A Simple Model of Long-Term Spike Train Regularization

Artikeleigenschaften
  • Sprache
    English
  • Veröffentlichungsdatum
    2002/07/01
  • Zeitschrift
  • Indian UGC (Zeitschrift)
  • Auffrischen
    18
  • Zitate
    21
  • Relly Brandman Department of Computer Science and Beckman Institute for Advanced Science and Technology, University of Illinois, Urbana, IL 61801, U.S.A.
  • Mark E. Nelson Department of Molecular and Integrative Physiology and Beckman Institute for Advanced Science and Technology, University of Illinois, Urbana, IL 61801, U.S.A.
Abstrakt
Zitieren
Brandman, Relly, and Mark E. Nelson. “A Simple Model of Long-Term Spike Train Regularization”. Neural Computation, vol. 14, no. 7, 2002, pp. 1575-97, https://doi.org/10.1162/08997660260028629.
Brandman, R., & Nelson, M. E. (2002). A Simple Model of Long-Term Spike Train Regularization. Neural Computation, 14(7), 1575-1597. https://doi.org/10.1162/08997660260028629
Brandman R, Nelson ME. A Simple Model of Long-Term Spike Train Regularization. Neural Computation. 2002;14(7):1575-97.
Journalkategorien
Medicine
Internal medicine
Neurosciences
Biological psychiatry
Neuropsychiatry
Science
Mathematics
Instruments and machines
Electronic computers
Computer science
Technology
Electrical engineering
Electronics
Nuclear engineering
Electronics
Technology
Mechanical engineering and machinery
Beschreibung

Wie erhalten Neuronen eine zuverlässige Kommunikation angesichts von Rauschen aufrecht? Diese Arbeit stellt ein vereinfachtes Modell der Spike-Erzeugung vor, das das Phänomen der langfristigen Spike-Train-Regularisierung erklärt, bei dem das Timing neuronaler Spikes im Laufe der Zeit bemerkenswert konsistent wird. Diese Regularisierung ist durch negative Korrelationen in der Interspike-Intervall-(ISI)-Sequenz gekennzeichnet, was zu einer Varianz in der Verteilung des Intervalls k-ter Ordnung führt, die signifikant kleiner ist als für unkorrelierte ISIs erwartet. Mit Fokus auf die neuronale Berechnung stellen die Autoren ein lineares adaptives Schwellenwertmodell vor, das einen dynamischen Spike-Schwellenwert beinhaltet, der nach einem Spike vorübergehend erhöht wird, um diese Effekte zu erfassen. Das Modell, das von der Elektrosensorik-Afferenzdynamik inspiriert ist, zeigt, dass Refraktäreffekte, die mit dem dynamischen Schwellenwert verbunden sind, zu einer langfristigen Spike-Train-Regularisierung führen, wodurch die Erkennbarkeit schwacher Signale, die in verrauschten Spike-Trains codiert sind, verbessert wird. Die Eigenschaften des **linearen adaptiven Schwellenwertmodells** können zu einer dramatischen Verbesserung der Erkennbarkeit schwacher Signale führen, die in den Spike-Train-Daten codiert sind. Obwohl von elektrosensorischen afferenten Nervenfasern motiviert, legen die Autoren nahe, dass solche regularisierenden Effekte eine entscheidende Rolle in verschiedenen neuronalen Systemen spielen können, die eine zuverlässige Erkennung schwacher Signale erfordern. Das lineare adaptive Schwellenwertmodell bietet ein wertvolles Werkzeug zur Modellierung neuronaler Systeme mit spezifischen ISI-Korrelationsstrukturen.

Dieser Artikel, der in _Neural Computation_ veröffentlicht wurde, ist sehr relevant für den Fokus der Zeitschrift auf computergestützte und theoretische Neurowissenschaften. Durch die Vorstellung eines vereinfachten Modells der Spike-Train-Regularisierung befasst sich die Arbeit direkt mit Kernthemen der neuronalen Codierung und Signalverarbeitung innerhalb des Nervensystems.

Auffrischen
Zitate
Zitationsanalyse
Die erste Studie, die diesen Artikel zitiert hat, trug den Titel Multiscale spike train variability in primary electrosensory afferents und wurde in 2002. veröffentlicht. Die aktuellste Zitierung stammt aus einer 2023 Studie mit dem Titel Multiscale spike train variability in primary electrosensory afferents Seinen Höhepunkt an Zitierungen erreichte dieser Artikel in 2016 mit 3 Zitierungen.Es wurde in 16 verschiedenen Zeitschriften zitiert., 18% davon sind Open Access. Unter den verwandten Fachzeitschriften wurde diese Forschung am häufigsten von Journal of Neurophysiology zitiert, mit 3 Zitierungen. Die folgende Grafik veranschaulicht die jährlichen Zitationstrends für diesen Artikel.
Zitate verwendeten diesen Artikel für Jahr