Minimalne modele dwuwymiarowe

Podobne dokumenty
Wstęp do sieci neuronowych, wykład 15, Neuron Hodgkina-Huxleya

Wprowadzenie do pulsujących sieci neuronowych

Elektrofizjologia neuronu

ż ć Ć ż ć ż Ć ż Ć ż

ź ź Ź

Termodynamika Część 6 Związki i tożsamości termodynamiczne Potencjały termodynamiczne Warunki równowagi termodynamicznej Potencjał chemiczny

Model błony neuronowej

Analiza Matematyczna MAEW101 MAP1067

Ń ć ć ć

ć ć ć ć ć ć ć ń Ę ć ć

Ż Ł Ń

Ż Ę

Ż Ó ń ć

ż ń ż ń ć ż ź

Ż ś ś

Ć Ć Ć Ń Ż

Technika cyfrowa Synteza układów kombinacyjnych (I)

ć ć ć ć ć ć ź ć ć ć ć Ź ć ć ć Ń

Technika cyfrowa Synteza układów kombinacyjnych

Poz z dnia 9 grudnia 2014 r. bezpiecznych.

Pochodna funkcji c.d.-wykład 5 ( ) Funkcja logistyczna

Wstęp do sieci neuronowych laboratorium 01 Organizacja zajęć. Perceptron prosty

Stosowana Analiza Regresji

Ć ź ż ć ć ć ż ż

BADANIA OPERACYJNE pytania kontrolne

Ł

ć Ć ć Ż ć ć ć ć Ń ć ć ć ć ć

Adresowanie obiektów. Adresowanie bitów. Adresowanie bajtów i słów. Adresowanie bajtów i słów. Adresowanie timerów i liczników. Adresowanie timerów

Tadeusz Lesiak. Dynamika punktu materialnego: Praca i energia; zasada zachowania energii

Wielokryteriowa optymalizacja liniowa

Wprowadzenie Modele o opóźnieniach rozłożonych Modele autoregresyjne o opóźnieniach rozłożonych. Modele dynamiczne.

ń ń ń Ń ń ń ń ń ń Ł

Ę ń Ź Ę ń Ę

Układy równań i nierówności liniowych

ń ń ń Ł Ł Ź ń Ż Ż ń ń ń ń Ż ń

Stosowana Analiza Regresji

Ź Ń Ń ź Ą Ł Ń Ń Ł Ń Ń Ą

Ę ć ń ń Ń Ę ń ź ć ć ć ć

Ń Ą Ą Ą

Ś Ó ń ń ć ć ć ń ń ń ź ź ń Ó

Część 1. Transmitancje i stabilność

ń ć ń ć ń Ć ć Ć ź

Praktyczne aspekty modelowania układu nerwowego

Ń

Regulacja dwupołożeniowa (dwustawna)

I. Pochodna i różniczka funkcji jednej zmiennej. 1. Definicja pochodnej funkcji i jej interpretacja fizyczna. Istnienie pochodnej funkcji.

Termodynamiczny opis przejść fazowych pierwszego rodzaju

ć ź ź ź ź ć ć

IX. Rachunek różniczkowy funkcji wielu zmiennych. 1. Funkcja dwóch i trzech zmiennych - pojęcia podstawowe. - funkcja dwóch zmiennych,

ć ć ć ź ć ć ć ć Ł ź Ź ć ć ć

Ś ć

ć


Ą Ę

Zadania z analizy matematycznej - sem. I Pochodne funkcji, przebieg zmienności funkcji

ć ć Ść

Analiza matematyczna. 1. Ciągi

Modelowanie pewnych aspektów czynności mózgu

EGZAMIN - Wersja A. ALGORYTMY I STRUKTURY DANYCH Lisek89 opracowanie kartki od Pani dr E. Koszelew

ż ż ż ż ż Ę ć ż


Stabilność II Metody Lapunowa badania stabilności

ż ż Ń Ś ż Ł Ł Ł ż ź

ć ć ć ź ć ć ć ć

Samozamykacz do furtki? Mamy sprawdzone rozwiązania!

Zadania z ekonomii matematycznej Teoria produkcji

Sortowanie - wybrane algorytmy

Model dopasowywania się cen na rynku

ź Ź ź Ń Ą Ś Ą

Stochastyczne dynamiki z opóźnieniami czasowymi w grach ewolucyjnych

ZAGADNIENIE TRANSPORTOWE (część 1)

Obliczanie długości łuku krzywych. Autorzy: Witold Majdak

Projekt zaliczeniowy z przedmiotu Statystyka i eksploracja danych (nr 3) Kamil Krzysztof Derkowski

Rozwiązywanie układów równań liniowych

ć Ż Ń ź Ź ć Ą Ś

Przetwarzanie obrazów rastrowych macierzą konwolucji

ń ń ń ń ń Ń ń ć ź

Obwody elektryczne prądu stałego

Zasada maksimum Pontriagina

Ę Ć Ź Ć Ę Ń Ć ć

Stochastyczna dynamika z opóźnieniem czasowym w grach ewolucyjnych oraz modelach ekspresji i regulacji genów

Hi-SPEED H 2 O 2 - SZYBKA DEZYNFEKCJA BEZ POZOSTAŁOŚCI ŁUKASZ SALMONOWICZ BUSINESS DEVELOPMENT MANAGER, F&B

STATYSTYKA MATEMATYCZNA

Ó Ź ć ż ż ż ź ć

Wstęp do sieci neuronowych, wykład 9 Sieci rekurencyjne. Autoasocjator Hopfielda

Ł ć ń ż ż ń ń ń ń ń ń ń ń ń ń ń ń ń ń ń ń ń ń

ż Ć ż

ż Ż ń ć

Asynchroniczne statyczne układy sekwencyjne

Stopę zbieżności ciagu zmiennych losowych a n, takiego, że E (a n ) < oznaczamy jako a n = o p (1) prawdopodobieństwa szybciej niż n α.


Ś Ń Ń ć Ń ć

ń Ź Ż ć Ż Ą ż Ą ż

ń Ż Ę Ę ń

W dowolnym momencie można zmienić typ wskaźnika.

ń Ś ń ń ż ń ń ń ń Ć Ó ż ń ź ż

Ś Ś Ą ń Ś Ś ń

ń ż Ż

dodatkowe operacje dla kopca binarnego: typu min oraz typu max:

ś Ń Ó Ż ś Ó Ó ż ś ś Ś ż ż Ć ż Ż ś ś Ó ż ż ż

Transkrypt:

Spis treści Model minimalny 2009-02-19

Spis treści Model minimalny Spis treści Model minimalny

Spis treści Model minimalny Model minimalny definicja Posiada (przynajmniej) jeden stan stabilny (spoczynkowy), Posiada (przynajmniej) jeden cykl zamknięty (jest w stanie periodyczne impulsować) przynajmniej dla pewnych wartości parametrów, Usunięcie jakiejkolwiek zmiennej z modelu usuwa z modelu jedyny cykl zamknięty.

Model Hodgkina-Huxleya Spis treści Model minimalny C V = I g K n 4 (V E K ) g Na m 3 h(v E Na ) g L (V E L ) ṅ = n (V ) n τ n (V ) ṁ = m (V ) m τ m (V ) ḣ = h (V ) h τ h (V ) Można usunąć zmienną h, albo zmianną m (ale nie obie na raz!).

Zmienne amplifikujące i rezonujące Spis treści Model minimalny

Zmienne amplifikujące i rezonujące Spis treści Model minimalny resonant inactivation inward resonant activation outward amplifying I Na,t I Na,P + K activation inward I Na,p + I h amplifying I Kir + I h I A inactivation outward I Kir + I K

Zmienne amplifikujące i rezonujące Spis treści Model minimalny Model minimalny musi posiadać przynajmniej jedną zmienną amplifikującą i przynajmniej jedną zmienną rezonującą.

Model I Na,p + I K Persisstent sodium + potassium C V = I g K n(v E K ) g Na m (V E Na ) g L (V E L ) ṅ = n (V ) n τ n (V )

Model I Na,p + I K

Model I Na,t Transient sodium C V = I g Na m 3 h(v E Na ) g L (V EL) ḣ = h (V ) h τ h (V )

Model I Na,t

Model I Na,p + I h Persistent sodium + h-current C V = I g h h(v E h ) g Na m (V E Na ) g L (V E L ) ḣ = h (V ) h τ h (V )

Model I Na,p + I h

Model I h + I Kir h-current + inwardly rectifying potassium C V = I g h h(v E h ) g Kir h Kir, (V E Kir ) g L (V E L ) ḣ = h (V ) h τ h (V )

Model I h + I Kir

Model I K + I Kir persistent + inwardly rectifying potassium C V = I g K n(v E K ) g Kir h Kir, (V E Kir ) ṅ = n (V ) n τ n (V )

Model I K + I Kir

Model I A transient potassium C V = I g A mh (V E A ) g L (V E L ) ṁ = m (V ) m τ m (V )

Model I A

Model Hodgkina-Huxleya (4d) C V = I g K n 4 (V E K ) g Na m 3 h(v E Na ) g L (V E L ) ṅ = n (V ) n τ n (V ) ṁ = m (V ) m τ m (V ) ḣ = h (V ) h τ h (V ) Bramka aktywująca m jest (niemal) natychmiastowa. Zmienną h można przybliżać poprzez h = 0.89 1.1n

Model Hodgkina-Huxleya (2d) C V = I g K n 4 (V E K ) g Na m 3 (0.89 1.1n)(V E Na ) g L (V E L ) ṅ = n (V ) n τ n (V )

Zdefiniujmy zmienne v i takie, że: Teraz zachodzi: C V = I I (V, x 1, x 2,..., x n ) x i = (m i, (V ) x i )/τ i (V ) x i = m i, (v i ) C V = I I (V, m 1, (v 1 ), m 2, (v 2 ),..., m n, (v n )) v i = (m i, (V ) m i, (v i ))/(τ i (V )m i, (v i ))

Redukcja do prostszego modelu Uproszczona postać szybkiej separatrisy u = u min + p(v V min ) 2 Uproszczona postać wolnej separatrisy u = s(v V 0 ) Gdzie: (u min, V min ) minimum lokalne, lewe kolano oryginalnej separatrisy s nachylenie

Redukcja do prostszych modeli Dynamika: V = τ f (p(v V min ) 2 (u u min )) u = τ s (s(v V 0 ) u) Jeżeli V > V max V := V reset u := u + u reset

Redukcja do prostszych modeli

Bibliografia E. Izhikevich, Dynamical Systems in Neuroscience http://en.wikipedia.org/wiki/neuron