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.
Explore la dynamique des populations neuronales, en mettant l'accent sur les réseaux aléatoires et les arguments de terrain moyen pour la connectivité.
Explore l'application de la neuroscience computationnelle en neuroprothèse, en se concentrant sur la prédiction des mouvements de bras prévus en fonction des temps de pointe et de l'importance de l'optimisation systématique des paramètres.
Explore le concept de champ moyen stationnaire dans les neurosciences computationnelles pour prédire l'activité neuronale en fonction de la population et des taux de déclenchement d'un seul neurone.
Discute de trois définitions du code de taux dans les neurosciences informatiques, en mettant l'accent sur la moyenne temporelle, les intervalles entre les spikes et le facteur FANO.
Explore le bruit d'échappement dans la neuroscience computationnelle, couvrant l'intensité stochastique, les intervalles d'intercirculation, les fonctions de vraisemblance, la comparaison des modèles de bruit, et les codes de vitesse par rapport aux codes temporels.
Se penche sur la simulation de la dynamique du réseau dans les neurosciences silico, couvrant l'activité spontanée et évoquée, les simulations in-vitro et in-vivo, et l'analyse de sensibilité.
Explore les réseaux de neurones piquants, les modèles de champ moyen, les fonctions de transfert et les prédictions de l'espace d'état et du comportement neuronal.
Couvre l'argument du champ moyen dans la neuroscience computationnelle, en se concentrant sur la prédiction de l'activité dans un champ moyen stationnaire.
Couvre les fondamentaux des signaux neuraux et du traitement des signaux, en mettant l'accent sur la modélisation et la simulation des systèmes neuraux.
Explore le concept de séparation des échelles de temps dans les neurosciences computationnelles et la réduction des détails dans les modèles neuronaux bidimensionnels.