Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)


Для цитирования:

Бахшиев А. В., Демчева А. А. Сегментная спайковая модель нейрона CSNM // Известия вузов. ПНД. 2022. Т. 30, вып. 3. С. 299-310. DOI: 10.18500/0869-6632-2022-30-3-299-310

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
(загрузок: 326)
Язык публикации: 
русский
Тип статьи: 
Научная статья
УДК: 
004.032.26+004.274

Сегментная спайковая модель нейрона CSNM

Авторы: 
Бахшиев Александр Валерьевич, Санкт-Петербургский политехнический университет Петра Великого
Демчева Александра Андреевна, Санкт-Петербургский политехнический университет Петра Великого
Аннотация: 

Цель настоящего исследования — разработка сегментной спайковой модели нейрона как элемента растущих нейронных сетей. Методы. В работе применены методы математического и численного моделирования и проведено сравнение реакций на одиночный импульс предложенной сегментной спайковой модели нейрона и модели порогового интегратора с утечкой. Рассмотрен также вопрос о влиянии гиперпараметров предложенной модели на динамику возбуждения нейрона. Все описанные эксперименты проводились в среде Matlab Simulink с использованием средств разработанной библиотеки. Результаты. По результатам исследования был сделан вывод о том, что предложенная модель способна качественно воспроизвести реакцию точечной классической модели, а настройка гиперпараметров позволяет воспроизводить следующие закономерности распространения сигналов в биологическом нейроне: уменьшение максимального потенциала и увеличение задержки между входным и выходным импульсами с увеличением размера нейрона или длины дендрита, а также рост потенциала при увеличении числа активных синапсов. Заключение. Показано, что предложенная сегментная спайковая модель нейрона позволяет описывать поведение биологических нейронов на уровне воспроизведения динамики преобразования импульсных сигналов. Гиперпараметры модели позволяют осуществлять настройку реакций нейрона при фиксированных остальных параметрах. Такая модель может использоваться как элемент спайковых нейронных сетей с детализацией до уровня сегментов дендритных деревьев нейронов.

Список источников: 
  1. Shrestha A., Mahmood A. Review of deep learning algorithms and architectures // IEEE Access. 2019. Vol. 7. P. 53040–53065. DOI: 10.1109/ACCESS.2019.2912200.
  2. James C. D., Aimone J. B., Miner N. E., Vineyard C. M., Rothganger F. H., Carlson K. D., Mulder S. A., Draelos T. J., Faust A., Marinella M. J., Naegle J. H., Plimpton S. J. A historical survey of algorithms and hardware architectures for neural-inspired and neuromorphic computing applications // Biologically Inspired Cognitive Architectures. 2017. Vol. 19. P. 49–64. DOI: 10.1016/j.bica.2016.11.002.
  3. Tavanaei A., Ghodrati M., Kheradpisheh S. R., Masquelier T., Maida A. Deep learning in spiking neural networks // Neural Networks. 2019. Vol. 111. P. 47–63. DOI: 10.1016/j.neunet.2018.12.002.
  4. Marcus G. Deep Learning: A Critical Appraisal [Electronic resource] // arXiv:1801.00631. arXiv Preprint, 2018. 27 p. Available from: https://arxiv.org/abs/1801.00631.
  5. Gerstner W. Population dynamics of spiking neurons: Fast transients, asynchronous states, and locking // Neural Computation. 2000. Vol. 12, no. 1. P. 43–89. DOI: 10.1162/089976600300015899.
  6. Gerstner W., Kistler W. M. Spiking Neuron Models: Single Neurons, Populations, Plasticity. Cambridge: Cambridge University Press, 2002. 480 p. DOI: 10.1017/CBO9780511815706.
  7. Izhikevich E. M. Simple model of spiking neurons // IEEE Transactions on Neural Networks. 2003. Vol. 14, no. 6. P. 1569–1572. DOI: 10.1109/TNN.2003.820440.
  8. Hodgkin A. L., Huxley A. F. A quantitative description of membrane current and its application to conduction and excitation in nerve // Bulletin of Mathematical Biology. 1990. Vol. 52, no. 1–2. P. 25–71. DOI: 10.1007/BF02459568.
  9. Bell J. Cable theory // In: Binder M. D., Hirokawa N., Windhorst U. (eds) Encyclopedia of Neuroscience. Berlin, Heidelberg: Springer, 2009. DOI: 10.1007/978-3-540-29678-2_775.
  10. Lindsay A. E., Lindsay K. A., Rosenberg J. R. Increased computational accuracy in multi-compartmental cable models by a novel approach for precise point process localization // Journal of Computational Neuroscience. 2005. Vol. 19, no. 1. P. 21–38. DOI: 10.1007/s10827-005-0192-7.
  11. Бахшиев А. В., Романов С. П. Воспроизведение реакций естественных нейронов как результат моделирования структурно-функциональных свойств мембраны и организации синаптического аппарата // Нейрокомпьютеры: разработка, применение. 2012. № 7. С. 25–35.
  12. Bakhshiev A., Gundelakh F. Mathematical model of the impulses transformation processes in natural neurons for biologically inspired control systems development // In: Supplementary Proceedings of the 4th International Conference on Analysis of Images, Social Networks and Texts (AIST-SUP 2015). Vol. 1452. Yekaterinburg, Russia, April 9–11, 2015. Aachen, Germany: CEUR-WS, 2015. P. 1–12.
  13. Бахшиев А. В. Перспективы применения моделей биологических нейронных структур в системах управления движением // Информационно-измерительные и управляющие системы. 2011. № 9. С. 85–90.
  14. Экклс Дж. Физиология синапсов. М.: Мир, 1966. 396 с.
  15. Neuro Matlab: модели спайковых нейронов в Matlab Simulink [Электронный ресурс]. Режим доступа: https://github.com/aicommunity/NeuroMatlab.
  16. Бахшиев А. В., Корсаков А. М., Астапова Л. А., Станкевич Л. А. Структурная адаптация сегментной спайковой модели нейрона // Труды VII Всероссийской конференции «Нелинейная динамика в когнитивных исследованиях — 2021». Нижний Новгород, 20–24 сентября 2021. Нижний Новгород: Институт прикладной физики РАН, 2021. С. 30–33.
Поступила в редакцию: 
07.11.2021
Принята к публикации: 
20.12.2021
Опубликована: 
31.05.2022