ارائه الگوریتمی جدید برای مدلسازی سلول عصبی با روش معکوس مدل هاجکین-هاکسلی
Publish place: The Second International Conference on New Achievements in Engineering and Basic Sciences
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,648
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
AEBSCONF02_189
تاریخ نمایه سازی: 16 خرداد 1394
Abstract:
اطلاعات مربوط به فعالیت عصبی در یک پاسخ عصبی رمزگذاری شده و معمولاٌ محرک های اساسی که باعث فعالیت عصبی می شوند، نا شناخته هستند. این مقاله یک راه حل عددی برای بازسازی محرک از پاسخ های عصبی هاجکین- هاکسلی را زمانیکه دینامیک عصبی بازیابی می شود، ارائه می دهد. محرک توسط اولین بازیابی حداکثر رسانایی کانال های یونی و سپس حل معادلات هاجکین- هاکسلی برای محرک، بازسازی می شود. نتایج نشان می دهد که محرک بازسازی شده تقریب خوبی از محرک اصلی است. دینامیک عصبی بازیابی شده که نشان دهنده تغییرات وابسته به ولتاژ در کانال های یونی است، به درک تغییرات در بیوشیمی عصبی کمک می کند. همانطور که دینامیک عصبی غیر خطی باعث میشود که ارائه معکوس تحلیلی از یک نورون کاری سخت و دشوار باشد، روش عددی، یک راه حل محلی مسئله برای بازسازی محرک و بازیابی دینامیک عصبی را فراهم می کند. مدل های نوع هاجکین – هاکسلی مجموعه ای از پارامترها را به عنوان ورودی پذیرفته و داده هایی برای توصیف فعالیت الکتریکی نورون به عنوان تابعی از زمان تولید می کند. در این مقاله سعی در طراحی الگوریتم های معکوس برای پیش بینی مجموعه ای از مقادیر پارامتر ورودی از داده های اثر ولتاژ 1 تولید شده توسط این مدل خواهیم نمود. میتوان گفت این اولین روش بهینه سازی پارامتر برای تقریب های نشان داده شده به صورت نظری و تئوری به روش مدلسازی سلول عصبی با معکوس سازی مدل هاجکین-هاکسلی با استفاده از گیرش جریان می باشد.
Keywords:
Authors
سمیرا جلال زاده
گروه مهندسی پزشکی، دانشکده فنی و مهندسی، واحد علوم و تحقیقات آذربایجان شرقی، دانشگاه آزاد اسلامی واحد تبریز-ایران- مسئول مکاتبات
همایون ابراهیمیان
گروه مهندسی پزشکی، دانشکده فنی و مهندسی، واحد علوم و تحقیقات آذربایجان شرقی، دانشگاه آزاد اسلامی واحد تبریز-ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :