Modul MED-CNS008: Grundlagen der Modellierung neuronaler Systeme. VL4, , Uhr, PC-Pool, IMSID, Bachstr.18, Gebäude 1

Größe: px

Ab Seite anzeigen:

Download "Modul MED-CNS008: Grundlagen der Modellierung neuronaler Systeme. VL4, , Uhr, PC-Pool, IMSID, Bachstr.18, Gebäude 1"

Kirsten Bergmann
vor 7 Jahren
Abrufe

1 Modul MED-CNS008: Grundlagen der Modellierung neuronaler Systeme VL4, , Uhr, PC-Pool, IMSID, Bachstr.18, Gebäude 1 Lehrender: Dirk Hoyer, dirk.hoyer@med.uni-jena.de, Tel Rückgekoppelte Neurone Erregende und hemmende gewichtete Summation Direkte, indirekte und seitliche Rückkopplung Ziel der Lehrveranstaltung ist das Kennenlernen grundlegender Funktionen rückgekoppelter neuronaler Netze. Anhand von Integrate-and-Fire Neuronenmodellen und deren Interaktionen (Erregung, Hemmung, Wichtung, Summation) sollen Grundfunktionen wie Selbsterregung und Selbsthemmung, sowie das Ein- und Ausschalten von Erregungsmustern vorgestellt und in eigenen Simulationen untersucht werden.

Prinzipien der Erregungsausbreitung im Neuronenverband - jedes Aktionspotential im Startneuron löst eine Hemmung im eigenen Ursprung (Rückwärtshemmung) oder einer anderen Neuronenkette

2 Prinzipien der Erregungsausbreitung im Neuronenverband - jedes Aktionspotential im Startneuron löst eine Hemmung im eigenen Ursprung (Rückwärtshemmung) oder einer anderen Neuronenkette aus gelb: erregendes Neuron, rot: hemmendes Neuron Prinzipien der Erregungsausbreitung im Neuronenverband - Kontrastbildung durch laterale Inhibition (Hemmung) -> bessere Abbildungsschärfe

3 Prinzipien der Erregungsausbreitung im Neuronenverband - Hemmung und Bahnung einer Neuronenkette Prinzipien der Erregungsausbreitung im Neuronenverband - Erregungsspeicherung : E1 löst eine kreisende Erregung aus E2 hemmt die Übertragung auf den Effektor E3 stoppt die kreisende Erregung

4 Modellstrukturen künstlicher neuronaler Netze Netze ohne Rückkopplung (feedforward) Netze mit Rückkopplungen (feedback) - direkte Rückkopplungen (am selben Neuron) - indirekte Rückkopplungen (über weiteres Neuron) - laterale Rückkopplungen (innerhalb einer Schicht) - vollständig verbundene Netze Abstraktionsebenen der Modelle neuronaler Netze Signalebenen: - Membranpotentialverlauf (Hodkin-Huxley Modell) - Spikes als Ereignisfolgen (Integrate-and-Fire Modell) - Spikefolgefrequenz (technische künstliche neuronale Netze) In dieser Lehrveranstaltung wird die Ebene der Integrate-and-Fire Modelle behandelt.

5 Simulationsuntersuchungen: - Integrate-and-Fire Modell: gewichtete Summation erregender und hemmender Einganssignale unterschiedlicher Stärke und Dauer - Direkte Rückkopplung: Selbsterregung und Selbsthemmung - Indirekte Rückkopplung: indirekte Selbsterregung und Selbsthemmung - Ein- und Ausschalten einer kreisenden Erregung Verwendung der eigenen Matlab - Funktion Neuron.m als Integrate-and-Fire Modell Simulation eines Neurons: Integrate-and-Fire Modell - Abhängigkeit von Stärke des Eingangsstromes (Simulation _1.m)

6 Simulation eines Neurons: Integrate-and-Fire Modell - Abhängigkeit von Dauer des Eingangsstromes (Simulation_1.m) Simulation eines Neurons mit zwei gewichteten Eingängen (simulation_2.m) w1=1 w2=4 Die Integration verschiedener Eingänge erhöht die Folgefrequenz der Aktionspotentiale mit zunehmender Gewichtung.

7 Simulation eines Neurons mit einer positiven Rückkopplung (simulation_3.m) w1=1 w2=4000 ohne Rückkopplung mit Rückkopplung Nach erstem Aktionspotential ist das Neuron sensibilisiert selbständige stärkere Antwort Simulation eines Neurons mit einer negativen Rückkopplung (simulation_3.m) w1=10 w2=-4000 ohne Rückkopplung mit Rückkopplung Die negative Rückkopplung verlangsamt das Erreichen der Membranpotenzialschwelle Langsamere Aktionspotentialfolge

Simulation eines Neurons mit direkter Rückkopplung Spikefolge als Eingangssignal E1 Positive Rückkopplung: rechts oben Negative Rückkopplung: rechts unten E1 A1 U1 Ohne Rückkopplung: links unten

8 Simulation eines Neurons mit direkter Rückkopplung Spikefolge als Eingangssignal E1 Positive Rückkopplung: rechts oben Negative Rückkopplung: rechts unten E1 A1 U1 Ohne Rückkopplung: links unten (simulation_5.m) Simulation eines Neurons mit indirekter Rückkopplung E1 U1 U2 A2 Positive Rückkopplung: links Negative Rückkopplung: rechts A1 (gleiche Gewichte wie direkte Rückkopplung oben) (simulation_6.m)

Simulation eines Neurons mit indirekter Rückkopplung E1 U1 U2 A2 ohne Rückkopplung: links positive Rückkopplung: rechts A1 Sensibilisierung bis zur Triggerung einer

9 Simulation eines Neurons mit indirekter Rückkopplung E1 U1 U2 A2 ohne Rückkopplung: links positive Rückkopplung: rechts A1 Sensibilisierung bis zur Triggerung einer Dauererregung (simulation_7.m) Simulation einer kreisenden Erregung bei positivem Rückkopplungskreis Kreisende Erregung: N1-N2-N3-N4-N4-N6-N1 E1 schaltet ein E3 schaltet aus (simulation_4.m)

10 Praktikumsaufgabe: Vollziehen Sie unter Verwendung eines Integrate-and-Fire Modells (eigene Funktion Neuron.m) folgende Simulationsuntersuchungen nach. - Direkte Rückkopplung: Selbsterregung und Selbsthemmung - Indirekte Rückkopplung: indirekte Selbsterregung und Selbsthemmung - Erzeugen sowie Ein- und Ausschalten einer kreisenden Erregung Dokumentieren Sie Ihre Ergebnisse! Wie beeinflussen gewichtete hemmende und erregende Rückkopplungen das Verhalten der Netzwerke? Quellen und weiterführende Literatur: - Deetje, Speckmann, Hescheler: Physiologie. Elsevier, München A. Zell: Simulation neuronaler Netze. Oldenburg Verlag München Für die Simulationsuntersuchungen werden vorbereitete matlab-funktionen in der Lehrveranstaltung bereitgestellt.

Ähnliche Dokumente

Aufbau und Beschreibung Neuronaler Netzwerke

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