Usuário(a):Horadrim/Testes10

Página inicial: Testes

Edições completas: Mecânica estatística  • Modelo Hodgkin-Huxley  • Neurociência computacional  • Modelo probabilístico para redes neurais  • Teoria de campo médio  • Modelo FitzHugh–Nagumo  • Processo Lévy  • Cadeias de Markov  • Processo de Poisson  • Galves–Löcherbach model  • Stochastic chains with memory of variable length  • Lesão do plexo braquial  • Somatotopia  • Função densidade  • Modelos de grafos aleatórios exponenciais • Processo de Gram-Schmidt  • Equação de Chapman–Kolmogorov  • Predefinição:Processos estocásticos  • Algoritmo de autovalores  • Transição de fase  • Hipótese do cérebro crítico  • Critical brain hypothesis  • Passeio aleatório  • Plasticidade sináptica  • Potencial pós-sináptico excitatório  • Potencial pós-sináptico inibitório  • Modelo de Morris-Lecar  • Plexo braquial  • Processo gaussiano  • Campo aleatório de Markov  • Eletroencefalografia  • Modelo de Hindmarsh-Rose  • Sistemas de partícula em interação  • Medida de Gibbs  • Nervo escapular dorsal  • Nervo radial  • Nervo peitoral lateral  • Nervo musculocutâneo  • Medida de Dirac  • Nervo torácico longo  • Sigma-álgebra  • Nervo peitoral medial  • Nervo ulnar  • Potencial evocado  • Estimulação magnética transcraniana repetitiva  • Teorema de Donsker  • Desigualdade de Boole  • Codificação neural  • Aprendizado de máquina  • Independência condicional  • Inferência estatística  • Nervo subclávio  • Nervo supraescapular  • Nervo mediano  • Nervo axilar  • Movimento browniano geométrico  • Caminho autoevitante  • Tempo local  • Nervo subescapular superior  • Nervo toracodorsal  • Nervo subscapular inferior  • Caminho (teoria dos grafos)  • Campo aleatório  • Lei do logaritmo iterado

Edições em andamento: Nervo cutâneo medial do braço (N)  • Nervo cutâneo medial do antebraço (N)  • Cérebro estatístico (N)  • Statistician brain  • Distribuição de probabilidade condicional (N)  • Esperança condicional (N)  • Integral de Itō (N)  • Martingale  • Variação quadrática (N)  • Processo Ornstein–Uhlenbeck  • Ruído branco  • Teoria ergódica  • Avalanche neuronal (N)  • Teoria da percolação (N)  • Função totiente de Euler  • Ruído neuronal (N)  • Distribuição de Poisson  • Córtex cerebral  • Estímulo (fisiologia)

Referência: Modelo Galves-Löcherbach

The Galves-Löcherbach model is m é um modelo com estocasticidade intrínseca para redes de neurônios, no qual a probabilidade de disparos futuros é dependente da evolução total do sistema desde o último disparo. Esse modelo de redes neutrais foi desenvolvido pelos matemáticos Antonio Galves e Eva Löcherbach. No artigo original, de 2013, os autores chamaram o modelo de "sistema de cadeias estocásticas com memória de alcance variável interagindo entre si".

História

Algumas inspirações do modelo são o sistema de partículas em interação de Frank Spitzer e a noção de cadeias estocásticas com memória de alcance variável de Jorma Rissanen. Outro trabalho que o influenciou inclui o estudo de Bruno Cessac com o modelo integra-e-dispara com vazamento, que por sua vez teve influência de Hédi Soula. Os próprios autores chamaram o processo apresentado por Cessac de "uma versão em dimensão finita" do modelo probabilístico.

Modelos anteriores de integra-e-dispara com características estocásticas necessitavam a inserção de um ruído para simular a estocasticidade. Esse modelo se destaca por ser inerentemente estocástisco, incorporando questões probabilísticas diretamente no cálculo dos disparos. Ele também é um modelo de implementação relativamente simples, do ponto de vista computacional, com uma boa relação entre custo e eficiência. É também um modelo não-markoviano, pois a probabilidade da ocorrência de um disparo de um neurônio dado depende da atividade acumulada do sistema desde o último disparo.

Desenvolvimentos do modelo foram realizados, contemplando a noção de limites hidrodinâmicos do sistema de neurônios em interação,o comportamento de longo prazo e aspectos referentes à estabilidade do processo no sentido de prever e classificar diferentes comportamentos como uma função dos parâmetros, e a generalização do modelo para tempo contínuo.

O modelo Galves-Löcherbach foi a pesquisa angular no desenvolvimento do Centro de Pesquisa, Inovação e Difusão em Neuromatemática.

Definição formal

O modelo supõe um conjunto enumerável de neurônios $I$, e modela sua evolução em instantes de tempo discretos $t\in \mathbb {Z}$ por meio de uma cadeia estocástica $(X_{t})_{t\in \mathbb {Z} }$ assumindo valores no espaço de estados $\{0,1\}^{I}$. Mais precisamente, para cada neurônio $i\in I$ e instante de tempo $t\in \mathbb {Z}$, definimos $X_{t}(i)=1$ se o neurônio $i$ dispar no instante de $t$ , e $X_{t}(i)=0$ em caso contrário. A configuração do conjunto de neurônios, no instante de tempo $t\in \mathbb {Z}$, é então definida por $X_{t}=(X_{t}(i),i\in I)$ . Para cada instante de tempo $t\in \mathbb {Z}$, definimos a sigma-álgebra ${\mathcal {F}}_{t}=\sigma (X_{s}(j),j\in I,s\leq t)$, representando o histórico da evolução da atividade deste conjunto de neurônios até o instante de tempo em questão $t$. A dinâmica da atividade deste conjunto de neurônios é definida do seguinte modo. Fixado o histórico ${\mathcal {F}}_{t-1}$, os neurônios disparam ou não no instante de tempo seguinte $t$ independentemente uns dos outros, isto é, para cada subconjunto $F\subset I$ finito e qualquer configuração $a_{i}\in \{0,1\},i\in F,$ tem-se que

$\mathop {\mathrm {Prob} } (X_{t}(i)=a_{i},i\in I|{\mathcal {F}}_{t-1})=\prod _{i\in I}\mathop {\mathrm {Prob} } (X_{t}(i)=a_{i}|{\mathcal {F}}_{t-1}).$

Além disso, a probabilidade de um dado neurônio $i$ disparar em um dado tempo $t$, de acordo com o modelo probabilístico, é dada pela fórmula

$\mathop {\mathrm {Prob} } (X_{t}(i)=1|{\mathcal {F}}_{t-1})=\phi _{i}{\Biggl (}\sum _{j\in I}W_{j\rightarrow i}\sum _{s=L_{t}^{i}}^{t-1}g_{j}(t-s)X_{s}(j),t-L_{t}^{i}{\Biggl )},$

sendo $W_{j\rightarrow i}$ um peso sináptico que representa o aumento do potencial de ação do neurônio $i$ devido ao disparo do neurônio $j$, $g_{j}$ é uma função que modela o vazamento de potencial e $L_{t}^{i}$ o momento de disparo mais recente do neurônio $i$ antes do tempo em questão $t$, de acordo com a fórmula

$L_{t}^{i}={\text{sup}}\{s<t:X_{s}(i)=1\}.$

No instante $s$ anterior a $t$, o neurônio $i$ dispara, restaurando o potencial de ação ao valor inicial.

Ver também

• Modelos de disparos neuronais
• Modelo Hodgkin-Huxley
• Neurociência computacional
• NeuroMat

Referências

Categoria:Neurociência