Redes neuronais realísticas e aprendizado
| dc.audience.educationlevel | Doutorado | |
| dc.contributor.advisor | Almeida, Antonio Carlos Guimaraes De [UNIFESP] | |
| dc.contributor.advisorLattes | http://lattes.cnpq.br/2815105916715425 | |
| dc.contributor.author | Depannemaecker, Damien Thomas [UNIFESP] | |
| dc.contributor.authorLattes | http://lattes.cnpq.br/6928800226748514 | |
| dc.contributor.institution | Universidade Federal de São Paulo (UNIFESP) | pt_BR |
| dc.coverage.spatial | São Paulo | |
| dc.date.accessioned | 2021-01-19T16:37:03Z | |
| dc.date.available | 2021-01-19T16:37:03Z | |
| dc.date.issued | 2019-03-28 | |
| dc.description.abstract | Objective: Learning in the neural network inspired by brain tissue has been studied for the application of machine learning. However, studies are mainly based on the concept of synaptic weights adaptation and other aspects of neuronal interaction as non-synaptic mechanisms are neglected. This study aims to evaluate the learning processes in the assemblies of neurons and bring new insights to the computational application, as well as contributing to the understanding of the functioning of biological neural tissues. Methods: Realistic computational models based on experimental observations available in the literature or performed in Experimental and Computational Neuroscience (LANEC) of UFSJ were used for descriptions of neuron assemblies. These models were compared to methods of artificial neural networks used for machine learning, and to phenomenological models the neural activities. Results: Realistic models have better processing capacity, converging more quickly than artificial neural networks to solve the basic tasks studied. Nonsynaptic parameters have been identified, influencing the learning capacity, which are electrodiffusion along with tortuosity. It has been shown that tissue morphology also has a significant influence. The implementation of non-synaptic effects in phenomenological models maintains these properties. Finally, we observed electrophysiological activity, showing a mixture of different electrophysiological patterns, and a high synchronism. Conclusion: Neural tissues are complex systems where numerous parameters interfere, among which the electrodiffusion together with the tortuosity contributing to the learning capacity. Non-synaptic mechanisms affect neuronal excitability favoring specific pathways to respond to certain stimuli. These effects may vary depending on tissue morphology, revealing a relationship between morphology and function. Phenomenological models may become more efficient if non-synaptic mechanisms are included, thus improving their application for machine learning. The measure of synchronism in both models shows that the higher efficiency appears with high synchronism and near the epileptiform crisis threshold. | en |
| dc.description.abstract | Objetivo: A aprendizagem na rede neural inspirada no tecido cerebral tem sido estudada para a aplicação de aprendizado de máquina. No entanto, os estudos são baseados principalmente no conceito de adaptação de pesos sinápticos e em outros aspectos da interação neuronal, como mecanismos não sinápticos, os quais são, geralmente, negligenciados. Este estudo pretende avaliar os processos de aprendizado em assembléias de neurônios e trazer novos perspectivas para as aplicações computacionais e, também, contribuir para o entendimento do funcionamento dos tecidos neurais biológicos. Métodos: Para descrições das assembléias de neurônios, foram utilizados modelos computacionais realísticos baseados em observações experimentais disponíveis na literatura ou realizadas no Laboratório de Neurociência Experimental e Computacional (LANEC) da UFSJ. Esses modelos foram comparados a métodos de redes neurais artificiais usadas para aprendizado de máquina e a modelos fenomenológicos das atividades neurais. Resultados: Os modelos realísticos apresentam melhor capacidade de processamento, convergindo mais rapidamente para as tarefas básicas estudadas, quando comparados às redes neurais artificiais. Foram identificados mecanismos não sinápticos influenciando a capacidade de aprendizagem. Dentre esses mecanismos, destaca-se a eletrodifusão extracelular, em particular o parâmetro tortuosidade. Mostrou-se que a morfologia do tecido também tem influência significativa. A implementação dos efeitos não sinápticos em modelos fenomenológicos mantém essas propriedades. Finalmente, foram observadas atividades exibindo um conjunto de diferentes padrões eletrofisiológicos e um alto sincronismo. Conclusão: Os tecidos neurais são sistemas complexos que sofrem influência de inúmeros parâmetros, entre eles a eletrodifusão juntamente à tortuosidade, que favorecem a capacidade de aprendizagem. Os mecanismos não sinápticos afetam a excitabilidade neuronal, bem como, interações neuronais específicas, para responder a certos estímulos. Esses efeitos podem variar em dependência da morfologia do tecido, revelando uma relação entre morfologia e função. Os modelos fenomenológicos de redes neurais podem tornar-se mais eficientes se forem incluídos mecanismos não sinápticos. Portanto, podem assim melhorar suas aplicações em aprendizagem de máquina. A medida de sincronismo em ambos os modelos mostra que a eficiência maior aparece com sincronismo alto e perto do limiar de crise epileptiforme. | pt_BR |
| dc.description.source | Dados abertos - Sucupira - Teses e dissertações (2019) | |
| dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | |
| dc.description.sponsorship | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | |
| dc.description.sponsorship | Fundação de Amparo à Pesquisa do Estado de São Paulo ( FAPESP) | |
| dc.format.extent | 121 f. | |
| dc.identifier | https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=8001517 | pt_BR |
| dc.identifier.citation | DEPANNEMAECKER, Damien Thomas. Redes neuronais realísticas e aprendizado. 2019. 121f. Tese (Doutorado em Neurologia e Neurociências) – Escola Paulista de Medicina, Universidade Federal de São Paulo. São Paulo, 2019. | |
| dc.identifier.file | DAMIEN DEPANNEMAECKER-A.pdf | |
| dc.identifier.uri | https://repositorio.unifesp.br/handle/11600/59906 | |
| dc.language.iso | por | |
| dc.publisher | Universidade Federal de São Paulo (UNIFESP) | |
| dc.rights | info:eu-repo/semantics/restrictedAccess | |
| dc.subject | Epilepsy | en |
| dc.subject | Neural Network | en |
| dc.subject | Epilepsy | pt_BR |
| dc.subject | Rede Neural | pt_BR |
| dc.title | Redes neuronais realísticas e aprendizado | pt_BR |
| dc.type | info:eu-repo/semantics/doctoralThesis | |
| unifesp.campus | São Paulo, Escola Paulista de Medicina | pt_BR |
| unifesp.graduateProgram | Neurologia - Neurociências | pt_BR |
| unifesp.knowledgeArea | Neurociencia | pt_BR |
| unifesp.researchArea | Neurociência Experimental | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Carregando...
- Nome:
- DAMIEN DEPANNEMAECKER-A.pdf
- Tamanho:
- 16.54 MB
- Formato:
- Adobe Portable Document Format
- Descrição: