ニューラルネットワークや学習データによる神経活動への効果(ニューロハードウェア,一般)

概要

論文の詳細を見る
神経の電気的活動をシミュレートするためには、生理実験データからチャネルコンダクタンスのダイナミクスを推定しなければならない。そのためにはチャネルコンダクタンスの時系列を現す微分方程式を定式化することが必要である。一方、もしそのダイナミクスが自動的に推定されれば、神経活動は容易にシミュレートすることが出来る。時系列を学習できるニューラルネットワーク(NN)を用いれば、微分方程式を定式化せずにチャネルコンダクタンスのダイナミクスを推定することが出来る。ヤリイカの巨大軸索のNa^+とK^+チャネルコンコンダクタンスのダイナミクスを2つの完全相互結合型NNを用いて推定し、そしてその軸索での様々な神経活動を再現することが出来た。それら再現できた活動は活動電位、閾値、不応期、リバウンド活動、そして定常刺激による周期的発火である。従って、NNは神経細胞のチャネルコンダクタンスダイナミクスの推定に有用なツールである。そのようなNNは複数ある。例として時間遅れNN、Elman型NN、完全相互結合型NN等がある。また学習に用いるデータも様々なパターンが考えられる。本研究の目的はNNの違いや学習データの違いによる神経活動に対する影響を調べることである。そして、完全相互結合型ネットワークと滑らかに電位を変化させた学習データが神経活動の再現に有効であることが示唆された。
社団法人電子情報通信学会の論文
2008-10-31

ニューラルネットワークや学習データによる神経活動への効果(ニューロハードウェア,一般)

スポンサーリンク

概要

著者

関連論文

スポンサーリンク