Компьютерное моделирование биологического нейрона - Дипломная работа

Нейрод Компьютерная модель биологического нейрона, реализованная на базе микроконтроллера В настоящее время становится очевидным, что дальнейшее развитие различных аспектов проблем автоматического управления сложными системами невозможно без объединения усилий технических и биологических наук. Для моделирования современных нейросистем используется сильно упрощенная модель базового элемента (нейрона). Наиболее перспективным для технической реализации представляется моделирование на уровне описания информационных преобразований импульсных потоков в нейроне, не спускаясь на уровень реализующих их физико-химических процессов, но и не абстрагируясь от понятия нейрона как объекта, осуществляющего нелинейные аналоговые преобразования потока импульсов [1]. Для решения поставленной цели необходимо решить следующие задачи: 1) Определить основные механизмы работы синапса биологического нейрона, в которую входят: воссоздание пороговых принципов ограничения потенциала нейрона, а также торможения и возбуждения с их временными зависимостями.В настоящий момент ученые не решили окончательно вопрос, какие программные функции выполняет нейрон [6]. Во-вторых, этот набор, судя по составному характеру всего сущего в природе, должен ограничиваться минимально необходимым количеством базовых операций, без которых нельзя построить функции верхнего (более сложного) уровня. Значит, смысл в том, что должен существовать некий минимум действий низшего уровня, который обязано выполнять ядро нейрона, причем под ядром мы будем понимать тот условный внутренний механизм в нейроне, исполняющий обработку входящих и выходящих нервных сигналов [5]. Функций одного нейрона недостаточно для реализации каких-либо серьезных действий, поэтому несколько нейронов объединяются в нервный узел - ганглий. Для создания сверхсложных вычислительных узлов и алгоритмов нервные узлы объединяются в нервные центры, состоящие из многих тысяч нейронов.В качестве функциональной основы предлагаемой модели нейрона, принята схема процессов преобразования импульсных потоков нейрона gs i предложенная в работах [8, 9, 10]. Но в отличие от [5] в рамках модели полагаем, что входные и выходные сигналы нейрона равны нулю в отсутствии импульса, и константе E на время действия импульса. Сигналы с синапсов изменяют деятельность ионных механизмов в сторону ослабления их функций, что моделирует изменение концентрации соответствующих ионов внутри клетки под влиянием внешнего воздействия (рисунок 1). Таким образом, суммарное значение выходных значений будет характеризовать величину вклада участка мембраны в суммарный внутриклеточный потенциал нейрона. Увеличение числа пар таких механизмов автоматически увеличивает “размер” нейрона и позволяет моделировать нейрон со сложной организацией синаптического и дендритного аппаратов.Следующим важным фактором является эффект пресинаптического торможения, проявляющийся в том, что при превышении концентрацией медиатора некоторого предельного значения эффект влияния синапса на ионный канал начинает ослабевать несмотря на то, что ионный канал остается полностью открытым. Модель, показанная на рисунке 4, реализует все три основные особенности функционирования синапса. Выход g(t) модели представляет собой эффективность воздействия на ионный механизм и пропорционален проводимости синапса. Влияние синапса на ионный механизм заключается в потере эффективности насосной функции канала и в снижении концентрации ионов в клетке, причем постоянная времени данного процеса T=RICM. Здесь G? - суммарная эффективность влияния синапсов на ионный механизм, Rm>0 - сопротивление мембраны, Cm - емкость мембраны, ? - ожидаемый вклад модели в величину внутриклеточного потенциала при отсутствии внешнего возбуждения: данная величина определяется активностью соседних участков мембраны, u - реальный вклад модели в величину внутриклеточного потенциала.В связи с этим, нейрон имеющий большее число связей с другими нейронами обладает большей значимостью, другими словами его сигналы обладают большей силой и являются более приоритетными в сравнении с другими. Аппаратное решение состоит в том, что в контроллере подключается таймер и сигналы от нейрода к нейроду принимаются определенными пакетами. Последовательная архитектура мешает реализовать в одном контроллере работу нескольких нейродов организованных в сеть, т.к. работа таймера распространяется на все нейроды, и пока хотя бы один из них будет генерировать пакет импульсов, другие не смогут их принять, а будут генерировать свои. Эта схема реализации, приводит к концепции приоритетного взаимодействия нейронов: когда наиболее важные задачи решаются в первую очередь; позволяет нейродам, реализованным на одном микроконтроллере, не терять информацию в период подключения таймера. Если К примем общим, то любой из входов способен возбудить нейрод, если же K различен для всех входов, то нейрод также может быть активирован любым входом, но с меньшей вероятностью, но тогда нейрод сможет «узнать» какой из нейродов предыдущего слоя его возб

Содержание

Обозначения и сокращения

Введение

1. Основные особенности работы нейрона

2. Функциональное описание предлагаемой модели

2.2 Синапс

3. Элементы нейрологики с позиции аппаратной реализации

4. Испытание компьютерной модели

4.1 Использование разработанного программно-аппаратного комплекса

Заключение

Список использованных источников