Computational Neurotechnology / Numerische Neurotechnologie - Cheatsheet.pdf

Computational Neurotechnology / Numerische Neurotechnologie - Cheatsheet
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 Verh...

© StudySmarter 2024, all rights reserved.

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.
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden