Séance de cours

Analyse d'un modèle de neurone 2D: Input constant

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours couvre l'analyse d'un modèle de neurone 2D à entrée constante, mettant l'accent sur le modèle FitzHugh-Nagumo. Parmi les sujets abordés, mentionnons la stabilité des points fixes, les modèles neuronaux de type I et II et les modèles d'intégration et de feu non linéaires. La séance de cours explore le comportement du modèle neuronal dans différentes conditions d'entrée, telles que l'impulsion et l'entrée constante, et discute du concept des nulclines et de leur rôle dans la détermination des seuils de tir et des schémas de tir répétitifs.

Dans MOOC

Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Ce cours constitue une introduction au domaine des neurosciences théoriques et computationnelles, en mettant l'accent sur les modèles de neurones individuels. Les neurones encodent l'information sur les stimuli dans une séquence de courtes impulsions électriques (spikes).

Source officielle

Concepts associés (22)

Modèles du neurone biologique

vignette|390x390px|Fig. 1. Dendrites, soma et axone myélinisé, avec un flux de signal des entrées aux dendrites aux sorties aux bornes des axones. Le signal est une courte impulsion électrique appelée potentiel d'action ou impulsion. vignette|Figure 2. Évolution du potentiel postsynaptique lors d'une impulsion. L'amplitude et la forme exacte de la tension peut varier selon la technique expérimentale utilisée pour acquérir le signal.

Neurosciences

thumb|250px|Dessin de neurones du cervelet de pigeon par Santiago Ramón y Cajal (1899). Les neurosciences sont les études scientifiques du système nerveux, tant du point de vue de sa structure que de son fonctionnement, depuis l'échelle moléculaire jusqu'au niveau des organes, comme le cerveau, voire de l'organisme tout entier. Le champ de la recherche en neurosciences est un champ transdisciplinaire : la biologie, la chimie, les mathématiques, la bio-informatique ainsi que la neuropsychologie sont utilisées en neurosciences.

Neurosciences computationnelles

Les neurosciences computationnelles (NSC) sont un champ de recherche des neurosciences qui s'applique à découvrir les principes computationnels des fonctions cérébrales et de l'activité neuronale, c'est-à-dire des algorithmes génériques qui permettent de comprendre l'implémentation dans notre système nerveux central du traitement de l'information associé à nos fonctions cognitives. Ce but a été défini en premier lieu par David Marr dans une série d'articles fondateurs.

Point fixe

En mathématiques, pour une application f d'un ensemble E dans lui-même, un élément x de E est un point fixe de f si f(x) = x. Exemples : dans le plan, la symétrie par rapport à un point A admet un unique point fixe : A ; l'application inverse (définie sur l'ensemble des réels non nuls) admet deux points fixes : –1 et 1, solutions de l'équation équivalente à l'équation . Graphiquement, les points fixes d'une fonction f (d'une variable réelle, à valeurs réelles) sont les points d'intersection de la droite d'équation y = x avec la courbe d'équation y = f(x).

Théorie de la stabilité

En mathématiques, la théorie de la stabilité traite la stabilité des solutions d'équations différentielles et des trajectoires des systèmes dynamiques sous des petites perturbations des conditions initiales. L'équation de la chaleur, par exemple, est une équation aux dérivées partielles stable parce que des petites perturbations des conditions initiales conduisent à des faibles variations de la température à un temps ultérieur en raison du principe du maximum.

Afficher plus

Séances de cours associées (64)

Analyse des plans en phase MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Couvre l'analyse de phase plane des modèles neuronaux à deux dimensions, en se concentrant sur les lignes nulles et les points fixes.

Modèles neuronaux: Type I et Type II MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore les modèles de neurones bidimensionnels, de type I et de type II, en discutant des seuils de tir et de la bifurcation Hopf.

Bistabilité dans les réseaux génétiques

Explore la bistabilité dans les réseaux génétiques, en analysant les points fixes et la stabilité, les portraits de phase et la mise en œuvre expérimentale.

Réduction à 2 dimensions : Exploiter les similarités MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore de réduire le modèle Hodgkin-Huxley à 2 dimensions en exploitant les similitudes entre les variables et en discutant du modèle d'intégration et de feu non linéaire.

Réduction de Hodgkin-Huxley en 2D MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore la réduction du modèle Hodgkin-Huxley à un modèle neuronal bidimensionnel.

Afficher plus

Concepts associés (22)

Modèles du neurone biologique

Neurosciences

Neurosciences computationnelles

Point fixe

Théorie de la stabilité

Afficher plus