Rahmen der Veranstaltung Numerische Methoden für Dynamische Systeme SoSe
MehrKopplung von Neuronen
Katharina Ritter, Friedrich Bach, Felix Tabbert, Walter Tewes, Matthias Walther 12.06.2012 Inhalt Einführung Lighthouse-Modell Numerische Ergebnisse Schlussbemerkungen Unterschiede zum 1 Neuronenmodell
MehrNeuronale Netzwerke: Feed-forward versus recurrent (d.h. feed-back )
Neuronale Netzwerke: Feed-forward versus recurrent (d.h. feed-back ) A: Schrittweise vorwärts-gerichtete Abbildung: Eingangssignal (Input) r in Ausgansgsignal (Output) r out Überwachtes Lernen (wie z.b.
MehrExzitatorische (erregende) Synapsen
Exzitatorische (erregende) Synapsen Exzitatorische Neurotransmitter z.b. Glutamat Öffnung von Na+/K+ Kanälen Membran- Potential (mv) -70 Graduierte Depolarisation der subsynaptischen Membran = Erregendes
Mehr3 Modellierung von Neuronen I
3 Modellierung von Neuronen I Im ersten Kapitel über die Modellierung von Neuronen bewegen wir uns von der einfachsten Modelldarstellung von Neuronen, in denen das Neuron als eine Einheit modelliert wird
MehrComputational Neuroscience 2. Neuronenmodelle
Computational Neuroscience 2. Neuronenmodelle Jutta Kretzberg Master-Grundmodul 2009 Download der pdf Version: http://www.uni-oldenburg.de/sinnesphysiologie/ 40426.html Nachtrag: Literatur pdf-version
MehrDer Duffing-Oszillator
11.04.2006 Inhalt Inhalt Erwartung im stationären Fall: eine instabile Ruhelage, zwei asymptotisch stabile Ruhelagen. Inhalt Erwartung im stationären Fall: eine instabile Ruhelage, zwei asymptotisch stabile
MehrExperimentalphysik E1
Experimentalphysik E1 Gedämpfte & erzwungene Schwingungen Alle Informationen zur Vorlesung unter : http://www.physik.lmu.de/lehre/vorlesungen/index.html 16. Dez. 16 Harmonische Schwingungen Auslenkung
MehrSpektralanalyse physiologischer Signale
Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 11 Aktionspotential zeigt Membranpotential in der Zellmembran, doch was sieht man ausserhalb? einzelne Synapse Summe von synaptischen
MehrDas EEG: Spontan-EEG und EKP
Das EEG: Spontan-EEG und EKP Biopsychologische Vertiefung Katja Bertsch Psychophysiologisches Labor Gliederung 1. EEG-Erhebung Labor Elektroden Artefakte 2. Spontan-EEG Frequenzbänder Fourier Transformation
MehrF R. = Dx. M a = Dx. Ungedämpfte freie Schwingungen Beispiel Federpendel (a) in Ruhe (b) gespannt: Auslenkung x Rückstellkraft der Feder
6. Schwingungen Schwingungen Schwingung: räumlich und zeitlich wiederkehrender (=periodischer) Vorgang Zu besprechen: ungedämpfte freie Schwingung gedämpfte freie Schwingung erzwungene gedämpfte Schwingung
MehrProbestudium der Physik 2011/12
Probestudium der Physik 2011/12 Karsten Kruse 2. Mechanische Schwingungen und Wellen - Theoretische Betrachtungen 2.1 Der harmonische Oszillator Wir betrachten eine lineare Feder mit der Ruhelänge l 0.
MehrOszillatorgenerierte Wellenphänomene und Zentralmustergeneratoren
Oszillatorgenerierte Wellenphänomene und Zentralmustergeneratoren Christian Schmi 29.01.2013 Literatur: J. D. Murray: Mathematical Biology: I. An Introduction, Third Edition, Springer Überblick 1 Kinetische
MehrSynaptische Übertragung und Neurotransmitter
Proseminar Chemie der Psyche Synaptische Übertragung und Neurotransmitter Referent: Daniel Richter 1 Überblick Synapsen: - Typen / Arten - Struktur / Aufbau - Grundprinzipien / Prozesse Neurotransmitter:
MehrSynchronisation: ein universelles Ordnungsprinzip für Rhythmen Michael Rosenblum
Synchronisation: ein universelles Ordnungsprinzip für Rhythmen Michael Rosenblum Statistische Physik / Chaos Theorie Institut für Physik und Astronomie Universität Potsdam Schwingungen: wichtig in Wissenschaft
MehrComputational Neuroscience
Computational Neuroscience Vorlesung WS 2005/2006 Josef Ammermüller Jutta Kretzberg http://www.uni-oldenburg.de/sinnesphysiologie/ 14508.html Begriffsdefinitionen Computational Neuroscience Churchland
MehrBK07_Vorlesung Physiologie. 05. November 2012
BK07_Vorlesung Physiologie 05. November 2012 Stichpunkte zur Vorlesung 1 Aktionspotenziale = Spikes Im erregbaren Gewebe werden Informationen in Form von Aktions-potenzialen (Spikes) übertragen Aktionspotenziale
MehrParameterdef. an nichtl. Zweipolkennl.
Parameterdef. an nichtl. Zweipolkennl. nichtlin. Zweipole Typen von Approximationsfunktionen KENNLINIENAPPROXIMATION Rektifikationsmethode y 5α 4α FUNKTION β < β > y = αx β β = 3α 2α α β < β =.5.5 2 2.5
MehrDifferenzialgleichungen
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 30. Januar 2008 (System von) Differenzialgleichung(en) Schwingungsgleichung Newtonsche Mechanik Populationsdynamik...DGLn höherer Ordnung auf
MehrIntegrative Leistungen des ZNS, kortikale und thalamischer Verschaltung, Elektroenzephalographie (EEG)
Integrative Leistungen des ZNS, kortikale und thalamischer Verschaltung, Elektroenzephalographie (EEG) Teil 1 Dr. Dr. Marco Weiergräber Sommersemester 2006 1 Übersicht Aufbau des Neokortex Neurophysiologische
MehrTheoretische Mechanik
Prof. Dr. R. Ketzmerick/Dr. R. Schumann Technische Universität Dresden Institut für Theoretische Physik Sommersemester 008 Theoretische Mechanik 4. Übung Lösungen 4. Spezielle Kraftgesetze Lösen Sie die
MehrVorlesung: Grundlagen der Neurobiologie (Teil des Grundmoduls Neurobiologie) Synaptische Verbindungen. R. Brandt
Vorlesung: Grundlagen der Neurobiologie (Teil des Grundmoduls Neurobiologie) Synaptische Verbindungen R. Brandt Synaptische Verbindungen - Synapsen, Dornen und Lernen - Alzheimer Krankheit und Vergessen
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
MehrExkurs: Circadiane Rhythmik. Physiologie der Zeitumstellung
Exkurs: Circadiane Rhythmik Physiologie der Zeitumstellung Chronobiologie Die biologische Uhr circadiane Rhythmik Biologische Uhren sind Anpassungen des Organismus an zyklische Veränderungen der Umwelt
MehrSystembiologie & Medizin. EEG-Grundlagen. Freie Universität Berlin Betreuer: Dr. D. Kunz; PD Dr. A.
Seminar Systembiologie & Medizin EEG-Grundlagen Freie Universität Berlin 05.01.2009 Betreuer: Dr. D. Kunz; PD Dr. A. Rodenbeck Einführung EEG-Grundlagen Geschichte der EEG Generierung
MehrMetrik des homogenen und isotropen Raumes. 1 Gleichzeitigkeit. 2 Robertson-Walker Metrik. von Sebastian Waeber
Metrik des homogenen und isotropen Raumes von Sebastian Waeber 1 Gleichzeitigkeit Anders als in der nicht gekrümmten Geometrie, in welcher raumzeitliche Abstände durch die Minkowski-Metrik gegeben sind,
Mehr3 Zweidimensionale dynamische Systeme Oszillationen
3 Zweidimensionale dynamische Systeme Oszillationen Lineare Systeme Ein Beispiel für ein zweidimensionales dynamisches System ist die Gleichung ẍ + ω 2 sin x = 0 für ebene Schwingungen eines reibungsfreien
MehrAllgemeine Mechanik Musterlo sung 5.
Allgemeine Mechanik Musterlo sung 5 U bung HS 203 Prof R Renner Gekoppelte Pendel Wir betrachten ein System aus zwei gleichen mathematischen Pendeln der La nge l = l2 = l mit Massen m = m2 = m im Schwerefeld
MehrMetabolismus Modelle. Überblick über Stoffwechselwege aus KEGG Datenbank (Kyoto Encyclopedia of Genes and Genomes)
Metabolismus Modelle Überblick über Stoffwechselwege aus KEGG Datenbank (Kyoto Encyclopedia of Genes and Genomes) www.genome.p/kegg Edda Klipp, Humboldt- zu Berlin Reproduktion experimenteller Befunde
MehrModellierung und Simulation von Mischvorgängen in einem Rührer - Bachelorarbeit -
Modellierung und Simulation von Mischvorgängen in einem Rührer - Bachelorarbeit - Dies Mathematicus 211 25. November 211 Gliederung 1 Motivation: Mischvorgänge in einem Rührer 2 Mathematische Modellierung
MehrGrundlagen der Physik 2 Schwingungen und Wärmelehre
(c) Ulm University p. 1/ Grundlagen der Physik Schwingungen und Wärmelehre 3. 04. 006 Othmar Marti othmar.marti@uni-ulm.de Experimentelle Physik Universität Ulm (c) Ulm University p. / Physikalisches Pendel
MehrNeurale Grundlagen kognitiver Leistungen I
Inhalt: Neurale Grundlagen kognitiver Leistungen I 1. Entwicklung und Evolution der Großhirnrinde 2. Anatomie der Großhirnrinde 2.1 Makroanatomie 2.2 Histologische Organisation und Zytoarchitektur 3. Kolumnen
MehrEntstehung rezeptiver Felder
Entstehung rezeptiver Felder 30.1.2006 http://www.uni-oldenburg.de/sinnesphysiologie/ Vorlesungsprogramm 17.10.05 Motivation 24.10.05 Passive Eigenschaften von Neuronen 31.10.05 Räumliche Struktur von
MehrNeuronale Signalverarbeitung
neuronale Signalverarbeitung Institut für Angewandte Mathematik WWU Münster Abschlusspräsentation am 08.07.2008 Übersicht Aufbau einer Nervenzelle Funktionsprinzip einer Nervenzelle Empfang einer Erregung
MehrInhalt der Vorlesung A1
PHYSIK Physik A/B1 A WS SS 17 13/14 Inhalt der Vorlesung A1 1. Einführung Methode der Physik Physikalische Größen Übersicht über die vorgesehenen Themenbereiche. Teilchen A. Einzelne Teilchen Beschreibung
MehrStabile periodische Bewegungen (Grenzzyklen)
Stabile periodische Bewegungen (Grenzzyklen) 1. Nichtlineare Systeme mit zwei Gleichungen Prinzipiell neu: Alle Systeme mit mindestens 2 unabhängigen DGL können als Lösungen geschlossene Kurven im Phasenraum
MehrVariabilität neuronaler Antworten. Computational Neuroscience Jutta Kretzberg
Variabilität neuronaler Antworten Computational Neuroscience 13.11.2006 Jutta Kretzberg (Vorläufiges) Vorlesungsprogramm 23.10.06!! Motivation 30.10.06!! Neuronale Kodierung sensorischer Reize 06.11.06!!!
MehrNeuronale Kodierung sensorischer Reize. Computational Neuroscience Jutta Kretzberg
Neuronale Kodierung sensorischer Reize Computational Neuroscience 30.10.2006 Jutta Kretzberg (Vorläufiges) Vorlesungsprogramm 23.10.06!! Motivation 30.10.06!! Neuronale Kodierung sensorischer Reize 06.11.06!!
MehrAbbildungen Schandry, 2006 Quelle: www.ich-bin-einradfahrer.de Abbildungen Schandry, 2006 Informationsvermittlung im Körper Pioniere der Neurowissenschaften: Santiago Ramón y Cajal (1852-1934) Camillo
MehrC1/4 - Modellierung und Simulation von Neuronen
C 1 /4 - Modellierung und Simulation von Neuronen April 25, 2013 Motivation Worum geht es? Motivation Worum geht es? Um Neuronen. Motivation Worum geht es? Um Neuronen. Da ist u.a. euer Gehirn draus Motivation
MehrInhalt. Lineare Algebra 1. Dr. Donat Adams. Fachhochschule Nordwest-Schweiz Technik, Brugg. 10. Oktober 2017
Inhalt Lineare Algebra 1 Dr. Donat Adams Fachhochschule Nordwest-Schweiz Technik, Brugg 10. Oktober 2017 1 / 20 Inhalt Teil 2 / 20 Inhalt Inhaltsverzeichnis I 3 / 20 Inhalt Bibliographie I F. Bachmann,
MehrÜbungen zur Klassischen Theoretischen Physik I WS 2016/17
Karlsruher Institut für Technologie Institut für Theoretische Festkörperphysik Übungen zur Klassischen Theoretischen Physik I WS 06/7 Prof. Dr. Carsten Rockstuhl Blatt 4 Dr. Andreas Poenicke, MSc. Kari
MehrLigandengesteuerte Ionenkanäle
Das Gehirn SS 2010 Ligandengesteuerte Ionenkanäle Ligandengesteuerte Kanäle Ligand-gated ion channels LGIC Ionotrope Rezeptoren Neurotransmission Liganden Acetylcholin Glutamat GABA Glycin ATP; camp; cgmp;
MehrZwei Modelle retinaler Verarbeitung
Zwei Modelle retinaler Verarbeitung 8.1.2006 http://www.uni-oldenburg.de/sinnesphysiologie/15247.html Vorlesungsprogramm 17.10.05 Motivation 24.10.05 Passive Eigenschaften von Neuronen 31.10.05 Räumliche
MehrBMT301. Grundlagen der Medizinischen Messtechnik. Ergänzende Folien EF2. Prof. Dr. rer. nat. Dr. rer. med. Daniel J. Strauss
BMT301 Grundlagen der Medizinischen Messtechnik Prof. Dr. rer. nat. Dr. rer. med. Daniel J. Strauss Ergänzende Folien EF2 die Hauptbestandteile einer Nervenzelle Aufbau einer Zellmembran Dicke einer Zellmembran:
MehrSeminar: Physik in der Biologie Physik des Innenohrs
Seminar: Physik in der Biologie Stefan Waselikowski Johannes Asal 18. Juli 2006 Übersicht Der Weg des Schalls 1 Der Weg des Schalls Aufbau des Ohrs Bis zum Innenohr Im Innenohr 2 Wellenausbreitung Mathematische
Mehr11. April Institut für Theoretische Physik. Das Toda-Gitter: periodische Lösungen. Daniel Westerfeld. Motivation. Vorbereitungen.
Toda- Institut für Theoretische Physik 11. April 2012 Überblick Toda- 1 2 3 Toda- Toda- Betrachte eindimensionale Kette N identischer Teilchen. Wechselwirkung nur zwischen Nachbarn = Bewegungsgleichung:
MehrJunge Zellen lernen leichter: Adulte Neurogenese im Hippocampus
Junge Zellen lernen leichter: Adulte Neurogenese im Hippocampus Prof. Dr. Josef Bischofberger Physiologisches Institut Departement Biomedizin Universität Basel Junge Zellen lernen leichter: Adulte Neurogenese
MehrNeuronen und Synapsen. Prof. Dr. Silvio Rizzoli Tel: ;
Neuronen und Synapsen Prof. Dr. Silvio Rizzoli Tel: 39 33630; email srizzol@gwdg.de Neuronen und Synapsen 1. Stunde: Übersicht über Eigenschaften des Neurons und des Axons. Elektrische Synapsen. 2. Stunde:
MehrNeurale Grundlagen kognitiver Leistungen II
Neurale Grundlagen kognitiver Leistungen II Inhalt: 1. Lernen und Gedächtnis: Hirnregionen und wichtige Bahnen 2. Aufbau der Hippocampusformation 2.1 Anatomie und Mikroanatomie der Hippocampusformation
MehrSpektralanalyse physiologischer Signale
Spektralanalyse physiologischer Signale Dr. rer. nat. Axel Hutt Vorlesung 1 - WS 2016/17 über mich Studium der Physik an U Stuttgart Promotion: Nichtlineare Dynamik in Gehirnsignalen Forschung in Neurowissenschaften
MehrEntfernungsbestimmung im Kosmos 10
Entfernungsbestimmung im Kosmos 10 10.1 Folgerungen aus dem Hubble-Gesetz 10.2 Allgemeine Relativitätstheorie 10.3 Robertson-Walker - Metrik 10.4 Entfernungsdefinitionen 10.5 Dynamik der Expansion 10.6
MehrElektroenzephalografie - Frequenzanalyse und Synchronisation
Elektroenzephalografie - Frequenzanalyse und Synchronisation Michael Thiele Martin Heinzerling 17. Juni 2008 Inhaltsverzeichnis Einleitung Experimente Auswertung Synchronisation Appendix Arbeitsweise des
MehrMehrdimensionale Integration
Kapitel C Mehrdimensionale Integration h s r h h r h r Inhalt dieses Kapitels C000 1 Der Satz von Fubini 3 Aufgaben und Anwendungen 1 Vertauschen von Integral und Reihe Mehrdimensionale Integration #Der
MehrVorkurs Mathematik für Ingenieur Innen WS 2018/2019 Übung 8
Prof. Dr. J. Pannek Dynamics in Logistics Vorkurs Mathematik für Ingenieur Innen WS 8/9 Übung 8 Aufgabe : Integration a) Berechnen Sie die folgenden Integrale: i) 4x + ) dx ii) 8 3 x dx iii) 3 x3 ) dx
MehrRekurrente Neuronale Netze. Rudolf Kruse Neuronale Netze 227
Rekurrente Neuronale Netze Rudolf Kruse Neuronale Netze 227 Rekurrente Netze: Abkühlungsgesetz Ein Körper der Temperaturϑ wird in eine Umgebung der Temperaturϑ A eingebracht. Die Abkühlung/Aufheizung des
MehrModellbildung und Simulation der Aktivität kortikothalamischer Kreise und deren Bedeutung für das Verständnis von Aufmerksamkeit und Bewusstsein
Aus der Universitätsklinik für Psychiatrie und Psychotherapie Tübingen Abteilung Allgemeine Psychiatrie und Psychotherapie mit Poliklinik Ärztlicher Direktor: Professor Dr. G. Buchkremer Modellbildung
MehrGibt es den richtigen Zeitpunkt für ein zweites Cochlea-Implantat? -
Gibt es den richtigen Zeitpunkt für ein zweites Cochlea-Implantat? - Überlegungen aus der neuropsychologischen Perspektive Martin Meyer Neuroplasticity and Learning in the Healthy Aging Brain (HAB LAB)
MehrVom Reiz zum Aktionspotential. Wie kann ein Reiz in ein elektrisches Signal in einem Neuron umgewandelt werden?
Vom Reiz zum Aktionspotential Wie kann ein Reiz in ein elektrisches Signal in einem Neuron umgewandelt werden? Vom Reiz zum Aktionspotential Primäre Sinneszellen (u.a. in den Sinnesorganen) wandeln den
MehrEinführung in die Physik
Einführung in die Physik für Pharmazeuten und Biologen (PPh) Mechanik, Elektrizitätslehre, Optik Übung : Vorlesung: Tutorials: Montags 13:15 bis 14 Uhr, Liebig-HS Montags 14:15 bis 15:45, Liebig HS Montags
MehrFunktionsprinzipien von Synapsen
17.3.2006 Funktionsprinzipien von Synapsen Andreas Draguhn Aufbau Transmitter und präsynaptische Vesikel Postsynaptische Rezeptoren Funktion einzelner Synapsen Prinzipien der Informationsverarbeitung:
Mehrv(x, y, z) = (1 z)x 2 + (1 + z)y 2 + z. Hinweis: Der Flächeninhalt der Einheitssphäre ist 4π; das Volumen der Einheitskugel
Aufgabe Gegeben sei das Gebiet G : { (x, y, z) R 3 x 2 + y 2 + z 2 < } und die Funktion Berechnen Sie das Integral v(x, y, z) ( z)x 2 + ( + z)y 2 + z. G n ds, wobei n der nach außen zeigende Normalenvektor
MehrJohn C. Eccles. Das Gehirn. des Menschen. Das Abenteuer de r modernen Hirnforschung
John C. Eccles Das Gehirn des Menschen Das Abenteuer de r modernen Hirnforschung Kapitel I : Neurone, Nervenfasern und der Nervenimpuls 1 7 A. Einführung 1 7 B. Das Neuron........................... 1
MehrBrownsche Bewegung Seminar - Weiche Materie
Brownsche Bewegung Seminar - Weiche Materie Simon Schnyder 11. Februar 2008 Übersicht Abbildung: 3 Realisationen des Weges eines Brownschen Teilchens mit gl. Startort Struktur des Vortrags Brownsches Teilchen
MehrFahrplan. Bertram Opitz, UdS
Fahrplan 23.06. Physiologische Grundlagen des EEG Design und Interpretation EEG-Aufzeichnung 30.06. EKP-Auswertung Artefaktbereinigung, Filtern, Quantifizierung Grundlagen Statistik 07.07. weitere Auswerteverfahren,
Mehr1. Methoden der Hirnforschung 2. Mechanistische Erklärung 3. Neuronale Mechanismen 4. Erklärung des Bewusstseins?
1. Methoden der Hirnforschung 2. Mechanistische Erklärung 3. Neuronale Mechanismen 4. Erklärung des Bewusstseins? Brigitte Falkenburg 1 1. Methoden der Hirnforschung 2 top-down down/analytisch: Atomistisch
MehrTHEORETISCHE PHYSIK C NACHKLAUSUR Prof. Dr. J. Kühn Dienstag, 27.4.2 Dr. S. Uccirati 7:3-2:3 Uhr Bewertungsschema für Bachelor Punkte Note < 4 5. 4-5.5 4.7 6-7.5 4. 8-9.5 3.7 2-2.5 3.3 22-23.5 3. 24-25.5
MehrWir untersuchen die Bewegungsleichung des mathematischen (gedämpften) Fadenpendels in einer Dimension. = 0, ϕ (0)
3.1 Beispiel: mathematisches Pendel Wir untersuchen die Bewegungsleichung des mathematischen (gedämpften) Fadenpendels in einer Dimension ϕ+α ϕ+ω 2 0 sinϕ = 0, Ω2 0 = g/l (1) Das äquivalente System 1.
MehrPhysiologische Korrelate des BOLD-Signals
SPM-Kurs 2016 Physiologische Korrelate des BOLD-Signals Tobias Sommer-Blöchl, NN NeuroImage Nord, Institut für Systemische Neurowissenschaften BOLD-Effekt CBF & Glukoseverbrauch Einleitung O 2 -Verbrauch
Mehr(t - t ) (t - t ) bzw. δ ε. θ ε. (t - t ) Theorie A (WS2005/06) Musterlösung Übungsblatt ε= 0.1 ε= t ) = lim.
Theorie A (WS5/6) Musterlösung Übungsblatt 7 6..5 Θ(t t [ t t ) = lim arctan( ) + π ] ε π ε ( ) d dt Θ(t t ) = lim ε π vergleiche Blatt 6, Aufg. b). + (t t ) ε ε = lim ε π ε ε + (t t ) = δ(t t ) Plot von
MehrPoincaré-Schnitte. Ein Vortrag im Rahmen des Proseminars Theoretische Physik von Kai Hühn und Robin Mevert
Poincaré-Schnitte Ein Vortrag im Rahmen des Proseminars Theoretische Physik von Kai Hühn und Robin Mevert Themen 1. Was sind Poincaré-Schnitte?. Anwendung: Poincaré-Schnitte Mathematica-Beispiel: Attraktor
MehrTheoretische Physik II: Quantenmechanik
Theoretische Physik II: Quantenmechanik Hans-Werner Hammer Marcel Schmidt (mschmidt@theorie.ikp.physik.tu-darmstadt.de) Wintersemester 2016/17 Probeklausur 12./13. Januar 2017 Name: Matrikelnummer: Studiengang:
Mehr4. Transiente Analyse
4. Transiente Analyse Bei der transienten Analyse wird der zeitliche Verlauf der Antwort auf eine zeitlich veränderliche Last bestimmt. Die zu lösende Bewegungsgleichung lautet: [ M ] [ü ]+[ D ] [ u ]+
MehrReaktionskinetik. Maximilian Erlacher. Quelle: Mathematical Biology: I. An Introduction, Third Edition J.D. Murray Springer
Reaktionskinetik Maximilian Erlacher Quelle: Mathematical Biology: I. An Introduction, Third Edition J.D. Murray Springer Themen: 1 Basisenzymreaktion 2 Michaelis-Menten-Analyse 3 Selbstauslöschende Kinetik
MehrExkurs: Method of multiple scales (Mehrskalen Methode)
Exkurs: Method of multiple scales (Mehrskalen Methode) dr. karin mora* Im folgenden betrachten wir nichtlineare dynamische Systeme (NDS) mit sogenannten kleinen nichtlinearen Termen. Viele mathematische
MehrVorlesung 10+11: Roter Faden:
Vorlesung 10+11: Roter Faden: Heute: Harmonische Schwingungen Erzwungene Schwingungen Resonanzen Gekoppelte Schwingungen Schwebungen, Interferenzen Versuche: Computersimulation, Pohlsches Rad, Film Brücke,
Mehr1 Definition und Konstruktion vektorwertiger Funktionen und Funktionen mehrerer Variabler
Zusammenfassung Kapitel IV: Funktionen mehrerer Veränderlicher und vektorwertige Funktionen 1 Definition und Konstruktion vektorwertiger Funktionen und Funktionen mehrerer Variabler Definition vektorwertige
MehrAuditive Verarbeitung im Gehirn: Dynamische Anpassung an die. Auditory processing in the brain: Dynamic adaptation to the acoustic environment
Auditive Verarbeitung im Gehirn: Dynamische Anpassung an die Auditory processing in the brain: Dynamic adaptation to the acoustic environment Herrmann, Björn Max-Planck-Institut für Kognitions- und Neurowissenschaften,
MehrStrom durch Bewegung
5 Induktion 1 Strom durch ewegung Stromimpuls ei ewegung des Stabmagneten wird eine Spannung erzeugt kein Stromimpuls Ohne ewegung des Stabmagneten wird keine Spannung erzeugt Stromimpuls ei ewegung des
MehrKompensation von PMD. Fasernichtlinearitäten
Kompensation von PMD mit Hilfe von Fasernichtlinearitäten Ansgar Steinkamp, Jens Kissing, Tobias Gravemann, Edgar Voges Übersicht PMD (in linearen Fasern) Solitonen (in Fasern ohne PMD) Deterministische
MehrNeuronale Netzwerke. Niels Pieper, Daniel Janßen-Müller, Daniel Ritterskamp. Betreuer: Michael Wilczek. 7. Februar 2011
Neuronale Netzwerke Niels Pieper, Daniel Janßen-Müller, Daniel Ritterskamp Betreuer: Michael Wilczek 7. Februar 2011 1 Wiederholung 2 Modell 3 spikeabhängige Plastizität 4 Anwendung 5 Literatur Biologischer
MehrCentral pattern generators für die zwei- und vierbeinige Fortbewegung
Central pattern generators für die zwei- und vierbeinige Fortbewegung Merit Kasch 18. Januar 2013 Central pattern generator (CPG) (zu Deutsch: Zentraler Muster- oder Rhythmusgenerator) ist ein Begri aus
Mehrm d2 x dt 2 = K( x), d 2 x j dt 2 = K i.
P m d2 x dt 2 = K( x), m δ ij d 2 x j dt 2 = K i. C W C = C K i dx i δ ij δ ij λδ ij, m m λ d v dt K BA = K AB R 4 E 3 R Σ Σ x = R x a, R T R = I, R... E 3 T 1, 3 + 3 + 1 = 7 E 3 = O 3 T 3,... E 3 O 3
MehrPhysik 1 für Ingenieure
Physik 1 für Ingenieure Othmar Marti Experimentelle Physik Universität Ulm Othmar.Marti@Physik.Uni-Ulm.de Skript: http://wwwex.physik.uni-ulm.de/lehre/physing1 Übungsblätter und Lösungen: http://wwwex.physik.uni-ulm.de/lehre/physing1/ueb/ue#
MehrWas bewirken Maschinen in unserem Gehirn?
Neurorehabilitation nach Schlaganfall Was bewirken Maschinen in unserem Gehirn? Tübingen (3. August 2015) - Die Neuroprothetik beschäftigt sich damit, wie Menschen Technologien wie einen Computer, eine
MehrBiologische Oszillatoren und Schalter - Teil 1
Biologische Oszillatoren und Schalter - Teil 1 Elena Süs 11.12.2012 Literatur: J.D. Murray: Mathematical Biology: I. An Introduction, Third Edition, Springer Gliederung 1 Motivation 2 Historische Entwicklung
MehrÜbungen zur Theoretischen Physik F SS 14. (a) Wenn das System nur aus einem reinen Zustand besteht, dann gilt für die Dichtematrix
Karlsruher Institut für Technologie Institut für Theorie der Kondensierten Materie Übungen zur Theoretischen Physik F SS 4 Prof. Dr. Jörg Schmalian Blatt Dr. Peter Orth and Dr. Una Karahasanovic Besprechung.7.4
MehrAufbau und Beschreibung Neuronaler Netzwerke
Aufbau und Beschreibung r 1 Inhalt Biologisches Vorbild Mathematisches Modell Grundmodelle 2 Biologisches Vorbild Das Neuron Grundkomponenten: Zellkörper (Soma) Zellkern (Nukleus) Dendriten Nervenfaser
MehrÜBUNGEN UR THEORETISCHEN PHYSIK C Bewertungsschema für Bachelor Punkte Note < 6 5. 6-7.5 4.7 8-9.5 4. -.5 3.7-3.5 3.3 4-5.5 3. 6-7.5.7 8-9.5.3 3-3.5. 3-33.5.7 34-35.5.3 36-4. nicht bestanden bestanden
MehrKlassische und relativistische Mechanik
Klassische und relativistische Mechanik Othmar Marti 13. 02. 2008 Institut für Experimentelle Physik Physik, Wirtschaftsphysik und Lehramt Physik Seite 2 Physik Klassische und relativistische Mechanik
MehrNichtlineare Dynamik Einführung
Nichtlineare Dynamik Einführung Tobias Kerscher gekürzte Internetversion (ohne fremde Bilder) Sommerakademie Ftan 2004, 13. August Gliederung 1. Def: Nichtlineare Physik 2. Typische Beispiele 3. Dynamische
Mehr