Vereinfachte Neuronenmodelle
|
|
- Gerhardt Schenck
- vor 7 Jahren
- Abrufe
Transkript
1 Vereinfachte Neuronenmodelle (Integrate & Fire, künstliche neuronale Netze) Computational Neuroscience Jutta Kretzberg
2 (Vorläufiges) Vorlesungsprogramm !! Motivation !! Neuronale Kodierung sensorischer Reize !!! Auswertung neuronaler Antworten !!! Variabilität neuronaler Antworten !!! Passive Eigenschaften von Neuronen !! Räumliche Struktur von Neuronen !! Aktive Eigenschaften von Neuronen !! ausgefallen !!! Das Hodgkin-Huxley Modell !! Das Integrate-and-Fire Modell und kurze!!!!!! Einführung in Neuronale Netze !!! Lernen in Neuronalen Netzen !! Synaptische Übertragung und Plastizität !! Dendritische Verarbeitung !! Zwei Modelle retinaler Verarbeitung
3 Programm für heute: Vergleich von Neuronenmodellen veschiedener Komplexität Integrate & Fire Neuronenmodell Idee künstlicher neuronaler Netze Grundlegende Verschaltungsmuster in neuronalen Netzen
4 Modellierung neuronaler Aktivität Integration von Eingangssignalen (synaptische oder Rezeptorpotentiale) Auslösen von Aktionspotentialen Zwei Hauptaspekte: 1. Modellierung des Verhaltens einzelner Zellen 2. Modellierung von Netzwerken
5 Modellierungsansätze abnehmende Komplexität Betrachte räumlich getrennte Untereinheiten der Zelle: Compartmental Model Betrachte die Zelle als Ganzes: Hodgkin- Huxley Betrachte die einzelnen Verarbeitungsschritte getrennt von einander: Integrate and Fire Betrachte die Arbeitsweise ganzer Netzwerke, ohne die einzelne Zelle genau zu modelieren: Künstliche neuronale Netze
6 Grundlage für die Modellierung von Einzelzellen: Passive Membran innen; Ui ie ie = ic + ir ic Rm ir U(t) Um(t) ic = Cm du(t)/dt Cm ER ir = U(t)/Rm ie außen; Ue
7 Grundlage für die Modellierung von Einzelzellen: Passive Membran Integration mit passiver Membran: du(t) U(t) Iext(t) = -. + dt C R C Diskrete Zeitschritte:. U(t). Iext(t) U(t+1) = U(t)- t. + t C R C Schwelle: Simulationsparameter: Modellparameter: U(t=0), Δt C, R S(t) = 1 wenn U(t)>O, sonst S(t)=0
8 Matlab-Simulation einer passiven Membran Ausgabe: integriertes Membranpotential Eingabe: injizierter Strom I_ext und u sind Vektoren, z.b. I_ext=[ ] function u=integrate(i_ext) %Festlegung von Parametern: C=1; R=25; dt=0.01; u(1)=0; % Kapazitaet in pf % Eingangswiderstand der Zelle in MOhm % Zeitschritte in msec % Ausgangspunkt des Membranpotentials anzpunkte=length(i_ext); %Laenge der Strominjektion bestimmen %Integration mit der Euler Methode: for t=2:anzpunkte u(t)=u(t-1)-dt*(u(t-1)/(c*r))+dt*(i_ext(t)/c); end
9 Grundlage für die Modellierung von Einzelzellen: Passive Membran Integration mit passiver Membran: du(t) U(t) Iext(t) = -. + dt C R C Im(t) Iext(t) = - + C C Diskrete Zeitschritte:. U(t). Iext(t) U(t+1) = U(t)- t. + t C R C Schwelle: Simulationsparameter: Modellparameter: U(t=0), Δt C, R S(t) = 1 wenn U(t)>O, sonst S(t)=0
10 Erweiterung: Aktive Membran C du(t) innen dt = -Im(t)-INa(t)-IK(t)+Iext(t) i m U i Im(t)=gm(t).(U(t)-Er) = U(t)/R INa(t)=gNa(t).(U(t)-ENa) IK(t)=gK(t).(U(t)-EK) c m g m i K g K i Na g Na Hodgkin-Huxley: Er EK ENa Bestimmung von gna(t) und gk(t) mit außen Ue Hilfe der Zustandsvariablen m, n und h
11 Hodgkin-Huxley Gleichungen 4 gekoppelte Differentialgleichungen mit sehr vielen Parametern
12 Compartmental Models Anatomie der Zelle wird nachgebildet Einzelne Abschnitte werden durch Kabeltheorie beschrieben Sehr exakte In Abschnitten mit Spannungsabhängigen Prozessen werden Hodgkin-Huxley Gleichungen verwendet. Beschreibung des Neurons mit sehr vielen Parametern
13 Von der passiven Membran zu Integrate & Fire Integration mit passiver Membran: innen; Ui ie du(t) U(t) Iext(t) = -. + dt C R C i c Cm Rm i r U(t) E R U m (t) Diskrete Zeitschritte: i e außen; U e. U(t). Iext(t) U(t+1) = U(t)- t. + t C R C Idee: Nur Zeitpunkte der Spikes modellieren Umsetzung: Schwelle S(t) = 1 wenn U(t)>θ, sonst S(t)=0
14 Matlab-Simulation eines Integrate & Fire Neurons function s=integrate_and_fire(i_ext) %Festlegung von Parametern: C=1; % Kapazitaet in pf R=25; % Eingangswiderstand der Zelle in MOhm dt=0.01; % Zeitschritte in msec u(1)=0; % Ausgangspunkt des Membranpotentials theta=10; % Feuerschwelle in mv anzpunkte=length(i_ext); %Laenge der Strominjektion bestimmen %Integration mit der Euler Methode: for t=2:anzpunkte u(t)=u(t-1)-dt*(u(t-1)/(c*r))+dt*(i_ext(t)/c); if u(t)>theta % Wenn die Feuerschwelle ueberschritten ist s(t)=1; % wird ein Spike ausgeloest u(t)=u(1); % und das Membranpotential zurueckgesetyt else % sonst s(t)=0; % wird kein Spike ausgeloest. end end
15 Erweiterungen des Integrate & Fire Modells Die Standardform des Integrate & Fire Modells kann zwar viele Aspekte des neuronalen Feuerverhaltens nachbilden, hat aber auch viele Nachteile. Deshalb gibt es als phänomenologische Erweiterungen z.b.: Absolute Refraktärzeit (if-abfrage, die erneuten Spike in der Refraktärzeit verhindert) Relative Refraktärzeit (z.b. indem die Spike- Wahrscheinlichkeit nach Ende der absoluten Refraktärzeit exponentiell ansteigt) Adaptation (z.b. durch Modellierung von Hyperpolarisation nach Auftreten eines Spikes) Stochastische Antworten (z.b. durch eine auf das Membranpotential addierte Zufallszahl)
16 Netzwerke aus Integrate & Fire Neuronen Integrate & Fire Modelle sind einfach genug, um auch große neuronale Netze zu simulieren Künstliche neuronale Netze sind an synaptisch miteinander verkoppelte Neurone angelehnt Es wird ein gekoppeltes Gleichungssystem aufgestellt, bei dem für jedes Neuron die Feuerrate berechnet wird Als Input werden zusätzlich zum injezierten Strom Iext(t) synaptische Eingangssignale verwendet: du(t) U(t) Iext(t) i = -. i + + dt C R C j wij fj(t) C
17 Netzwerke aus Integrate & Fire Neuronen für jedes Neuron i: diskret: du(t) U(t) Iext(t) i = -. i + + dt C R C U(t+1) = U(t)+Δt - U(t) Iext(t) i. i C R + C + j wij fj(t) C.( wij fj(t) ) i j C präsynaptisch postsynaptisch i wij: synaptisches Gewicht von Neuron j zu Neuron i fj(t)=g(uj(t)): Antwort von Neuron j, ermittelt mit stationärer Nichtlinearität g
18 Idee künstlicher neuronaler Netze präsynaptisch postsynaptisch Weitere Vereinfachung der Aktivität von Neuron i: Membraneigenschaften werden vernachlässigt Zeitpunkte einzelner Aktionspotentiale unwichtig häufig auch keine Strominjektion vorgesehen rein phänomenologische Betrachtung der Spikeraten zeitlich diskrete Berechnung i Formel reduziert sich zu: fi(t+1)=g( wij fj(t)) j Notwendige Wahl: Aktivierungsfunktion 1 Parameter pro Verbindung
19 Bedeutung der Parameter künstlicher neuronaler Netze fi(t+1)=g( wij fj(t)) Die Funktion g setzt die gewichtete, summierte Aktivität der präsynaptischen Neurone in eine Feuerrate um. Normalerweise ist g nichtlinear, z.b. eine Sigmoidfunktion. Das synaptische Gewicht wij fasst alle Aspekte synaptischer Übertragung zusammen, z.b.: Die Anzahl Vesikelbindungsstellen Die Wahrscheinlichkeit der Transmitterfreisetzung Den postsynaptischen Effekt eines Transmitterquantum Excitation: wij>0, Inhibition: wij<0 Ziel der meisten Studien: Finden optimaler wij bei festem g j
20 Grundlegende Verschaltungen: 1:1-Verschaltung Die Aktivität eines präsynaptischen Neurons wird gewichtet an ein postsynaptisches Neuron übertragen präsynaptisch postsynaptisch Dabei kann durch Inhibition eine Vorzeichenumkehr stattfinden Bedeutung: 1. Prä- und postsynaptische Zelle haben gleiche rezeptive Felder 2. Topologie-erhaltende Abbildung des Reizortes
21 Grundlegende Verschaltungen: Konvergenz präsynaptisch postsynaptisch Bedeutung: Räumliche Vergrößerung des rezeptiven Feldes 2. Komplexe Struktur des rezeptiven Feldes 3. Zeitlicher Vergleich der Inputs möglich 4. Erhöhte Zuverlässigkeit bei redundanten Inputs Die Aktivität mehrerer präsynaptischer Neuronen wird durch ein postsynaptisches Neuron integriert Die synaptischen Verbindungen können unterschiedlich stark sein Excitation und Inhibition (auch shunting inhibition) können gemischt auftreten Das postsynaptische Neuron nimmt eine Mittelung der gewichteten präsynaptischen Aktivitäten vor In biologischen neuronalen Netzen ist die Interaktion nichtlinear
22 Konvergenz: Integration vs Koinzidenzdetektion präsynaptisch postsynaptisch z.b. Ermittlung von Reizintensität durch zeitliche Integration im visuellen Cortex z.b. Vergleich zwischen Ohren bei Richtungshören im auditorischen Cortex Zusätzlich zur räumlichen hat Konvergenz auch eine zeitliche Komponente Wichtiger Parameter: Zeitskala der Konvergenz lange Integrationszeiten bedeuten zeitliche Integration => Ratencode kurze Integrationszeiten ermöglichen Koinzidenzdetektion => Zeitcode
23 Grundlegende Verschaltungen: Divergenz präsynaptisch postsynaptisch Bedeutung: Mehrere präsynaptische Neurone mit gleichem rezeptiven Feld 2. Erhöhte Zuverlässigkeit der Populationsantwort bei unzuverlässigen Synapsen Die Aktivität eines präsynaptischen Neurons wird an mehrere postsynaptische Neurone weitergegeben Die synaptischen Verbindungen können unterschiedlich stark sein In künstlichen neuronalen Netzen kann ein Neuron normalerweise sowohl erregende als auch hemmende Synapsen bilden Bei biologischen Neuronen ist nur für manche Transmitter Excitation und Inhibition möglich
24 Grundlegende Verschaltungen: Vorzeichenumkehr + präsynaptisch postsynaptisch - + Bedeutung: 1. Möglichkeit, Excitation und Inhibition zu kombinieren 2. Hemmung eines Gegenspielers bewirkt indirekte Verstärkung Die Aktivität eines präsynaptischen Neurons wird sowohl direkt an postsynaptische Neurone, als auch an postynaptische Interneurone weitergegeben, die bei der weiteren Verschaltung das Vorzeichen umkehren
25 Grundlegende Verschaltungen: komplette Vernetzung präsynaptisch postsynaptisch Bedeutung: 1. Postsynaptische Zellen können komplexe rezeptive Felder haben 2. Vorteile von Konvergenz und Divergenz werden kombiniert Alle präsynaptischen Neuron sind mit allen postsynaptischen verbunden Synaptische Gewichte können unterschiedlich und Excitation und Inhibition gemischt sein (soweit Transmitterausstattung biologischer Neurone das zulässt) Normalfall für künstliche neuronale Netze, die häufig mit zufällig gewählten Gewichten einer kompletten Vernetzung initialisiert werden
26 Grundlegende Verschaltungen: Reziproke Vernetzung (Feedback) Selbsterregung Selbsterregung Selbsthemmung Zwei Neurone sind wechselseitig miteinander verschaltet Information fließt im Kreis, Neurone sind also gleichzeitig präund postsynaptisch zu sich selbst Bedeutung: 1. Aktivität hängt nicht nur von sensorischen Inputs ab 2. Es können sich typische Aktivitätsmuster entwickeln 3. Besonders wichtig bei Taktgeber-Netzwerken z.b. Stomatogastrisches Ganglion:
27 Grundlegende Verschaltungen: Rekurrente Vernetzung (Feedback) Bedeutung: 1. Netzwerk-intrinsische Aktivität überlagert stimulus-getriebene 2. Definition von rezeptiven Feldern wird schwierig (oder unmöglich) Allgemeiner Fall des Feedbacks Mehrere Neurone sind im Kreis miteinander verbunden Es gibt also keine eindeutig geschichtete Struktur Alle Kombinationen aus Erregung und Hemmung sind möglich Neurone können an mehreren Feedback-Schleifen beteiligt sein Normalfall kortikaler Verarbeitung Bei künstlichen neuronalen Netzen sehr mächtig, aber schwer analysierbar
28 Der Normalfall: Kombination vieler Möglichkeiten
29 Zusammenfassung: Vergleich der Modelle künstl. NN Integrate & Fire Hodgkin & Huxley Compartment Models Komplexität Reproduziert 1 Parameter pro Synapse nur Feuerraten 1 DGL 4 Parameter nur Spike- Zeitpunkte 4 DGL > 20 Parameter Verlauf des Membranpotentials im Soma je nach Größe sehr viele DGL und Parameter räumlich aufgelöster Membranpotentialverlauf typische Fragestellung technische Anwendung, grosse Netze Netzwerke, neuronales Rauschen Einfluss von Ionen, Adaptation dendritische Integration Netzwerk Einzelzelle
30 Literaturtipp Fig. 3. A.V.M. Herz, T. Gollisch, C.M. Machens, D. Jaeger: Modeling Single-Neuron Dynamics and Computations: A Balance of Detail and Abstraction Science 314:80-85, 2006
31 Welches Modell? Das Modell muss der Fragestellung angepasst sein: Werden Intrazellulär- oder Extrazellulär-Daten reproduziert? Ist die Zeitstruktur des unterschwelligen Membranpotentials oder die Spikeform wichtig? Möchte man Aussagen über die Entstehung eines Phänomens machen? Die Simulation muss den technischen Möglichkeiten entsprechen. Goldene Regel: So wenige Parameter wie möglich, aber so viele wie nötig!
Aufbau 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
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
MehrVisuelle Wahrnehmung I
Visuelle Wahrnehmung I Licht: physikalische Grundlagen Licht = elektromagnetische Strahlung Nur ein kleiner Teil des gesamten Spektrums Sichtbares Licht: 400700 nm Licht erst sichtbar, wenn es gebrochen
MehrZentrales Nervensystem
Zentrales Nervensystem Funktionelle Neuroanatomie (Struktur und Aufbau des Nervensystems) Neurophysiologie (Ruhe- und Aktionspotenial, synaptische Übertragung) Fakten und Zahlen (funktionelle Auswirkungen)
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
MehrWas bisher geschah. Lernen: überwachtes Lernen. biologisches Vorbild neuronaler Netze: unüberwachtes Lernen
Was bisher geschah Lernen: überwachtes Lernen korrigierendes Lernen bestärkendes Lernen unüberwachtes Lernen biologisches Vorbild neuronaler Netze: Neuron (Zellkörper, Synapsen, Axon) und Funktionsweise
Mehr3. Neuronenmodelle. 1. Einleitung zur Modellierung. 2. Hodgkin-Huxley-Modell. 3. Grundmodell in kontinuierlicher und diskreter Zeit
3. Neuronenmodelle 1. Einleitung zur Modellierung 2. Hodgkin-Huxley-Modell 3. Grundmodell in kontinuierlicher und diskreter Zeit 4. Transferfunktionen (Kennlinien) für Neuronen 5. Neuronenmodelle in Anwendungen
MehrBeide bei Thieme ebook
Beide bei Thieme ebook Neurophysiologie 1) Funktionelle Anatomie 2) Entstehung nervaler Potentiale 3) Erregungsfortleitung 4) Synaptische Übertragung 5) Transmitter und Reflexe 6) Vegetatives Nervensystem
MehrNaCl. Die Originallinolschnitte, gedruckt von Marc Berger im V.E.B. Schwarzdruck Berlin, liegen als separate Auflage in Form einer Graphikmappe vor.
NaCl Künstlerische Konzeption: Xenia Leizinger Repros: Roman Willhelm technische Betreuung und Druck: Frank Robrecht Schrift: Futura condensed, Bernhard Modern Papier: Igepa Design Offset naturweiß 120
MehrDie Entwicklung der Gefühle: Aspekte aus der Hirnforschung. Andreas Lüthi, Friedrich Miescher Institut, Basel
Die Entwicklung der Gefühle: Aspekte aus der Hirnforschung Andreas Lüthi, Friedrich Miescher Institut, Basel Wie lernen wir Angst zu haben? Wie kann das Gehirn die Angst wieder loswerden? Angst und Entwicklung
MehrEinführung in neuronale Netze
Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze
MehrZentrales Nervensystem
Zentrales Nervensystem Funktionelle Neuroanatomie (Struktur und Aufbau des Nervensystems) Evolution des Menschen Neurophysiologie (Ruhe- und Aktionspotenial, synaptische Übertragung) Fakten und Zahlen
MehrMessung des Ruhepotentials einer Nervenzelle
Messung des Ruhepotentials einer Nervenzelle 1 Extrazellulär Entstehung des Ruhepotentials K+ 4mM Na+ 120 mm Gegenion: Cl- K + kanal offen Na + -kanal zu Na + -K + Pumpe intrazellulär K+ 120 mm Na+ 5 mm
MehrNeuronenmodelle II. Abstraktionsebenen von Einzelzellmodellen Das Leaky-Integrate-And-Fire (LIF) Modell. Martin Nawrot
Bachelor Program Bioinformatics, FU Berlin VS : Systemische Physiologie - Animalische Physiologie für Bioinformatiker Neuronenmodelle II Abstraktionsebenen von Einzelzellmodellen Das Leaky-Integrate-And-Fire
MehrDas Denken Verstehen: Chancen und Grenzen von Simulationen, Modellen und Theorien in der Hirnforschung
Das Denken Verstehen: Chancen und Grenzen von Simulationen, Modellen und Theorien in der Hirnforschung Ebenen neuronaler Dynamik und Signalverarbeitung Human Brain Project (HBP) Ebenen neuronaler Dynamik
MehrDie neuronale Synapse
Die neuronale Synapse AB 1-1, S. 1 Arbeitsweise der neuronalen Synapse Wenn am synaptischen Endknöpfchen ein Aktionspotenzial ankommt, öffnen sich spannungsgesteuerte Calciumkanäle. Da im Zellaußenmedium
MehrDas synaptische Interaktionsgeflecht
Synaptische Integration und Plastizität. Synaptische Mechanismen von Lernen und Gedächtnis Das synaptische Interaktionsgeflecht Praesynapse Praesynapse Postsynapse Astroglia Verrechnung (Integration) an
Mehr1 Grundprinzipien statistischer Schlußweisen
Grundprinzipien statistischer Schlußweisen - - Grundprinzipien statistischer Schlußweisen Für die Analyse zufallsbehafteter Eingabegrößen und Leistungsparameter in diskreten Systemen durch Computersimulation
MehrSoftcomputing Biologische Prinzipien in der Informatik. Neuronale Netze. Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003
Softcomputing Biologische Prinzipien in der Informatik Neuronale Netze Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003 Überblick Motivation Biologische Grundlagen und ihre Umsetzung
MehrÜbung 6 Vorlesung Bio-Engineering Sommersemester Nervenzellen: Kapitel 4. 1
Bitte schreiben Sie Ihre Antworten direkt auf das Übungsblatt. Falls Sie mehr Platz brauchen verweisen Sie auf Zusatzblätter. Vergessen Sie Ihren Namen nicht! Abgabe der Übung bis spätestens 21. 04. 08-16:30
Mehr1 Differentialgleichungen mit Matlab lösen
1 Differentialgleichungen mit Matlab lösen Eine Differentialgleichung (DGL) ist eine Gleichung für eine gesuchte Funktion mit einer oder mehreren Variablen, in der auch Ableitungen dieser Funktion vorkommen.
MehrNeurosensorik - Touch Zentrale Verarbeitung
Neurosensorik - Touch Zentrale Verarbeitung Jutta Kretzberg 26.1.2006 http://www.uni-oldenburg.de/sinnesphysiologie/ 3 Vorlesungstermine Fühlen Überblick über verschiedene Aspekte des Fühlens Somatosensorik
MehrMartin Stetter WS 04/05, 2 SWS. VL: Dienstags 8:30-10 Uhr
Statistische und neuronale Lernverfahren Martin Stetter WS 04/05, 2 SWS VL: Dienstags 8:30-0 Uhr PD Dr. Martin Stetter, Siemens AG Statistische und neuronale Lernverfahren Behandelte Themen 0. Motivation
MehrGliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron
Neuronale Netzwerke Gliederung Biologische Motivation Künstliche neuronale Netzwerke Das Perzeptron Aufbau Lernen und Verallgemeinern Anwendung Testergebnis Anwendungsbeispiele Zusammenfassung Biologische
Mehrwinter-0506/tierphysiologie/
Die Liste der Teilnehmer der beiden Kurse für Studenten der Bioinformatik finden Sie auf unserer web site: http://www.neurobiologie.fu-berlin.de/menu/lectures-courses/ winter-0506/tierphysiologie/ Das
MehrReizleitung in Nervenzellen. Nervenzelle unter einem Rasterelektronenmikroskop
Reizleitung in Nervenzellen Nervenzelle unter einem Rasterelektronenmikroskop Gliederung: 1. Aufbau von Nervenzellen 2. Das Ruhepotential 3. Das Aktionspotential 4. Das Membranpotential 5. Reizweiterleitung
MehrDas Ruhemembranpotential eines Neurons
Das Ruhemembranpotential eines Neurons An diesem Ungleichgewicht sind 4 Arten von Ionen maßgeblich beteiligt: - Natriumionen (Na + ) (außen viel) - Kaliumionen (K + ) (innen viel) - Chloridionen (Cl -
MehrChemisches Potential und Nernstgleichung Carsten Stick
Chemisches Potential und Nernstgleichung Carsten Stick Definition der mechanischen Arbeit: Kraft mal Weg W = F! ds W = Arbeit oder Energie; F = Kraft; s = Weg Diese Definition lässt sich auch auf die Kompression
MehrNERVENZELLEN UND NERVENIMPULSE
6 NERVENZELLEN UND NERVENIMPULSE Neuronendoktrin: RAMON Y CAJAL (Ende 19.Jhd.): Neuronen liegen zwar beieinander, sind aber physisch voneinander getrennt; Verbindung der Nervenzellen untereinander geschieht
MehrAllgemeine Psychologie: Neurophysiologie. Sommersemester 2008. Thomas Schmidt
Allgemeine Psychologie: Neurophysiologie Sommersemester 2008 Thomas Schmidt Folien: http://www.allpsych.uni-giessen.de/thomas Literatur Rosenzweig et al. (2005), Ch. 2 + 3 Anatomie des Nervensystems Zentrales
MehrSynapsen und synaptische Integration: Wie rechnet das Gehirn?
Synapsen und synaptische Integration: Wie rechnet das Gehirn? Kontaktstellen zwischen Neuronen, oder zwischen Neuronen und Muskel (neuromuskuläre Synapse) Entsprechend der Art ihrer Übertragung unterscheidet
MehrWas versteht man unter partiellen (fokalen) epileptischen Anfällen? Welche Unterformen gibt es?
Was versteht man unter partiellen (fokalen) epileptischen Anfällen? Welche Unterformen gibt es? Nennen Sie zwei genetische Faktoren, die zu einer Hirnschädigung führen können. Geben Sie je ein Beispiel
MehrDiskrete und Kontinuierliche Modellierung
Diskrete und Kontinuierliche Modellierung Bei Modellen unterscheidet man unter anderem zwischen diskreten und kontinuierlichen Modellen. In diesem Artikel möchte ich den Unterschied zwischen beiden Arten
MehrNervensysteme und neuronale Koordination
Nervensysteme und neuronale Koordination Sensorischer Input Sensorische Filterung Funktionelle Hauptteile des Zentralnervensystems Sensorische Zentren Neuronale Verschaltung Genetische Information Erfahrung
MehrC07 Membranmodell und Signalausbreitung C07
1. ZIELE In diesem Versuch werden Sie den Transport von elektrischen Signalen in Nervenzellen mit einem Modell simulieren. Die Ausbreitung dieser Signale wird allein durch die elektrischen Eigenschaften
MehrSchematische Übersicht über das Nervensystem eines Vertebraten
Schematische Übersicht über das Nervensystem eines Vertebraten Die Integration des sensorischen Eingangs und motorischen Ausgangs erfolgt weder stereotyp noch linear; sie ist vielmehr durch eine kontinuierliche
MehrEine typische Zelle hat ein Volumen von m 3 und eine Oberfläche von m 2
ÜBUNGSBEISPIELE Beispiel 1. Wieviele Ladungen sind für das Ruhepotentialpotential von -70 mv nötig?? Zusatzinfo: Membrankondensator 0.01F/m 2 Wieviele K Ionen sind dies pro m 2?? Eine typische Zelle hat
MehrUnterrichtsvorhaben I: Bau, Funktion, Lage und Verlauf von Nervenzellen
Inhaltsverzeichnis Gk Qualifikationsphase Inhaltsfeld 4: Neurobiologie... 1 Unterrichtsvorhaben I: Bau, Funktion, Lage und Verlauf von Nervenzellen... 1 24 Unterrichtsstunden=8 Wochen Kontext: Vom Reiz
MehrWie steuert unser Gehirn Bewegungen?
Wie steuert unser Gehirn Bewegungen? Schema der motorischen Kontrolle Kontrollzentren im Gehirn (motorischer Cortex, Basal- Ganglien, Cerebellum) Zentrale Rhythmusgeneratoren im Rückenmark Absteigende
MehrSensoren: Sensorische Rezeptorzellen: Übertragen spezifische Reize aus der Umwelt in das Nervensystem
Sensoren: Sensorische Rezeptorzellen: Übertragen spezifische Reize aus der Umwelt in das Nervensystem spezialisierte Neuronen, durch Stimulus aktiviert und Info an Zentralnervensystem weitergeleitet, oder:
MehrGedankenlesen: Wie Nervenzellen Sinnesreize darstellen und auslesen Thought-reading: Decoding spike-based neuronal representations
Gedankenlesen: Wie Nervenzellen Sinnesreize darstellen und auslesen Thought-reading: Decoding spike-based neuronal representations Gütig, Robert Max-Planck-Institut für experimentelle Medizin, Göttingen
MehrVisualisierung von spikenden neuronalen Netzwerken. Entwicklung einer Webapplikation zum Veröffentlichen von Netzwerkmodellen
Studienprojekte Wintersemester 2014 Visualisierung von spikenden neuronalen Netzwerken Entwicklung einer Webapplikation zum Veröffentlichen von Netzwerkmodellen, m.pyka@rub.de Mercator Research Group Structure
MehrÜBUNGSBEISPIELE Beispiel 1.
ÜBUNGSBEISPIELE Beispiel 1. Wieviele Ladungen sind für das Ruhepotentialpotential von -70 mv nötig?? Zusatzinfo: Membrankondensator 0.01F/m 2 a) Wieviele K + Ionen sind dies pro m 2?? Eine typische Zelle
MehrGrundlagen neuronaler Aktivität
Grundlagen neuronaler Aktivität Physikalische Grundlagen der medizinischen Bildgebung Thorsten Rings Universität Bonn 23.6.2014 Thorsten Rings (Universität Bonn) Grundlagen neuronaler Aktivität 23.6.2014
MehrPsychophysiologie der Kognition
Frank Rösler Psychophysiologie der Kognition Eine Einführung in die Kognitive Neurowissenschaft 1.1 1.1.1 1.1.2 1.1.3 1.1.4 1.2 1.3 1.3.1 2.1 2.1.1 2.1.2 2.1.3 2.1.4 2.2 2.2.1 2.2.2 2.2.3 2.2.4 2.2.5 2.2.6
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
MehrVisueller Kortex. Retinale Informationsverarbeitung. Primärer visueller Kortex. Höhere kortikale Areale. Reliabilität Effizienz.
Visueller Kortex Retinale Informationsverarbeitung Reliabilität Effizienz Primärer visueller Kortex Verteilstation Höhere kortikale Areale Spezifische, zielgerichtete Auswertung Retino-kortikale Bahnen
MehrElektrische und magnetische Felder
Marlene Marinescu Elektrische und magnetische Felder Eine praxisorientierte Einführung Mit 260 Abbildungen @Nj) Springer Inhaltsverzeichnis I Elektrostatische Felder 1 Wesen des elektrostatischen Feldes
MehrDas Auge. Photorezeptoren (Zapfen und Stäbchen) Photorezeptormosaik Sehschärfe Dunkeladaptation Laterale Hemmung und Konvergenz
Das Auge Photorezeptoren (Zapfen und Stäbchen) Photorezeptormosaik Sehschärfe Dunkeladaptation Laterale Hemmung und Konvergenz Aufbau des Sehsystems Lichtreize Das Sehsystem ist empfindlich für elektromagnetische
MehrAlgorithmen mit konstantem Platzbedarf: Die Klasse REG
Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August
MehrSchmerz, Grundlagen AB 1-1, S. 1
Schmerz, Grundlagen AB 1-1, S. 1 Text 1: Schmerzqualitäten Zunächst einmal unterscheidet man zwischen somatischen und visceralen Schmerzen. Somatischer Schmerz geht von der Haut, von Muskeln, Gelenken,
MehrDie Nervenzelle 1. EINLEITUNG 2. NEURONEN (= NERVENZELLEN) Biopsychologie WiSe Die Nervenzelle
Die Nervenzelle 1. Einleitung 2. Neuronen (Evolution & Funktionelle Anatomie) 3. Neuronentypen 4. Gliazellen 5. Methoden zur Visualisierung von Neuronen Quelle: Thompson Kap. (1), 2, (Pinel Kap. 3) 1.
MehrModellierung von HF Schleifenantennen und ihre Anwendung bei der RFID Systemoptimierung
1 Modellierung von HF Schleifenantennen und ihre Anwendung bei der g Wei Lin Bernd Geck Christian Lanschützer Hermann Eul Institut für Hochfrequenztechnik und Funksysteme Prof. Dr. Hermann Eul 2 Index
Mehr2. Algorithmen und Algorithmisierung Algorithmen und Algorithmisierung von Aufgaben
Algorithmen und Algorithmisierung von Aufgaben 2-1 Algorithmisierung: Formulierung (Entwicklung, Wahl) der Algorithmen + symbolische Darstellung von Algorithmen Formalismen für die symbolische Darstellung
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrBiologische Grundlagen der Elektrogenese
Proseminar: Elektrophysiologie kognitiver Prozesse WS 2008/2009 Dozentin: Dr. Nicola Ferdinand Referent: Michael Weigl Biologische Grundlagen der Elektrogenese Ein Überblick Zum Einstieg Die Gliederung
MehrNeuronale Netze mit mehreren Schichten
Neuronale Netze mit mehreren Schichten Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Neuronale Netze mit mehreren
MehrSchriftlicher Test Teilklausur 2
Technische Universität Berlin Fakultät IV Elektrotechnik und Informatik Künstliche Intelligenz: Grundlagen und Anwendungen Wintersemester 2009 / 2010 Albayrak, Fricke (AOT) Opper, Ruttor (KI) Schriftlicher
MehrDie Nervenzelle Funktioneller Aufbau
Neuronale Plastizität Aspekte der Hirnforschung, die für das ZRM wichtig sind (Entwurf von Annette Diedrichs, ZRM-Ausbildungstrainerin) 1. Nervenzelle: Aufbau und Reizübertragung Eine Nervenzelle hat viele
MehrC.3 Funktionen und Prozeduren
C3 - Funktionen und Prozeduren Funktionsdeklarationen in Pascal auch in Pascal kann man selbstdefinierte Funktionen einführen: Funktionen und Prozeduren THEN sign:= 0 Funktion zur Bestimmung des Vorzeichens
Mehr(künstliche) Neuronale Netze. (c) Till Hänisch 2003,2015, DHBW Heidenheim
(künstliche) Neuronale Netze (c) Till Hänisch 2003,2015, DHBW Heidenheim Literatur zusätzlich zum Lit. Verz. Michael Negnevitsky, Artificial Intelligence, Addison Wesley 2002 Aufbau des Gehirns Säugetiergehirn,
MehrKapitel 05.02: Die Nervenzelle
Kapitel 05.02: Die Nervenzelle 1 Kapitel 05.02: Die Nervenzelle Kapitel 05.02: Die Nervenzelle 2 Inhalt Kapitel 05.02: Die Nervenzelle...1 Inhalt... 2 Informationsweiterleitung im menschlichen Körper...3
MehrMinisterium für Schule und Weiterbildung NRW BI GK HT 1 Seite 1 von 6. Unterlagen für die Lehrkraft. Abiturprüfung Biologie, Grundkurs
Seite 1 von 6 Unterlagen für die Lehrkraft Abiturprüfung 2007 Biologie, Grundkurs 1. Aufgabenart I Bearbeitung fachspezifischen Materials mit neuem Informationsgehalt 2. Aufgabenstellung Thema: Pflanzenschutz
MehrPRAKTIKUM REGELUNGSTECHNIK 2
FACHHOCHSCHULE LANDSHUT Fachbereich Elektrotechnik Prof. Dr. G. Dorn PRAKTIKUM REGELUNGSTECHNIK 2 1 Versuch 4: Lageregelung eines Satelitten 1.1 Einleitung Betrachtet werde ein Satellit, dessen Lage im
MehrHeute werden nochmals Skripten für den Kurs verkauft (5,- ). Alle brauchen ein Skript!!
Abbildungen der Vorlesung finden Sie unter: http://www.neurobiologie.fu-berlin.de/menu/lectures-courses/ winter-0506/23%20113%20tierphysiologie/themenliste23113.html Heute werden nochmals Skripten für
Mehr2.) Material und Methode
1.) Einleitung: Wenn man unser Nervensystem und moderne Computer vergleicht fällt erstaunlicherweise auf, dass das Nervensystem ungleich komplexer ist. Dazu ein kurzer Überblick: Das menschliche Nervensystem
MehrDas lineare Gleichungssystem
26/27 Grundwissen Analytische Geometrie I m1 as lineare Gleichungssystem Man startet zuerst mit der Betrachtung eines linearen Gleichungssystem mit zwei Unbekannten.(Genaueres siehe Skript) Einführung
MehrIn der Membran sind Ionenkanäle eingebaut leiten Ionen sehr schnell (10 9 Ionen / s)
Mechanismen in der Zellmembran Abb 7.1 Kandel Neurowissenschaften Die Ionenkanäle gestatten den Durchtritt von Ionen in die Zelle. Die Membran (Doppelschicht von Phosholipiden) ist hydrophob und die Ionen
MehrR C 1s =0, C T 1
Aufgaben zum Themengebiet Aufladen und Entladen eines Kondensators Theorie und nummerierte Formeln auf den Seiten 5 bis 8 Ein Kondensator mit der Kapazität = 00μF wurde mit der Spannung U = 60V aufgeladen
MehrAufbau und Funktionweise der Nervenzelle - Wiederholung Vorlesung -
Aufbau und Funktionweise der Nervenzelle - Wiederholung Vorlesung - Fragen zur Vorlesung: Welche Zellen können im Nervensystem unterschieden werden? Aus welchen Teilstrukturen bestehen Neuronen? Welche
Mehr$ % $ &' " %& '& "( ) "% *! % + - $#../0# # & (
! "# $ % $ &' " "' (')))*'+,-*')'- )-!"#$ %& '& "( ) "% *! % +,%(,# - $#../0# # & ( 1#$/0234 5 6 4%7389/ Kreativität ist gefragt. Die Forderung nach mehr kreativen Ideen und Lösungen ist nicht nur im künstlerischen
MehrGeometrische Brownsche Bewegung und Brownsche Brücke
Seminar: Grundlagen der Simulation und Statistik von dynamischen Systemen SoSe 2012 Geometrische Brownsche Bewegung und Brownsche Brücke Korinna Griesing 10. April 2012 Dozentin: Prof. Dr. Christine Müller
Mehr7.1. Die Rückenmarknerven (Die Spinalnerven): Siehe Bild Nervenbahnen
7. Das periphere Nervensystem: 7.1. Die Rückenmarknerven (Die Spinalnerven): Siehe Bild Nervenbahnen 7.2. Die Hirnnerven: Sie stammen aus verschiedenen Zentren im Gehirn. I - XII (Parasympathikus: 3,7,9,10)
MehrEinführung in die Fuzzy Logik
Einführung in die Fuzzy Logik Einleitung und Motivation Unscharfe Mengen fuzzy sets Zugehörigkeitsfunktionen Logische Operatoren IF-THEN-Regel Entscheidungsfindung mit dem Fuzzy Inferenz-System Schlußbemerkungen
MehrNervensystem. www.tu-ilmenau.de/nano
Nervensystem ist übergeordnete Steuerungs- und Kontrollinstanz des Körpers besteht aus Nervenzellen und Stützzellen (z. B. Glia) hat drei Hauptfunktionen Reizaufnahme Reizintegration, Interpretation, Handlungsplanung
MehrFortleitung des Aktionspotentials
Fortleitung des Aktionspotentials außen innen g K Ströme während des Aktionspotentials Ruhestrom: gleich starker Ein- und Ausstrom von K+ g Na Depolarisation: Na+ Ein- Strom g K Repolarisation: verzögerter
MehrBielefeld Graphics & Geometry Group. Brain Machine Interfaces Reaching and Grasping by Primates
Reaching and Grasping by Primates + 1 Reaching and Grasping by Primates Inhalt Einführung Theoretischer Hintergrund Design Grundlagen Experiment Ausblick Diskussion 2 Reaching and Grasping by Primates
MehrWärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen
Wärmebedarfsprognose für Einfamilienhaushalte auf Basis von Künstlichen Neuronalen Netzen Internationale Energiewirtschaftstagung Wien - 12.02.2015 Maike Hasselmann, Simon Döing Einführung Wärmeversorgungsanlagen
MehrEntwicklung einer netzbasierten Methodik zur Modellierung von Prozessen der Verdunstungskühlung
Institut für Energietechnik - Professur für Technische Thermodynamik Entwicklung einer netzbasierten Methodik zur Modellierung von Prozessen der Verdunstungskühlung Tobias Schulze 13.11.2012, DBFZ Leipzig
MehrMembranen und Potentiale
Membranen und Potentiale 1. Einleitung 2. Zellmembran 3. Ionenkanäle 4. Ruhepotential 5. Aktionspotential 6. Methode: Patch-Clamp-Technik Quelle: Thompson Kap. 3, (Pinel Kap. 3) 2. ZELLMEMBRAN Abbildung
MehrMethoden der kognitiven Neurowissenschaften Elektrophysiologie
Methoden der kognitiven Neurowissenschaften Björn Herrmann; Email: bherrmann@cbs.mpg.de; Telefon (bevorzugt): 0341 9940 2606 Einführung Teilgebiet der Physiologie, das sich mit dem Ionenfluss in biologischem
MehrLehrskript Mathematik Q12 Analytische Geometrie
Lehrskript Mathematik Q1 Analytische Geometrie Repetitorium der analytischen Geometrie Eine Zusammenfassung der analytischen Geometrie an bayerischen Gymnasien von Markus Baur, StR Werdenfels-Gymnasium
Mehr4.3 Anwendungen auf Differentialgleichungen
7 4.3 Anwendungen auf Differentialgleichungen Die Laplace-Transformation wird gerne benutzt, um lineare Differentialgleichungen mit konstanten Koeffizienten y n + a n y n +... + a y + a 0 y ft zu lösen,
MehrPraktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider
Praktikum Computational Intelligence 2 Ulrich Lehmann, Johannes Brenig, Michael Schneider Versuch: Approximation einer Kennlinie mit einem Künstlich Neuronalen Netz (KNN) in MATLAB 28.01.2008 5_CI2_Deckblatt_Kennlinie_Matlab_Schn2.doc
MehrInhaltsverzeichnis EINLEITUNG... 1 GRUNDBEGRIFFE... 5 GRUNDGESETZE LINEARE ZWEIPOLE... 27
Inhaltsverzeichnis EINLEITUNG... 1 GRUNDBEGRIFFE... 5 Elektrische Ladung... 5 Aufbau eines Atom... 6 Ein kurzer Abstecher in die Quantenmechanik... 6 Elektrischer Strom... 7 Elektrische Spannung... 9 Widerstand...
Mehr(künstliche) Neuronale Netze. (c) Till Hänisch 2003, BA Heidenheim
(künstliche) Neuronale Netze (c) Till Hänisch 2003, BA Heidenheim Literatur zusätzlich zum Lit. Verz. Michael Negnevitsky, Artificial Intelligence, Addison Wesley 2002 Warum? Manche Probleme (z.b. Klassifikation)
MehrAufmerksamkeit und Bewusstsein
Aufmerksamkeit und Bewusstsein Istvan Tiringer Institut für Verhaltenswissenschaften Top-down Verarbeitung Bewusstsein Es existieren mehrere heterogene Formen von Bewusstsein und Aufmerksamkeit. Voraussetzung
MehrDas Neuron (= Die Nervenzelle)
Das Neuron (= Die Nervenzelle) Die Aufgabe des Neurons besteht in der Aufnahme, Weiterleitung und Übertragung von Signalen. Ein Neuron besitzt immer eine Verbindung zu einer anderen Nervenzelle oder einer
MehrKondensator und Spule
Hochschule für angewandte Wissenschaften Hamburg Naturwissenschaftliche Technik - Physiklabor http://www.haw-hamburg.de/?3430 Physikalisches Praktikum ----------------------------------------------------------------------------------------------------------------
MehrUniversität Ulm WS 2003 / 2004
Fortgeschrittenen-Praktikum Neurobiologie III / IV Universität Ulm WS 2003 / 2004 Versuche: 1. Intrazelluläre Ableitungen im stomatogastrischen Nervensystem des Taschenkrebses 2. Simulation eines neuronalen
MehrModellierung von Ionenkanälen und das Hodgkin-Huxley Modell. SS 2012 Mathematische Aspekte der Neuronenmodellierung und Simulation
Modellierung von Ionenkanälen und das Hodgkin-Huxley Modell SS 2012 Mathematische Aspekte der Neuronenmodellierung und Simulation Inhaltsverzeichnis Das Neuron und die Zellmembran Die Ionen Kanäle Das
MehrSimulation pulsverarbeitender neuronaler Netze Eine ereignisgetriebene und verteilte Simulation pulsverarbeitender neuronaler Netze
Simulation pulsverarbeitender neuronaler Netze Eine ereignisgetriebene und verteilte Simulation pulsverarbeitender neuronaler Netze Dissertation zur Erlangung des Doktorgrades (Dr. rer. nat.) der Mathematisch-Naturwissenschaftlichen
MehrNotationen zur Prozessmodellierung
Notationen zur Prozessmodellierung August 2014 Inhalt (erweiterte) ereignisgesteuerte Prozesskette (eepk) 3 Wertschöpfungskettendiagramm (WKD) 5 Business Process Model and Notation (BPMN) 7 Unified Modeling
MehrBK07_Vorlesung Physiologie 29. Oktober 2012
BK07_Vorlesung Physiologie 29. Oktober 2012 1 Schema des Membrantransports Silverthorn: Physiologie 2 Membranproteine Silverthorn: Physiologie Transportproteine Ionenkanäle Ionenpumpen Membranproteine,
MehrKohonennetze Selbstorganisierende Karten
Kohonennetze Selbstorganisierende Karten Julian Rith, Simon Regnet, Falk Kniffka Seminar: Umgebungsexploration und Wegeplanung mit Robotern Kohonennetze: Neuronale Netze In Dendriten werden die ankommenden
MehrDas FitzHugh-Nagumo Modell einer Nervenzelle
Das FitzHugh-Nagumo Modell einer Nervenzelle Jens Brouer 20.08.2007 Universität Hamburg, Department Mathematik, Bundesstraße 53 teddy-k@tnet.de Inhaltsverzeichnis 1 Biologische Grundlagen 2 2 Das Hodgkin-Huxley
MehrVorlesung #2. Elektrische Eigenschaften von Neuronen, Aktionspotentiale und deren Ursprung. Alexander Gottschalk, JuProf. Universität Frankfurt
Vorlesung #2 Elektrische Eigenschaften von Neuronen, Aktionspotentiale und deren Ursprung Alexander Gottschalk, JuProf Universität Frankfurt SS 2010 Elektrische Eigenschaften von Neuronen Elektrische Eigenschaften
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrLogic in a Nutshell. Christian Liguda
Logic in a Nutshell Christian Liguda Quelle: Kastens, Uwe und Büning, Hans K., Modellierung: Grundlagen und formale Methoden, 2009, Carl Hanser Verlag Übersicht Logik - Allgemein Aussagenlogik Modellierung
MehrEin Tabellenverfahren zur Lösung linearer Gleichungssysteme
Ein Tabellenverfahren zur Lösung linearer Gleichungssysteme Holger Krug 17. Februar 2007 1 Das Tabellenverfahren Zum Lösen linearer Gleichungssysteme gibt es mehrere Verfahren. Alle Verfahren haben gemeinsam,
Mehr