توصيفگر ها :
شبكه هاي مغزي , هم گامي , اوتاپس , اتصالات بازخوردي تاخيردار
چكيده فارسي :
چكيده فارسي:
با پيشرفت علم در حوزه علوم‌اعصاب و درك ارتباطات ميان نواحي مختلف مغزي حين انجام يك فعاليت مغزي، در چند سال اخير تاخير در انتقال پيام‌هاي عصبي در اتصالات بازخوردي و تاثير آن‌ها به طور گسترده مورد مطالعه قرار گرفته است. بخشي از اين مطالعات بر روي اتصالات بازخورد در مغز و نقش آن در پويايي نورون‌ها و هم‌گامي و همچنين حافظه كوتاه مدت انجام شده‌است. با وجود اين تحقيقات گسترده، مسائل حل نشده بسياري در مورد اتصالات بازخورد تاخيردار باقي مانده است. از جمله اينكه اتصالات بازخورد چگونه بر هم‌گامي در بسامدهاي مختلف تاثير مي‌گذارند، تفاوت تاثير اتصالات بازخورد تحريكي و مهاري چيست؟، تاثير آن‌ها در انتقال پيام‌هاي عصبي چيست و اين تاثيرات چگونه به ويژگي‌هاي درون شبكه مورد مطالعه بستگي پيدا مي‌كند. براي اين منظور در اين پايان‌نامه يك شبكه‌ي اتصال‌كامل در مقياس مزوسكوپيك با تعداد 100 نورون مورد مطالعه و شبيه‌سازي قرار گرفته است. با اعمال اتصالات بازخورد برخي از سوالات فوق مورد بررسي قرار گرفته است. در اين مطالعه از مدل محاسباتي هاجكين هاكسلي كه بر پايه رفتار غشاي نورون‌هاي واقعي بنا شده است براي توصيف پويايي نورون‌هاي داخل شبكه استفاده شده است. از نتيجه‌ي آزمايش‌ها مشاهده شد كه فعاليت اتصال بازخوردي تاخيردار مهاري و تحريكي بر هم‌گامي طبق منحني پاسخ فاز منفي و مثبت تاثير گذار بوده‌است، به طوري كه براي وزن‌هاي سيناپسي متفاوت به ازاي برخي از مقادير تاخير زماني حدود 7 تا 12 ميلي ثانيه ميزان هم‌گامي شبكه افزايش پيدا مي‌كند و براي مقادير تاخير زماني در بازه هاي 0 تا 7 و 12 تا 18 ميلي ثانيه هم‌گامي كاهش پيدا مي‌كند. همچنين در اين مطالعه اثر ثابت زماني مورد بررسي قرار گرفته‌است به طوري كه مشاهده شد كه ثابت زماني همانند وزن‌هاي سيناپسي الگوهاي مشابهي را به‌ازاي تاخير‌هاي زماني در يك دوره تناوب ذاتي نورون‌هاي داخل شبكه، براي هم‌گامي شبكه بوجود مي‌آورد. از نتايج ديگر مشاهده شد كه در حالتي كه شبكه ناهمگام باشد مي‌توان وزن سيناپسي اتصال بازخوردي مهاري را به عنوان پارامتر دوشاخگي هوپف زيربحراني درنظر گرفت كه مي‌تواند هم‌گامي كل شبكه را كنترل كند به طوري‌كه در مقياس پايين اين پارامتر شبكه ناهمگام باقي مي‌ماند و در مقياس بالا شبكه كاملا هم‌گام مي‌شود.
چكيده انگليسي :
With the progress of science in the field of neuroscience and the understanding of the connections between different brain areas during brain activity, in the last few years, the delay in the transmission of neural messages in feedback connections and their effects have been widely studied. Part of these studies have been conducted on feedback connections in the brain and their role in neuron dynamics and synchronization, as well as short-term memory. Despite this extensive research, many unresolved issues remain regarding delayed feedback connections, including how feedback connections affect synchronization at different frequencies, what the difference is between the effects of excitatory and inhibitory feedback connections, what their effect is on the transmission of neural messages, and how these effects depend on the characteristics of the studied network. For this purpose, in this thesis, a complete mesoscopic scale connection network with 100 neurons has been studied and simulated.
Some of the above questions have been investigated by applying feedback connections. In this study, the Hodgkin-Huxley computational model, which is based on the behavior of the membrane of real neurons, has been used to describe the dynamics of neurons in the network. From the results of the experiments, it was observed that the inhibitory and excitatory delayed feedback connection activity had an effect on synchronization according to the negative and positive phase response curves, so that for different synaptic weights, for some time delay values of about 7 to 12 milliseconds, the amount of network synchronization increases and decreases for time delay values in the ranges of 0 to 7 and 12 to 18 milliseconds. Also, in this study, the effect of the time constant has been investigated so that it was observed that the time constant, like the synaptic weights, creates similar patterns for the time delays in an inherent periodicity of the neurons in the network, for the synchronization of the network. From other results, it was observed that in the case that the network is asynchronous, the synaptic weight of the inhibitory feedback connection can be considered as a subcritical Hopf bifurcation parameter that can control the synchronization of the entire network so that the network remains asynchronous at a low scale and at a high scale, the network is fully synchronized.
