Phân tích xác định các nhánh ngẫu nhiên trong các hệ thần kinh đa ổn định

Gustavo Deco1,2, Daniel Martí2
1Institució Catalana de Recerca i Estudis Avançats (ICREA), Barcelona, Spain
2Computational Neuroscience Group, Departament de Tecnologia, Universitat Pompeu Fabra, Barcelona, Spain

Tóm tắt

Nhiều quá trình nhận thức và cảm giác, như ra quyết định và cảm nhận hai trạng thái, liên quan đến các hiện tượng đa ổn định chịu tác động của tiếng ồn. Vai trò của tiếng ồn trong một hệ thống thần kinh động học đa ổn định có thể được điều trị chính thức trong khuôn khổ Fokker–Planck. Tuy nhiên, do có những phi tuyến tính cơ bản, người ta thường xem xét các mô phỏng số của các phương trình vi phân ngẫu nhiên mô tả hệ thống gốc, điều này tốn thời gian. Một phương pháp phân tích thay thế liên quan đến việc suy diễn các phương trình vi phân xác định rút gọn cho các mốc phân phối của hoạt động của các quần thể thần kinh. Việc nghiên cứu hệ thống xác định rút gọn tránh được các tính toán tốn thời gian liên quan đến việc cần phải tính trung bình qua nhiều lần thử nghiệm. Chúng tôi áp dụng kỹ thuật này để mô tả các hiện tượng đa ổn định. Chúng tôi cho thấy rằng việc tăng cường độ tiếng ồn dẫn đến sự dịch chuyển của cấu trúc phân kỳ của hệ thống.

Từ khóa

#nhánh ngẫu nhiên #hệ động học thần kinh #ổn định đa #mô phỏng số #phương trình vi phân xác định

Tài liệu tham khảo

Amit D, Brunel N (1997) Model of global spontaneous activity and local structured activity during delay periods in the cerebral cortex. Cereb Cortex 7:237–252

Attneave F (1971) Multistability in perception. Sci Am 225:63–71

Brody C, Romo R, Kepecs A (2003) Basic mechanisms for graded persistent activity: discrete attractors. continuous attractors, and dynamic representations. Curr Opin Neurobiol 13:204–211

Brunel N, Wang X (2001) Effects of neuromodulation in a cortical networks model of object working memory dominated by recurrent inhibition. J Comput Neurosci 11:63–85

Camera GL, Rauch A, Luescher H, Senn W, Fusi S (2004) Minimal models of adapted neuronal response to in vivo-like input currents. Neural Comput 16:2101–2124

Deco G, Rolls E (2006) Decision-making and weber’s law: a neurophysiological model. Eur J Neurosci 24:901–916

Glimcher PW (2003) Decisions, uncertainty, and the brain. MIT, Cambridge

Glimcher PW (2005) Indeterminacy in brain and behavior. Annu Rev Psychol 56 (NIL):25–56

Gold JI, Shadlen MN (2000) Representation of a perceptual decision in developing oculomotor commands. Nature 404:390–394

Gold JI, Shadlen MN (2002) Banburismus and the brain: decoding the relationship between sensory stimuli, decisions, and reward. Neuron 36(2):299–308

Laing C, Chow C (2002) A spiking neural model of binocular rivalry. J Computa Neurosci 12:39–53

Leopold D, Logothetis N (1999) Multistable phenomena: changing views in perception. Trends Cogn Sci 3:254–264

Machens C, Romo R, Brody C (2005) Flexible control of mutual inhibition: a neural model of two-interval discrimination. Science 307:1121–1124

Mattia M, Giudice PD (2002) Population dynamics of interacting spiking neurons. Phys Rev E 66(5):051917

Mattia M, Giudice PD (2004) Finite-size dynamics of inhibitory and excitatory interacting spiking neurons. Phys Rev E 70:052903

Platt ML, Glimcher PW (1999) Neural correlates of decision variables in parietal cortex. Nature 400(6741):233–238

Ratcliff R, Zandt TV, McKoon G (1999) Connectionist and diffusion models of reaction time. Psychol Rev 106(2):261–300

Renart A, Brunel N, Wang XJ (2003) Mean field theory of irregularly spiking neuronal populations and working memory in recurrent cortical networks. In: Feng J (ed) Computational neuroscience: a comprehensive approach. Chapman and Hall, Boca Raton, pp 431–490

Rodriguez R, Tuckwell HC (1996) Statistical properties of stochastic nonlinear dynamical models of single neurons and neural networks. Phys Rev E 54:5585–5590

Rodriguez R, Tuckwell HC (1998) Noisy spiking neurons and networks: useful approximations for firing probabilities and global behavior. BioSystems 48:187–194

Rolls ET, Deco G (2002) Computational neuroscience of vision. Oxford University Press, Oxford

Romo R, Salinas E (2001) Touch and go: Decision-making mechanisms in somatosensation. Annu Rev Neurosci 24:107–137

Romo R, Salinas E (2003) Flutter discrimination: neural codes, perception, memory and decision making. Nat Rev Neurosci 4:203–218

Romo R, Hernandez A, Zainos A (2004) Neuronal correlates of a perceptual decision in ventral premotor cortex. Neuron 41:165–173

Schall J (2001) Neural basis of deciding, choosing and acting. Nat Rev Neurosci 2:33–42

Shadlen MN, Newsome WT (1996) Motion perception: seeing and deciding. Proc Natl Acad Sci USA 93(2):628–633

Smith P, Ratcliff R (2004) Psychology and neurobiology of simple decisions. Trends Neurosci 23:161–168

Taylor M, Aldridge K (1974) Stochastic processes in reversing figure perception. Percept Psychophys 16:9–27

Thompson KG, Hanes DP, Bichot NP, Schall JD (1996) Perceptual and motor processing stages identified in the activity of macaque frontal eye field neurons during visual search. J Neurophysiol 76(6):4040–4055

Tuckwell HC (1988) Introduction to theoretical neurobiology. Cambridge University Press, Cambridge

Tuckwell HC, Rodriguez R (1998) Analytical and simulation results for stochastic Fitzhugh-Nagumo neurons and neural networks. J Comput Neurosci 5:91–113

Usher M, McClelland JL (2001) The time course of perceptual choice: the leaky, competing accumulator model. Psychol Rev 108(3):550–592

Wilson H (2003) Computational evidence for a rivalry hierarchy in vision. Proc Nat Acad Sci USA 100:14499–14503