Cortical Field Model

수업 필기

introduction

뇌는 연속적인 것과 discreate한 것을 처리하는 방법이 다르다.
시각적인 것도, 방향적인 것도.
place cell이 뭐죠???
이런 처리는 뇌의 피질 cortex에서 담당한다.

mean-field model

이거 통계 물리에서 본 적이 있어!!
하나의 뉴런이 모든 뉴런과 연결되어 있다면, 모든 뉴런의 영향(input or state)을 평균내어서 고려할 수 있다. 즉, mean-field는 full connected일 때 확실하게 사용할 수 있다.
혹은 연결이 random해도 대략적으로 mean-field를 사용할 수 있다. 왜냐면 랜덤이니까.
mean-field는 연결 사이 강도가 모두 똑같다고(가중치가 같다고) 가정한다.

이렇게 개별 연결에 대한 index가 사라지고, 모든 뉴런의 상태를 적분하는 term이 들어갔다.

이렇게 mean-field model을 사용하면,
single-neuron rate = population rate
그래서 starionary state에서는 population rate가 변하지 않는다.

transient state

• spike response model (SRM)

• Generalized-integrate-and-fire model
  앞서 배웠던 신경 하나의 firing을 계산할 때 적응, 노이즈 등 오만 걸 다 고려한 적분 모델. 그것의 input이 mean-field인.

갑자기 firing rate가 높아지는 순간이 있다.

ppt에서 보이는 A(t)가 뭐하는 함수이지?

cortex

시각적 방향 인식경향이 같은 뉴런들이 피질에서 공간적으로 밀집해 있다.

multiple population을 모아 continum으로 만들자. summation을 integration으로 만들자.

왜..distance dependant coupling이 일어나는 거지? Maxican hat

solution types

boundary condition을 periodig하게. 시작과 끝이 연결되어 잌ㅅ다고 가정.

첫 번째 해는 firing이 uniform하게

두 번째 해는 특정 지점의 뉴런의 firing이 높게 → bump solution
다음에 parameter에 따라 bump의 위치가 바뀌는 걸 보다고 함

edge enhancement가 뭐지?

사각형 사이 검은 점이 edge enhancement라고 한다.
Mach band는 continum modle에서 Maxican hat으로 설명할 수 있다.

head direction cell

쥐가 특정 위치에 있을 때만 발화하는 뉴런이 있다.
머리의 위치가 특정 방향에 있을 때 발화하는 뉴런이 있다.

References

• Source 1
• Source 2

Notes from Claude

Claude’s explanations and insights on this topic: