LIFモデルにおける高次の発火エルゴード性(機械学習によるバイオデータマインニング,一般)

スポンサーリンク

概要

論文の詳細を見る
大脳皮質における実神経細胞の発火パターンは再現性が低く、試行によって大きく異なる。統計解析を施す場合、一般に試行毎の発火変動は無視され、統計量は平均化される。しかし、試行間の発火変動は何らかの情報を保持している可能性が示唆されている。増田・合原(2003)は、発火率の試行平均と集団発火率の等価性を発火のエルゴード性と定義した。本研究では彼らの議論を拡張して試行間の高次の統計量を導入することで、leaky integrate-and-fire(LIF)モデルにおける不応期や共通外力、シナプス入力などの特徴が統計量にどのような影響を与えるのかを調べる。また、同時に異ニューロン間の高次統計量を導入し、試行間統計量とのエルゴード性を考察した結果、高次統計量によって集団同期発火や試行間の同期発火を検出できることがわかった。
社団法人電子情報通信学会の論文
2007-06-07

著者

関連論文

もっと見る

スポンサーリンク