Computational Neurotechnology / Numerische Neurotechnologie - Cheatsheet
Grundlagen der künstlichen neuronalen Netze
Definition:
KNN sind Modelle, die die Funktionsweise des menschlichen Gehirns nachahmen.
Details:
- Neuronen: Knotenpunkte im Netzwerk
- Schichten: Eingabeschicht, verborgene Schichten, Ausgabeschicht
- Aktivierungsfunktionen: sigmoid, ReLU, tanh
- Gewichte und Bias: parameter, die das Verhalten der Neuronen beeinflussen
- Feedforward-Netze: Daten fließen in eine Richtung
- Rückpropagation: Algorithmus zur Fehlerkorrektur durch Anpassung der Gewichte
- Verlustfunktion: MSE, cross-entropy
- Optimierungsverfahren: Gradient Descent, Adam
Backpropagation und andere Trainingsalgorithmen
Definition:
Backpropagation: Algorithmus zur Berechnung der Gradienten und zum Minimieren des Fehlers in neuronalen Netzwerken. Andere Trainingsalgorithmen umfassen Optimierer und Konfigurationsstrategien.
Details:
- Backpropagation: Berechnung der Gradienten durch Kettableitung, Anpassung der Gewichte mit Gradientenabstieg
- Optimierer: SGD, Adam, RMSprop
- Verlustfunktionen: MSE, Cross-Entropy
- Hyperparameter: Lernrate, Batch-Größe, Epochen
- Regularisierung: Dropout, L2-Regularisierung
Analyse der zeitlichen Muster von Spiketrains
Definition:
Analyse von zeitlichen und räumlichen Mustern neuronaler Aktivität, erfasst durch Spiketrains.
Details:
- Spiketrain: Sequenz von Aktionspotentialen
- PSTH (Peri-Stimulus Time Histogram): Durchschnittliche Feuerrate in Abhängigkeit von der Zeit
- ISI (Inter-Spike Interval Histogram): Verteilung der Zeitabstände zwischen aufeinanderfolgenden Spikes
- Cross-Korrelation: Zusammenhang zwischen zwei Spiketrains
- Autokorrelation: Zusammenhang eines Spiketrains mit sich selbst über die Zeit
- Rasterplot: Visualisierung der Spiketrain-Aktivität mehrerer Neuronen über die Zeit
Grundlagen der funktionellen Magnetresonanztomographie (fMRI)
Definition:
fMRT-Technik zur Messung von neuronaler Aktivität durch Veränderungen der Blutoxygenierung (BOLD-Kontrast).
Details:
- Basierend auf Magnetresonanztomographie (MRT)
- BOLD-Signal: Blood Oxygen Level-Dependent
- Aktive Neuronen benötigen mehr Sauerstoff
- Regionale Veränderungen im Sauerstoffgehalt des Blutes beeinflussen Magnetische Eigenschaften
- Hohe räumliche Auflösung
- Typische Bildgebungsrate: 1-2 Sekunden pro Bild
- Nicht-invasiv, sicher
- Genutzt in der kognitiven Neurowissenschaft und der klinischen Diagnostik
Mathematische Modellierung neuronaler Systeme
Definition:
Mathematische Modellierung neuronaler Systeme beschreibt neuronale Aktivitäten und Netzwerke durch mathematische Gleichungen und Analysemethoden.
Details:
- Primär verwendet: Differentialgleichungen
- Neuronales Verhalten: Hodgkin-Huxley-Modell, Integrate-and-Fire-Modelle
- Netzwerk-Dynamik: Kuramoto-Modell zur Synchronisation
- Simulation: Implementierung mit numerischen Methoden (z.B. Euler-Methoden)
- Analyse: Stabilität, Bifurkationstheorie, Phasenraum-Analyse
- Wichtige Konzepte: Membranpotential, synaptische Gewichtungen, Feuerungsraten
Hodgkin-Huxley-Modell und andere biophysikalische Modelle
Definition:
Hodgkin-Huxley-Modell beschreibt die elektrischen Eigenschaften von Neuronen basierend auf Ionenkanälen; andere biophysikalische Modelle erweitern oder verallgemeinern dieses Konzept.
Details:
- Hodgkin-Huxley-Modell: beschreibt Aktionspotentiale durch Gleichungen für Na\textsuperscript{+}- und K\textsuperscript{+}-Ströme, Membranpotential und Leitfähigkeiten.
- Grundgleichungen: Leitfähigkeitsgleichungen für Na\textsuperscript{+}- (m, h) und K\textsuperscript{+}-Kanäle (n). Beispiel: \[ I_{\text{ion}} = g_{\text{Na}}m^3h(V - E_{\text{Na}}) + g_{\text{K}}n^4(V - E_{\text{K}}) + g_{\text{L}}(V - E_{\text{L}}) \]
- Andere Modelle: Morris-Lecar, FitzHugh-Nagumo vereinfachen oder spezialisieren Aspekte der neuronalen Aktivität.
- Modellvergleich: Unterschiedliche Modelle für verschiedene Anwendungsfälle (Detailgenauigkeit vs. Rechenaufwand).
Stochastische Prozesse in der neuronalen Modellierung
Definition:
Stochastische Prozesse beschreiben zufällige Entwicklungen von Zuständen über die Zeit in neuronalen Modellen.
Details:
- Modellierung zufälliger neuronaler Aktivitäten.
- Erzeugung von Spike-Zeitpunkten mit Poisson-Prozessen.
- Diffusionsprozesse zur Modellierung von Membranpotentialen (Langevin-Gleichung).
- Wahrscheinlichkeitsverteilungen zur Beschreibung von Feuerraten.
- Realisiert durch Markov-Prozesse, wenn der zukünftige Zustand nur vom aktuellen Zustand abhängt.