Séance de cours

Modèle d'intégration et d'incendie non linéaire

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 la réduction d'un modèle neuronal bidimensionnel à une dimension, en mettant l'accent sur le modèle d'intégration et d'incendie non linéaire. Il traite de la séparation des échelles de temps, de l'impact du stimulus et de la stabilité des points fixes. On présente également le modèle d'intégration et de feu exponentiel, dérivé des équations de Hodgkin-Huxley. La séance de cours explore l'activité clairsemée in vivo, la prédiction des temps d'initiation des pics et la tension sous-seuil dans la modélisation neuronale.

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 (25)

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.

Réduction de la dimensionnalité

vignette|320x320px|Animation présentant la projection de points en deux dimensions sur les axes obtenus par analyse en composantes principales, une méthode populaire de réduction de la dimensionnalité La réduction de la dimensionnalité (ou réduction de (la) dimension) est un processus étudié en mathématiques et en informatique, qui consiste à prendre des données dans un espace de grande dimension, et à les remplacer par des données dans un espace de plus petite dimension.

Threshold voltage

The threshold voltage, commonly abbreviated as Vth or VGS(th), of a field-effect transistor (FET) is the minimum gate-to-source voltage (VGS) that is needed to create a conducting path between the source and drain terminals. It is an important scaling factor to maintain power efficiency. When referring to a junction field-effect transistor (JFET), the threshold voltage is often called pinch-off voltage instead.

Subthreshold conduction

Subthreshold conduction or subthreshold leakage or subthreshold drain current is the current between the source and drain of a MOSFET when the transistor is in subthreshold region, or weak-inversion region, that is, for gate-to-source voltages below the threshold voltage. The amount of subthreshold conduction in a transistor is set by its threshold voltage, which is the minimum gate voltage required to switch the device between on and off states.

Nonlinear dimensionality reduction

Nonlinear dimensionality reduction, also known as manifold learning, refers to various related techniques that aim to project high-dimensional data onto lower-dimensional latent manifolds, with the goal of either visualizing the data in the low-dimensional space, or learning the mapping (either from the high-dimensional space to the low-dimensional embedding or vice versa) itself. The techniques described below can be understood as generalizations of linear decomposition methods used for dimensionality reduction, such as singular value decomposition and principal component analysis.

Afficher plus

Séances de cours associées (61)

Interpike Intervalles et processus de renouvellement MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore les intervalles inter-spikes, les processus de renouvellement et les expériences d'évacuation du bruit dans la dynamique neuronale.

Dans les neurosciences de Silico : canaux ioniques et modèles neuronaux

Explore la modélisation détaillée des canaux ioniques et des morphologies neuronales dans les neurosciences silico, couvrant la classification des neurones, la cinétique des canaux ioniques et les observations expérimentales.

Modèles comparatifs : Dendrites actives MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Explore les modèles compartimentés en neurosciences computationnelles, en se concentrant sur les dendrites actives et les résultats expérimentaux.

Modèles et données MOOC: Dynamique neuronale - Neuroscience computationnelle des neurones uniques

Couvre l'optimisation des modèles neuronaux pour le codage et le décodage dans les neurosciences computationnelles.

Signal neuronal et traitement des signaux : modélisation et simulation

Couvre les fondamentaux des signaux neuraux et du traitement des signaux, en mettant l'accent sur la modélisation et la simulation des systèmes neuraux.

Afficher plus

Concepts associés (25)

Modèles du neurone biologique

Réduction de la dimensionnalité

Threshold voltage

Subthreshold conduction

Nonlinear dimensionality reduction

Afficher plus