Нейрондық желілерге кіріспе
МAЗМҰНЫ
КІPІCПЕ
3
1.
Пәндік облыстың анализі және зерттеуі
4
1.1
Нейрондық желілерге кіріспе
4
1.2
Нейронды желілер медицинада
10
1.3
Үлкен деректер көлемі
12
1.4
Data mining-тегі кластерлік анализ
16
2.
Нейронды желілердегі деректерді өңдеудің әдістерінің
және алгоритмдерінің анализі
25
2.1
Кластеризацияның әдістері
25
2.2
k-орталардың кластеризациясы
27
2.2.1
k-орталардың кластеризациясы туралы негізгі мәліметтер
28
2.2.2
k-орталардың кластеризациясының бапталуы
29
2.3
k-means кластеризациясының алгоритмі
30
2.4
k-means алгоритмінің қолданылу облысы
33
3.
Эксперименттік деректердің кластеризациясы мен визуализациясы
40
3.1
Нейронды желілердің негізінде жатқан негізгі идеялар
40
3.2
Нейронды желі үшін деректерді жинау
42
3.3
Эксперименталдық деректердің өңделуі
44
3.3.1
Активация паттерндерінің анализі
44
3.3.2
Мультиграфтар әдісі
45
3.4
Бас миының визуализациясы
46
3.5
Бас миын визуализациялау әдістері
50
3.5.1
Функционалды магнитті-резонансты томография
50
3.5.2
Компьютерлі томография
55
3.5.3
Позитронды-эмиссионды томография
59
3.5.4
Электроэнцефалография
62
3.5.5
Магнитоэнцефалография
64
КІРІСПЕ
Қазіргі әлемде ақпарат маңызды байлықтардың бірі болып табылады, ал ақпараттық жүйе (АЖ) барлық қызмет саласында қажетті құрал болып танылады.
Ақпараттық жүйенің көмегімен шешілетін міндеттердің әртүрлілігі, құрастырылу қағидасымен және оларға енгізілген ақпаратты өңдеу ережесімен айрықшаланатын көптеген әртүрлі жүйелердің пайда болуына алып келді.
Диссертациялық жұмысымның тақырыбы осы ақпараттық жүйеге қатысты нейрондық желілерді тереңдетіп оқытуды зерттеу болып табылады. Бұл жұмыстың мақсаты ақпараттық жүйенің пәндік аймақ ретінде нейрондық желілерді зерттеу болып саналады.
Диссертациялық жұмыстың мақсаты:
- Диссертациялық жұмыста үлкен көлемдегі мәліметтерді кластерлеу мәселелері қарастырыл-ған. Дипломдық жұмыстың мақсаты - k-орташа кластерлеу әдісі арқылы адамның миымен байланысты аурулардың дәл диагнозын анықтайтын тапсырмаларды оңтайландыру.
- k-means Кластерлеу әдісін талдау
Диссертациялық жұмыста қойылатын талаптар:
- диссертация тақырыбына байланысты танымдық белсенділікті көрсету мақсатында мәліметтер жинақтау;
- диссерациялық жұмыстар тақырыптарын анықтау кезінде өндіріс, білім және ғылымның нақты мәселелерін ескеру;
- қорғалып отырған диссертациялық жұмыстың тақырыбын ашу мақсатында, оны жеткізу ретінде зерттеу жұмыстарын енгізу;
- диссертациялық жұмыс тапсырмаға сәйкес перспективті теориялық және практикалық мәселелерді қамту.
Диссертациялық жұмыстың өзектілігі:
- Қазіргі заманғы нейробиология үлкен көлемді және егжей-тегжейлі үлкен нейрондық деректерді жеткізетін миды картаға түсіру және жазу технологиясының дамуына негізделген трансформацияның ортасында тұр. Желілік ғылым нейрондық жүйелерді модельдеуге және талдауға, жеке нейрондардан бастап, бүкіл миды қамтитын тізбектерге негізделген принциптердің бірі ретінде пайда болды. Ми желілеріндегі зерттеулер ұлттық және халықаралық конференцияларда, жетекші ғылыми журналдардың арнайы басылымдарында және АҚШ-тың Адамның Коннектом жобасы, BRAIN бастамасы және Еуропалық ми сияқты ми жұмысын түсінуге бағытталған кең ауқымды бастамалардың бір бөлігі болды.Шекті криптожүйелер құпия ақпаратты кеңістікте бөлуді ұйымдастырады, оған сәйкес шекті схеманың n абоненттерінің тек құпияны қалпына келтіре алады. Шекті схемалар ауқымы ақпараттарды жасырын беру жүйелеріне, желідегі компьютерлер арасында деректерді берудің динамикалық тепе-теңдігіне және мәліметтер қорын қорғауға кеңейеді.
1. ӘДЕБИ ШОЛУ
1.1 Brain networks тарихы
Танымдық сәулет термині адамның танымындағы ережелерді түсіндіруге күш салған (Фодор мен Пылышин, 1988) когнитивтік немесе компьютерлік ғалымдардың толығымен қолданатын тұжырымдамаларына қатысты (1-жолақты қараңыз). биологиялық субстрат - адамның миы. Заман өзгерді. Танымал архитектураның жаңа суреті пайда бола бастады, бұл арнайы шығарылымға қосқан үлестерімен дәлелдеді. Көптеген когнитивтік сәулет қазіргі кезде белгілі бір міндеттер жиынтығын немесе белгілі бір функцияларды орындауға ықпал ететін ми аймақтарының жиынтығы ретінде қарастырылады. Көбінесе бұл архитектуралар нақты түрде желілер деп аталады, мысалы, әдепкі режимдік желі (Райхль және басқалар, 2001), назар аудару желілері және т.б. (мысалы, (Корбетта және Шульман, 2002)).
Алайда, желі терминінің мәні өте өзгергіш. Көптеген жағдайларда, желі термині осы аймақтар арасындағы байланыстарға нақты сілтеме жасамай, фМРИ-ге қатысты зерттеулер жиынтығы кезінде іске қосылатын қарапайым аймақтар жиынтығына бейресми түрде қолданылады. Желілердің осы бейресми түсінігіне керісінше аймақтар жиынтығы ретінде осы мақалада қабылданған желіні неғұрлым ресми анықтайды. Желі - бұл жүйенің элементтерінің арасындағы түйіндердің жиынтығын байланыстыратын жиектердің жиынтығы ретінде ұсынылған жүйелік қатынастардың жиынтығы. Нейробиологиялық желілер нейрондардың ішіндегі жасушаларға тән метаболикалық немесе реттелетін жолдардан кортикальды аймақтар мен субортикалық ядролардың өзара әрекеттесуіне дейін масштабтың көптеген деңгейлеріне келеді (1-суретті қараңыз). Әр деңгейде (нейрондар, нейрондық тізбектер және популяциялар, жүйелер) әр түрлі желілер бар, маңыздылығы әртүрлі. Осы деңгейлердің әрқайсысында жеке элементтердің қалай жұмыс жасайтынын түсіну ғана емес, сонымен бірге элементтерді үлкен өзара байланысқан жүйенің контекстіне енгізетін жұптасқан қатынастар жиынтығын түсіну маңызды (Sporns, 2011). Кейбір ерекшеліктермен қатар, когнитивті сәулет негізінен осы жоғары деңгейдегі құрылымдар мен механизмдерді қамтиды (Сежновски и Черчилл, 1989). Осы мақала үшін біз мидың барлық немесе көп бөлігіне қатысты желілерді түсіну үшін осы ең жоғары деңгейлерге назар аударғымыз келеді. Біз осы басылымның басқа мақалаларында қарастырылған нақтырақ архитектураларды қамтитын кең көлемді архитектуралық принциптер мен қасиеттерді зерттегіміз келеді.
1-сурет, ми деңгейлері
Неврологиядағы желілер туралы түсінік 19-ғасырдың екінші жартысында Вернике, Лихтейм, Лиепман, Дежерин және басқалары негізінен клиникалық-патологиялық корреляциялар негізінде айтылған ажырату синдромдары гипотезасының пайда болуымен басталды. Тұжырымдама байланысты салалардағы екі дамуды қолдады: 1) когнитивтік функцияның ассоциативті модельдерінің кеңінен қабылдануы (1) адамның миының беткі морфологиясын сипаттаудан ақ заттағы нейроанатомиялық проекция жолдарын тікелей сипаттауға дейінгі қозғалыс және 2) авторы Джеймс және Фрейд . Алайда, ертедегі диаграмма жасаушылар, өздерінің зияндылары деп атағандықтан, ХХ ғасырдың ортасында миды ұйымдастырудың (мысалы, жаппай әрекет ету) бәсекелес теорияларына негіз қалдырып кетті. Ақпаратты өңдеуді бөлу және интеграциялау үшін құрылған ми желісінің орталық тұжырымдамасы 1960 жылдары Норман Гешвинд ағылшын тілінде сөйлейтін әлемге енгізілгенге дейін қайтадан әсер етпеді . Гешвиндтің мұрасы кортико-кортикальды байланыс ұйымын тереңірек зерттеуге шақырғанмен, инновационды емес бейнелеу әдістері бұл қатынастарды in vivo-да зерттеу үшін әлі кең қол жетімді болмады.
Соңғы бірнеше онжылдықта нейрохимиялық түсірудің көп мөлшерлі емес құрылымдық және функционалды әдістерінің көптігі үнемді болды, ал бұл әдістер үшін деректерді өңдеудің негізгі әдістері жетілдірілді. Сонымен қатар, статистикалық физика саласындағы оқиғалар қазіргі кездегі күрделі желілік ғылым деп аталатын жаңа пәнаралық өрістің пайда болуына әкелді, ол әртүрлі күрделі нақты жағдайлардың ұйымдастырылуын және пайда болатын әрекеттерін түсінудің математикалық және тұжырымдамалық құралдарын ұсынады. өмір желілері; қол жетімді кіріспе үшін және техникалық жағдайды жан-жақты қарастыру үшін бөлімін қараңыз. Күрделі желілік ғылымнан пайда болған негізгі түсінік - бұл әр түрлі жүйелер негізгі ұйымдастырушылық принциптерді ортақ қолдана алатындығында. Сонымен қатар, кеңістік пен уақыттың әр түрлі ауқымында болатын ми сияқты күрделі жүйеде желінің қасиеттері жоғары деңгейде сақталуы немесе масштабты өзгермейтіні көрінеді. Мысалы, микроскопиялық ұялы желілер де, нейроэмизинг деректерінен алынған макроскопиялық желілер де модульділік, концентратор түйіндерінің болуы және сымдардың минималды шығындары үшін ақпарат берудің жоғары тиімділігі сияқты изоморфты қасиеттерін көрсете алады; Жалпы нейробиологияға қатысты күрделі желілерді соңғы шолу үшін қараңыз. Бұл мақалада біз адам денсаулығындағы және ауруындағы мидың күрделі желілік қасиеттерін түсіндіру үшін негізінен графикалық теориядан алынған математикалық құралдарды қолдана отырып жасалған соңғы зерттеулерге тоқталамыз.
1.2.Желілік талдаудың графикалық теориялық түсініктері
Графикалық теорияда желі шеттермен (немесе сызықтармен) байланысқан түйіндер жиынтығы ретінде абстрактілі сипаттамаға дейін азаяды; 2-суретті қараңыз. Жиектерді бағыттауға немесе бағыттамауға болады, ал салмақталған немесе өлшенбеген. Қазіргі кездегі ми желілерінің графикалық теориялық талдауларында басқарылмаған, өлшенбейтін графиктің қарапайым жағдайы қарастырылған.
2-сурет,түйіндер жиынтығы
Ми диаграммасының түйіндері мен жиектерін эмпирикалық жолмен анықтауға болады. Caenorhabditis elegans нематодты құрт туралы зерттеулер сияқты микроскопиялық мәліметтерден құрылған желілер үшін түйіндер нейрондар болады, ал жиектер нейрондарды бір-бірімен байланыстыратын аксондар болып табылады. Екінші жағынан, адамның нейрохимиялық мәліметтерінің макроскопиялық масштабында мидың желілерін құру үшін біз түйіндердің негізгі субкортикалық ядролардың және кортикальды аймақтардың және жиектердің арасындағы статистикалық байланыстың, мысалы, корреляцияның немесе өзара ақпараттың байланысы болғандығын көрсете аламыз. аймақтар ; 3-суретті қараңыз.
3-сурет ,корреляцияның немесе өзара ақпараттың байланысы
Желіні графикалық түрде көрсеткеннен кейін оның топологиялық қасиеттерін өлшеуге болады. Кілттік топологиялық метрика - бұл әр түйіннің дәрежесі, бұл оны желінің қалған бөлігімен байланыстыратын жиектер саны. Желінің барлық түйіндері бойынша дәреженің ықтималдығы бөлінуі дәреженің таралуы деп аталады және көбінесе жоғары дәрежелі түйіндердің немесе желілік хабтардың болуымен үйлесетін көп немесе аз кесілген қуат заңына ие.
Тағы бір кілт метрикасы - бұл бір түйіннен басқа түйінге өту үшін өту керек жиектердің саны; жақын көршілерге арналған жұп түйіндер үшін жолдың ұзындығы 1; Кейде сипаттамалық жолдың ұзындығы деп аталатын барлық мүмкін болатын түйіндердің орташа жолының ұзындығы параллель ақпарат беру үшін желінің жаһандық тиімділігіне кері байланысты. Кластерлеу коэффициенті индекстік түйіннің жақын көршілері арасындағы қосылыстардың тығыздығын өлшейді: жоғары кластерлік коэффициенттер тығыз байланысқан көршілер клетінің бөлігі болып табылатын түйіндерді білдіреді. Ми желілеріндегі осы және басқа өлшемдерді эталондық желілердегі шамалармен салыстыруға болады, мысалы, кездейсоқ желілер (аз кластерлер мен қысқа жол ұзындығы бар) немесе тұрақты торлар (жоғары кластерлік және ұзақ жол ұзындығы).
Уоттс пен Строгат 1998 жылы өздерінің өте ықпалды мақалаларында қарапайым есептеу моделін қолданып, қарапайым тор мен кездейсоқ желінің шектеулі жағдайлары арасында жоғары кластерлеу мен үйлесімділіктің сипатталатын желілердің аралық режимі бар екенін көрсетті. қысқа жол ұзындығы. Олар әлеуметтанудың алдыңғы бақылауларына сүйене отырып, желілердің бұл класын шағын әлем деп атады, олар әлеуметтік желілерде көбінесе жергілікті аудандардағы қарым-қатынастардың жоғары кластерлілігі немесе өзара байланысының ұқсас қасиеттері бар, таңдалған кез-келген екі адамның таңқаларлық қысқа аралық танысу тізбегі бар. үлкен популяциядан кездейсоқ. Бұл талдау нейроциологтар үшін тартымды екендігі дәлелденді, өйткені ол миды ұйымдастырудың локализацияланған және таратылған модельдерінің арасындағы ұзақ уақытқа созылған шиеленісті шешеді: негізінен, шағын әлем желісі жергілікті немесе мамандандырылған аудандарда топологиялық субстратты қамтамасыз ете алады. жоғары кластерлі түйіндер, және қысқа сипаттамалық жолдың ұзындығы бар жоғары тиімді желіде жаһандық таратылған немесе біріктірілген өңдеу . Жақында жүргізілген жұмыс күрделі желілер ғылымынан бастап нейробиология және нейрохимия саласындағы қолданбаларға дейінгі өлшемдердің ауқымын едәуір кеңейтті.
1.3.Мидың құрылымдық желілері
Адамның миының құрылымдық желілері екі жолмен жасалған: не жанама түрде сұр зат көлемінің аймақтық ковариациясынан немесе құрылымдық магниттік-резонанстық бейнелердегі қалыңдығын өлшеу, sMRI; диффузиялық тензормен, DTI (немесе қатысты әдістермен) қамтамасыз етілген сұр заттың аймақтарының арасындағы ақ заттардың қосылыстарын өлшеуден немесе одан көп. Құрылымдық желілердің тораптары әдетте алдын-ала анықталған анатомиялық іріктеу сызбасының аймақтары ретінде анықталды, мысалы, кортекті шамамен Бродман аудандарына бөлетін автоматтандырылған анатомиялық таңбалау (AAL) шаблон кескіні . СМРИ деректері негізінде сұр заттарды желілер жасау үшін түйіндер арасындағы жиектер аймақтық көлем немесе кортикальды қалыңдық өлшеу арасындағы корреляция күші арқылы анықталады . Мысалы, 100 адамның таңдауында оң және сол жақ фронтальды гирустың кортикальды қалыңдығы арасында тығыз байланыс болса, осы түйіндер арасында жиілік сызықты сызықтық сызықпен сызылады, бұл орташа үлгіні білдіреді. DTI негізіндегі ақ материя желілерінің басты артықшылығы - ықтималды трактография сияқты әдістерді бір тақырыптағы кез-келген аймақтық түйіндер арасындағы байланыс мүмкіндігін анықтау үшін қолдануға болады.
Сонымен қатар, бір тақырыптағы траграфияға негізделген анатомиялық желілер сұр заттардың аймақаралық ковариациясына негізделген желілерге қарағанда, аймақтар арасындағы аксональдық проекцияға тікелей байланысты болып көрінуі мүмкін (дегенмен, осы екі көзқарасты салыстырып тексеру үшін Лерч және басқаларын қараңыз). . Алайда, DTI негізіндегі желілер үшін қазіргі кездегі күрделі мәселе - трактографияның көптеген әдістері кеңістікте кең бөлінген аймақтар арасындағы байланыстардың ықтималдығын шамадан тыс бағалайды, бұл нәтижесінде пайда болған желілерде алыс қашықтықтардың салыстырмалы түрде таралуына әкеледі.
2. Тақырып бойынша библиография құру
2.1 Мидың ірі желілеріне жақындау
Мақаланың негізгі бөлігі екі байланысты зерттеулерде мидың ұйымдастырылуына нақты желілік перспективаны қабылдаудан туындайтын кейбір тұжырымдамалар мен нәтижелерді қарастырады.
Біз алдымен барлық функционалдық белсенділік жүретін анатомиялық желілерді түсіндіруге бағытталған жұмысқа жүгінеміз. Анатомиялық желілер нейрондық сигналдар мен ақпараттың өтуіне кедергі келтіретін қаңқаны қамтамасыз етеді, бұл біздің ойымызды, түсінуіміз бен іс-әрекетімізді қалыптастыру үшін өте маңызды.
Ми желісін зерттеудің екінші бір негізгі әдісі - бұл функционалды MRI BOLD сигналының корреляцияланған ауытқуы (фл. Қуат және басқалар, 2014). Бұл зерттеулер көбінесе функционалдық қосылыс деп аталатын жағдайды құратын нақты міндеттерсіз осы корреляцияны бақылайды. Бұл жұмыс маңызды демонстрациядан басталды, тіпті тыныштықта да fMRI BOLD сигналының ауытқуы мидың анатомиялық спецификалық жолдарымен корреляцияланады. Мысалы, мотор функциясына қатысты көптеген аймақтар ешқандай міндет болмаған кезде бір-бірімен тығыз байланысты. RSFC ұйымы мотор жүйесінен тыс көптеген ми аймақтары арасындағы ортақ функционалды қатынастар туралы түсінік беру үшін көрсетілді. Мақаланың екінші негізгі бөлімінде осы зерттеулер ұсынған кейбір негізгі бақылаулар мен қасиеттер қарастырылған.
Қорытынды бөлімде біз когнитивтік архитектураның негізін құрайтын биологиялық механизмдерді түсіну үшін маңызды деп санайтын құрылымдық және функционалды желілердің өзара байланысын зерттейміз (2-жолақты қараңыз). Жақында жүргізілген жұмыс мидың осы екі түрінің арасындағы кейбір қатынастарды ашты, құрылымдық байланыстардың функционалды желілерді қалай шектейтіні және көптеген шектеулер бірнеше уақыт шкалаларында қалай ойнайтындығы туралы толық түсініксіз болып қала береді. Құрылымы мен функциясы бойынша желілерді интегративті зерттеу болашақ үшін маңызды мақсат болып табылады, және біз мақалада осы жолдың кейбір қадамдарын диаграммамен аяқтаймыз.
2.2 Функциялық коррелиция желілері
Кіріспеде айтылғандай, мидың ауқымды желілеріне бір тәсіл - бұл RSFC қолдану. Қазіргі уақытта, осы айқын емес жағдайлардағы корреляциялар нені білдіретіні туралы көптеген адамдар қатты алаңдаушылық білдіруде. Алайда, RSFC бақылауының топтық және жеке деңгейде жоғары сенімділік пен репродуктивтілік деңгейін көрсететіні күмән тудырмайды. Шынында да, RSFC желілік деректерін көптеген бақылаулар тыныштықтың әр түрлі түрлерінде сақталады (көздер ашық және көздері жабық (МакАвой соавт. 2012), жеңіл анестезия, ұйқының ерте кезеңдері (Horovitz соавт, 2009 ж.) ; Larson-Prior және басқалар, 2011) және т. Б.). Сонымен қатар, жалпы желілік қатынастардың көбісі міндеттер күйінде сақталатын көрінеді (Коул және басқалар, 2014). Соған қарамастан, міндеттер тынығу кезінде болатын негізгі желілерде тыныштықты тудырады (Коул және басқалар, 2014; Дэвисон және басқалар, 2015) және терең ұйқы және терең анестезия (Гейн және басқалар, 2012) сонымен қатар функционалды бұзылуларды тудырады. сәулет сәулеті.
Осылайша, RSFC тербелістерінің нені білдіретіні туралы нақты сұрақтар туындайды. Олар негізгі анатомиялық қатынастармен шектелген сияқты, бірақ жалпы олар анатомиялық қатынастарды қайталамайды (келесі бөлімді қараңыз). Ми аймақтары арасында өте күшті функционалды корреляцияларды табуға болады, олар ешқандай тікелей (бір сатылы) анатомиялық байланыспен байланысты емес. Мысалы, сол жақ мотор кортексі мен оң жақ ми қантамырларының арасында функционалды байланыстарды табуға болады (Бакнер және басқалар, 2011), анатомиялық тұрғыдан бір-бірінен бірнеше қадам алыс орналасқан екі құрылым (сурет 4). Сол жақ және оң жақ жарты шарлардағы бастапқы визуалды кортекстің эксцентрлік көріністері, сонымен қатар, тікелей анатомиялық байланыстарсыз да айқын байланысты (Винсент соавт., 2007).
4-сурет, ми құрылымдары және RSFC тербелістері
RSFC бір сатылы анатомиялық корреляцияны көрсетпеуі, өкінішке орай, жолдар мен жолдардың ұзындығына негізделген (екі орналасу арасындағы қадамдар санына негізделген) кейбір басқа өте пайдалы желілік құралдардың орындылығын күмән тудырады. Функционалды желіні зерттеуде кең жолақты тиімділік пен центрлік шараларды қоса алғанда, жолдарға негізделген кейбір шаралар кеңінен қолданылғанмен, оларды абайлап түсіндіру керек. Корреляциялық желілердегі жол негізіндегі талдаулар мидың функционалды жүйелері арасындағы иерархиялық қатынастар мен көп сатылы бірлестіктерді бұзу үшін пайдалы болуы мүмкін. Алайда, ақпараттық ағынға немесе функционалдық қосылыстар бойымен байланысқа тікелей сілтеме жасайтын интерпретация желілері негізгі анатомиялық желілердегі корреляциялық желілерге қатысты күрделі және жанама түрде жүзеге асырылуы мүмкін. Нейрондық сигналдар анатомиялық жолдармен өтеді, нәтижесінде функционалды байланыстар пайда болады.
Демек, функционалды байланыстарды мидың екі аймағының тікелей байланысы ретінде түсіндірудің орнына, RSFC корреляциясы екі аймақтың арасындағы көптеген немесе барлық анатомиялық жолдардағы функционалдық қатынастардың құрама (мүмкін салмақталған сомасын) құрайды деп болжауға болады. , мысалы қарау үшін (Power et al., 2014) қараңыз. Маңыздысы, бұл корреляциялар анатомиялық қатысуды ғана емес, сонымен қатар осы байланыстардың синаптикалық тиімділігін де көрсетеді. Сонымен, функционалдық қатынастар жолдардың құрылымдық орналасуы нәтижесінде ғана емес, сонымен қатар осы жолдар бойындағы синаптикалық тиімділіктің өзгеруі нәтижесінде де өзгеруі мүмкін. Мысалы, тапсырманы көп рет орындау жалпы белсендірілген аймақтар арасындағы байланысты арттыруы мүмкін, мысалы. (Льюис және басқалар, 2009; Макей және басқалар, 2011). Сонымен мидың жалпы корреляциялық құрылымы туралы ойланудың қызықты тәсілі - бұл анатомиямен шектелген (бірақ толық анықталмаған) аймақтар арасындағы тарихи коактивацияның жоғары деңгейдегі статистикалық көрінісі.
RSFC көмегімен алғашқы зерттеулер тұқымға негізделген әдісті қолданды. Бұл әдіс тұқымдық немесе аралас воксельді жинап алып, мидағы қалған барлық воксидтердің тұқыммен қалай байланысқанын қарастырды (Бисвал және басқалар, 1995). Көптеген жағдайларда корреляциялық құрылым функционалды түрде байланысты аймақтарды білдіретін сияқты. Айта кету керек, 2003 жылы (Greicius соавт., 2003) жүргізген зерттеу әдепкі режим желісіне байланысты кейінгі цингуляция аймағында тұқым орналастыру әдепкі режимді қосқан аймақтарға ұқсас болатын корреляциялар жиынтығын анықтағанын көрсетті. сол жақ мотор кортексінің қосылыстарын себетіндіктен, мотор жүйелерінің көп бөлігі ашылады. Әдеттегі режим желісі, егер субъект әр түрлі белсенді тапсырмалар күйіне енетін болса, олардың белсенділігінің төмендеуінің ерекше қасиеті бар аймақтар жиынтығы ретінде сипатталған. Бұл зерттеу ұқсас нәтижелері бар қосымша зерттеулердің ағынын ашты. Әр түрлі тұқымдарды қолдана отырып, назар аударудың әр түрлі жүйелері анықталды, және бұл желілер демалудың корреляциялық заңдылықтары тапсырмалар кезінде коактивация заңдылықтарын ұстанатынын көрсетті.
2.3 Нейрон желiлерiнің жасанды интелектпен байланысы
Процедура арқылы нейрон желiсiнiң керi таратуын үйрену алгоритмі қарастырылған алдыңғы тарауда басқа дәл осылай және мақсаттық шығыс түр кiретiн және желi көрсететiн қайсыбiр сыртқы буынның бар болуын түсiндіредi. Ұқсас концепцияны қолданатын алгоритмдар оқытушымен үйренудiң алгоритмдары деп аталады. Олардың табысты функционалдауы үшін алдыңғы сатыда әр кіріс бейнесіне эталонды шығысты құратын сарапшылардың болуы қажет.
Жасанды зияткерлікті құру табиғи үлгiлердiң көшiрмесi жолымен ғалымдардың оқытушымен үйрену алгоритмін табиғи немесе толығымен жасанды деген тақырыпқа дауласуы тоқтамайды. Мысалы, адами мидың үйренуi, сырттай қарағанда, оқытушысыз болады: көруге, естуге, тактілікке, акустикалығына ақпарат түседі және жүйке жүйесінің ішінде белгісіз жолмен өздік ұйымдастырылу болады. Алайда, адамның өмiрiнде оқытушы аз емес, олар адамңың сыртқы әрекеттерін координациялайды.
Басты қасиет оқытушысыз үйретуді тартымды ететін - ол оның өзімен-өзі болуы, дербестігі. Үйрету үрдісі оқытушымен үйрету үрдісі секілді синапстардың салмағын иемденуге үндестіріледі. Демек, кейбiр алгоритмдар, бiрақ мұндай өрнектеулер кең өздік ұйымдастырылу терминімен атау дұрыс, бұл бөлімнің шеңберінде ол қарастырылмайды. Синапстарды орналастыру нейронға қол жетімді ақпарат негізінде жүзеге асады, яғни оның күйі және бар салмақтық коэффициенттермен жүзеге асады. Осы тұжырымнан шығатын жүйке клеткаларының өздік ұйымдастырылудың белгілі принципіне ұқсайтын Хеббтің үйрету алгоритмі маңыздырақ болады. Хеббтің таңбалық үйрету әдісі келесі ережелердің салмақты өзгерістеріне келеді:
мұнда yin-1 n-1 қабатының і шығыс нейронының мәні, yjn n қабатының j нейронының мәні, wij(t) және wij(t-1) - осы ейрондарды қосатын синапстың салмақтық коэффициенті. α- үйрету жылдамдығының коэффициенті. Берілген әдіс бойынша үйрету кезінде қоздырылған нейрондар арасындағы байланыс күшейеді[8].
Хеббтың дифференциалды үйрету әдiсі бар болады.
Жоғарыда айтылған формулалардың қолдануымен үйретудiң толық алгоритмі келесідей көрiнедi:
1. Барлық салмақның коэффициенттерiне инициализацияның кезеңдерiнде үлкен емес кездейсоқ мәндердi тағайындайды.
2. Желiлердің кірісіне кіретін бейне кіреді және қоздырғыш дабылдар барлық қабатқа классикалық түзу ағынды желілер таралады, яғни әр нейрон үшін кірістің салмақты соммасы есептелінеді және бұған нейронның белсендіргіш функция қолданылады, оның шығыс мәндері алынады, нәтижесінде оның шығыс мәні алынады:
Мұндағы М - әрі қабаттағы нейрондар саны; n =1,2,3, ...N - желідегі қабаттар саны.
3. Алынған нейрондар мәндерінің негізінде (1) немесе (2) формула бойынша салмақты коэффициенттердің өзгерісі жүзеге асады.
4. 2 қадамнан басталатын цикл желінің шығыс мәндері берілген нақтылық мәнмен тұрақталмағанынша жалғаса береді. Үйренуді аяқтауды анықтаудың кері тарату желісі үшін қолданылғаннан ерекшелінетін жаңа әдісті қолдану синапстың қойылатын мәндері шектелмеген.
Циклдың екiншi қадамында кiру жиынынан барлық түрлер кезекпен-кезек көрсетіледi.
Кіріс түрлерінің класына көңіл аударатын түрлер алдын-ала белгісіз және инициализация кезеңіндегі салмақтарды кездейсоқ таратуды түсіндіретін шығыс қабатының нейрондар күйінің анықталған сәйкестігін көрсетеді. Сонымен бiрге, желi ұқсас түрледі бір класқа біріктіреді.
Үйретілген желіні тестілеу шығыс қабатындағы кластың топологиясын анықтауға мүмкіндік береді.
Оқытушысыз үйретудің басқа алгоритмі - Кохонен алгоритмі - алдыңғы итерациядан алынған мәндер негізінде синапстарды орналастыру.
Жоғарыда келтірілген формуладан үйрету кіріс нейрон дабылдарынан алдыңғы қабаттан түсетін шығыс нейрондарының және синапстың салмақты коэффициенттерінің айырмашылығын минимизациялауға әкеледі.
Үйретудің толық алгоритмі Хебб әдістеріндегідей құрылымға ие болады, бірақ 3 қадамда барлық қабаттардан синапстардың мәндері кіріс түріне максималды ұқсайтын нейрон таңдалынады және тек қана сол үшін (3) формула бойынша салмақтар анықталады. Бұл аккредитация қабаттың барлық қалдық нейрондарын тоқталуын және таңдалынған нейронды қанықтыруын үйлестіреді. Мұндай нейронды таңдау мысалы, векторлы кіріс мәндерімен салмақты коэффициенттер векторларының скалярлық көбейтіндісінің есептелуімен жүзеге асады. Жеңген нейрон максималды көбейтіндіні береді.
Басқа нұсқа - р - өлшемді кеңістікте осы векторлардың арасындағы қашықтықты есептеу, мұндағы р - вектор өлшемі.
Мұндағы j - n қабатындағы нейронның индексi, і - қабаттың нейрон бойынша соммалау индексі. wіj - нейронды қосатын синапстың салмағы;
n қабаты үшін (n-1 ) қабатының шығыс нейрондары кіріс мәндері болып табылады.
Берілген жағдайда аз қашықтықтығы бар нейрон жеңеді. Кейде жиі аккредитация алатын нейрондар қарастырылудан күштеп шығарылады, бұл қабаттағы барлық нейронның құқығын теңестіру мақсатымен жасалады. Кохонен алгоритмі бойынша үйретуді қолданғанда кіріс түрлерін нормализациялау тәжірибесі бар болады, сонымен қатар салмақты коэффициенттердің бастапқы мәндерін инициализациялау, нормализациялау қадамында да қажет болады.
Мұнда хі - кіріс түрі векторының немесе салмақты коэффициенттің і компоненті, ал n - оның өлшемі. Бұл үйрету үрдісінің ұзақтығын қысқартуға мүмкіндік береді.
Салмақты коэффициенттердің кездейсоқ сандармен инициализациясы тығыз бөлінген кіріс түрлері сәйкес келетін әртүрлі кластардың бірігуіне әкеледі немесе керісінше ішкі кластарға бөлінеді. Бұл жағдайды болдырмас үшін дөңес комбинация әдісі қолданылады. Оның мәні - кіріс нормалданған түрлер түрлендіруге ұшырайды:
Мұндағы хі кіріс түрінің і компоненті, n - оның компоненттерінің жалпы саны, α(t) - үйрету үрдісіндегі 0-ден 1-ге дейін өзгеретін коэффициент, мұның нәтижесінде басында желінің кірісіне бірдей түрлер түседі, ал уақыттың өтуімен олардың көбісі шығысқа қарай түрленеді. Салмақты коэффициенттер инициализациялау қадамында бекітіледі:
Мұндағы n - инициаланатын қабаттың нейроны үшін салмақ векторының өлшемі.
Жоғарыда қарастырылған әдіс негізінде ерекше типті - өздік ұйымдастырылатын құрылым деп аталатын нейрондық желілер құрылады - self-organizing feature maps. n қабатынан j нейронды Dj минималды қашықтықпен таңдаудан кейін олар үшін (3) формаласы бойынша нейрон ғана үйретілмейді, сонымен қатар R маңайындағы оның көршілері де орналасқан. R шамасы бірінші итерацияларда үлкен, сондықтан да барлық нейрондар үйретіледі, алайда уақыттың өтуімен ол 0-ге дейін азаяды. Осылайша үйретудің аяғы жақындаған сайын әр класына жауап беретін нейрондардың тобы нақтырақ анықталады[8].
2.4 Медицинадағы нейрондық желілер
Жасанды нейрондық желілер, биологиялық сияқты, көптеген қосылыстары бар көптеген параллель жұмыс істейтін қарапайым процессорлары бар есептеу жүйесі. Мұндай желілерді құру кезінде, әдетте, оларды биологиялық аналогтардан ажырататын бірқатар болжамдар мен маңызды жеңілдетулер жасалатынына қарамастан, жасанды нейрондық желілер миға тән қасиеттердің таңғажайып санын көрсетеді - бұл тәжірибеден үйрену, жалпылау, артық ақпараттан алынған маңызды мәліметтер.
Нейрондық желілер қоршаған ортаның жағдайына байланысты мінез-құлқын өзгерте алады. Кіріс сигналдарын талдағаннан кейін (мүмкін шығыс сигналдарымен бірге болуы мүмкін), олар өздігінен реттеліп, дұрыс жауап беруді үйренеді. Оқытылған желі кіріс деректерінің кейбір ауытқуларына төзімді болуы мүмкін, бұл оған әртүрлі шу мен бұрмалануларды қамтитын кескінді дұрыс көруге мүмкіндік береді.
1950 жылдары зерттеушілер тобы биологиялық және физиологиялық тәсілдерді біріктіріп, алғашқы жасанды жүйке торларын құрды. Сонда жасанды интеллекттің кілті табылғандай болды. Бірақ бұл желілер жасанды көру - ауа-райын болжау және деректерді талдау саласындағы кейбір мәселелерді тиімді шешкенімен, көп ұзамай иллюзия сейілді. Желілер олар сәтті шешкендерге үстірт ұқсас басқа да міндеттерді шеше алмады. Осы кезден бастап қарқынды талдау кезеңі басталды. Теориялар құрылды, бірқатар теоремалар дәлелденді. Бірақ сол кезде де маңызды математиканы қоспағанда, айтарлықтай жетістікке сенуге болмайтындығы белгілі болды.
70-ші жылдардан бастап ғылыми журналдарда жасанды нейрондық желілерге қатысты басылымдар пайда бола бастады. Бірте-бірте жақсы теориялық негіз қалыптасты, оның негізінде бүгінде көптеген желілер салынуда. Соңғы екі онжылдықта дамыған теория қолданбалы мәселелерді шешу үшін белсенді қолданылды. Сондай-ақ, жасанды нейрондық желілерді құру үшін қолданбалы бағдарламалық жасақтама жасайтын фирмалар пайда болды. Сонымен қатар, 90-жылдар жасанды нейрондық желілердің бизнеске келуімен ерекшеленді, онда олар көптеген мәселелерді шешуде өзінің нақты тиімділігін көрсетті - өнімге деген сұранысты болжаудан бастап, банк клиенттерінің төлем қабілеттілігін талдауға дейін.
Бүгінгі таңда әртүрлі проблемаларды шешуге бағытталған әр түрлі жұмыс істеу принциптері бар нейрондық желілердің әртүрлі конфигурацияларының саны өте көп.
Оқу қабілеті - бұл мидың негізгі қасиеті. Жасанды жүйке желілері үшін оқыту дегеніміз - бұл мәселені тиімді шешу үшін желілік архитектураны (нейрондар арасындағы байланыстар құрылымын) және синаптикалық байланыстардың салмақтарын (коэффициенттердің сигналдарына әсер ету) реттеу процесі деп түсінеді. Әдетте, жүйке желісі белгілі бір үлгі бойынша оқытылады. Оқыту процесі кейбір алгоритм бойынша жүретін болғандықтан, желі кіріс сигналдарына жақсырақ және жақсырақ жауап беруі керек (дәлірек).
Әр түрлі мәселелерді шешуге бағытталған оқыту алгоритмдерінің саны өте көп .
Көп өлшемді статистика принциптеріне негізделген математикалық модельдеу әдістерін диагностикалау, болжау және практикалық медицинада ішкі аурулардың мақсатты терапиясы үшін қолдану қиын. Осы мақсатта факторлық, кластерлік, регрессиялық және дискриминанттық талдауды, тіпті қазіргі компьютерлік технологиялар негізінде жүргізілгендерді қолдану ғылыми тұрғыдан қызығушылық тудырады.
Іс жүзінде дәрігерлер өз пациенттерін диагностикалау, болжау және емдеу үшін табылған математикалық модельдерді қолданбайды. Бұл, сөзсіз, алынған модельдерді тәжірибеде қолданудың күрделілігіне, деректердің формаланған формалары мен іс жүзінде толтырылған ауру тарихының күрт айырмашылығына байланысты.
Медицинада нейрокомпьютерлерді немесе адамның миындағы нейрондардың жұмысын - жүйке желілерін имитациялайтын бағдарламаларды қолдану дәрігерлердің жұмысын жеңілдетеді және жеделдетеді. Мұндай жүйелер мысалдар арқылы өзін-өзі үйренуге және белгілі бір есептер кластарын шешуге икемделеді. Нейрокомпьютерлердің бұл қасиеті медицинада өте маңызды, мұнда көптеген міндеттер формализацияға жол бермейді, ал кіріс деректері көбінесе толық емес, шулы және тіпті қарама-қайшы келеді.
Оқыту процесінде мәліметтер базасы білім базасына өзгертіледі, өйткені нейрондық желі медициналық мәселелерді шешуде тәжірибе жинайды. Тәжірибе мұндай жағдай бұрын-соңды кездеспеген болса да, дұрыс шешім қабылдау мүмкіндігін қарастырады. Яғни, дәрігердің жұмысымен ұқсастығы бар: тәжірибелі дәрігер-интерн диагноз қояды, тіпті егер пациент аурудың симптомдары туралы бұрмаланған сурет болса.
Біздің жағдайда жаттығу үлгісі ретінде біз кардиологиялық стационарда болғаннан кейін үш күн ішінде қайтыс болған науқастардың 180 оқиға тарихын қолдандық. Өте тыныш ауруханада оқытылған нейрондық желіні практикалық қолдану миокард инфарктісі бар науқастардың қауіп-қатерлі стратификациясында өзінің жоғары тиімділігін көрсетті. Тек 15 параметр анықталды, бұл 90% жағдайда осындай науқастарда диагноз қоюда және мүмкін болатын асқынуларды болжауда шешуші болды.
Нейрондық желінің сарапшы жүйелерінің артықшылығы айқын. Дәрігерден (пайдаланушыдан) кіріс мәліметтері мен соңғы шешім арасындағы қатынастарды орнату талап етілмейді. Дәрігер ақпаратты классикалық статистикалық өңдеуге және математикалық модельді тексеруге уақыт жоғалтпайды. Сонымен қатар, жүйке желісінің шешімі категориялық емес. NS шешімді ондағы сенімділік дәрежесімен бірге шығарады, дәрігерге нәтижені түзетуге мүмкіндік береді (диагноз). Сонымен қатар, бұл өте жылдам жауап береді (секундтық фракциялар), бұл интерактивті режимде әр түрлі динамикалық жүйелерде нейрондық желіні пайдалануға мүмкіндік береді. Нейрондық бағдарламалардың барлық осы ерекшеліктері миокард инфарктісімен ауыратын науқастарды стратификациялау қаупі үшін бірыңғай медициналық сараптама жүйесін құруды айтарлықтай жеңілдетуге мүмкіндік береді .
3. ТЕОРИЯЛЫҚ ЗЕРТТЕУЛЕР ЖҮРГІЗУ
3.1 Биологиялық нейрондардың сигналдарының негізгі заңдылықтары
Әр түрлі құрылымдағы нейрондық сигналдарды зерттеу - шыбықтар (бір уақыттағы тұрақты және біркелкі емес жарылыстар), жарылыстар (жеке және жарылыстардың тұрақты және реттелмеген ауысулары) - сызықтық емес динамикалық жүйелер , өздігінен тербелмелі жүйелер , электр тізбектері және т.б. интегралды схемаларда нейрондық желілерді электронды түрде енгізу. Биологиялық нейрондық желілердің әсер ету потенциалдарының негізгі заңдылықтарын білу, ең алдымен, қазіргі заманғы цифрлық электроника, IT технологиялары, автоматика және робототехникада кеңінен қолданылатын тиімді жасанды нейрондық желілерді құру үшін қажет.
Электрлік сигналдың таралуын сипаттайтын сандық модельді алғашқы жасаушылардың бірі (әрекет потенциалы) - бұл ғалымдар Нобель сыйлығына ие болған Алан Ходгкин мен Эндрю Хоксли. Ходжкин-Хаксли моделі алып кальмар аксонында жүйке сигналының пайда болуы мен таралуын сипаттайды. Ходжкин мен Хукслидің зерттеулерінің маңызды нәтижесі оның авторлары нейрондарды динамикалық жүйе ретінде сипаттайды. Өздеріңіз білетіндей, динамикалық жүйе оның күйін осы жүйенің уақыт өте келе эволюциясы ретінде сипаттайтын өзгермелілер жиынтығымен сипатталады (яғни жүйенің алдыңғы күйіне байланысты қазіргі күйінің өзгеруі).
Ходжкин-Хуксли моделі жалпы токты уақыт пен кернеудің функциясы ретінде сипаттайды , келесі теңдеулер жүйесін қолданады:
қайда
және параметрлері мембраналық потенциалға сәйкес келеді, g K , g Na , g L - тұрақты ( gK 36mS cm2 , g Na 120mS cm2 , g L 0.3mS cm2 ), , ,n m - h өлшемсіз шамалар, С - мембрана сыйымдылығы.
1.1 суретте Ходгкин-Хуксли моделі бойынша есептелген іс-қимыл потенциалы көрсетілген.Сондай-ақ, сурет деполяризация, реполяризация, рефракторлық сияқты күрт өсу кезінде пайда болатын негізгі процестерді көрсетеді.
1.1-сурет, Ходжкин-Хуксли моделіндегі әрекет потенциалы
Әдетте, нейрондардың әсер ету потенциалын сипаттау үшін келесі терминдер қолданылады. Демалу кезеңі - ықтимал келуге дейінгі кезең әрекеттер. Деполяризацияны (деполяризация) клетка ішіндегі заряд теріс күйден оңға ауысқан кезде жасуша күйінің өзгеруі деп атауға болады. Көптеген жасушаларда, соның ішінде нейрондарда ішкі ортаның өзіндік жағдайы болады, олар жасушаның сыртқы бетіне қатысты теріс зарядталған. Гиперполяризация (гиперполяризация) - деполяризацияға қарама-қарсы жағдай.
Жасушаның ішіндегі потенциалдың төмендеуі (төмендеуі) және оның тыныштық жағдайына бірнеше рет жақындауы реполяризация деп аталады. Сыну кезеңі немесе отқа күй - бұл жүйенің сыртқы әсерлерге қарсы иммунитетті болуы.
ФитцХуг-Нагумо моделі Морис-Лекар , Конор-Вальтер-Маккон моделі, Хиндмарш-Роуз моделі сияқты тірі нейронның әсер ету потенциалдарының дамуын сипаттайтын көптеген модельдер бар , Huber-Brown моделі және басқалары. Мысалы, танымал FitzHugh-Nagumo моделі - бұл Ходжкин-Хукслидің жеңілдетілген моделі. FitzHugh-Nagumo моделінің қарапайымдылығы қозғыштықпен байланысты және биологиялық нейронның қатысуымен жүретін маңызды процестер туралы тез арада түсінік алуға мүмкіндік береді. Моррис-Лекар моделі сонымен бірге Ходжкин-Хуксли моделінің жеңілдетілген нұсқасы болып табылады және шыбықтардың пайда болуын және сыртқы әсерлерге иммунитет режимін сипаттайды. Модель
Конор-Уолтер-Маккон (Коннор, Уолтер және МакКаун), Ходжкин-Хуксли моделінен айырмашылығы, калий мен натрий иондарының арналарына қосымша токты ескереді. Хиндмарш-Роуз моделі екі нейронның өсінді ұрпақтарының синхронизациясын Ходжкин-Хуксли теңдеуіне қарағанда қарапайым түрде модельдеуге мүмкіндік береді. Huber-Braun моделі бастапқыда температура өзгеруіне байланысты нейрондардың әсер ету потенциалын сипаттау үшін Ходжкин-Хуксли моделіне негізделген.
Типтік нейрон басқа нейрондармен синдромдар деп аталатын дендриттік ағаштағы байланыстар арқылы байланыса алады. Кірістер нейронның мембраналық потенциалын өзгертетін электр трансмембраналық токтар жасайды. Шыбықтар - нейрондар арасындағы негізгі байланыс құралы. Негізінен, нейрондар өздігінен шыбық шығармайды, шыбықтар басқа нейрондардың кіріс сигналдары нәтижесінде пайда болады (жинақтау-эжекция эффектісі). Жоғарыда сипатталған көптеген модельдер нейрондарда болатын процестерді ескере отырып, аксондағы шыбықтардың пайда болуын сипаттауға бағытталған. Сонымен, биологиялық нейрондардың әр түрлі формалары бар биологиялық нейрондардың әртүрлі сигналдарын сипаттайды (сурет 1.2).
1.2-сурет, нейрондардың әртүрлі сигналдары
Алынған кортикальды эпилепсияның жасушаішілік (in vivo) моделі туралы жұмысында профессор И. Тимофеев және оның авторлары эпилепсияны зерттеу үшін әзірленген эксперименттік модельдерге қысқаша шолу жасайды. Эпилепсия термині неврологиялық патологияның 40-тан астам түрін анықтау үшін қолданылады. Әдетте олар кезең ішінде болатын қайталанатын шабуылдардың пайда болуымен сипатталады
мидың электрлік белсенділігі. Эпилепсия генетикалық немесе сатып алынған (қайталама) болуы мүмкін. Сатып алынған эпилепсияның себептері бірнеше (инсульт, кортикальды жарақат, ми ісігі, инфекция және т.б.). Алынған эпилепсияның жиі кездесетін белгісі - нейрондардың қайтыс болуы. Мидың әрекеттерін белсенділік, демалу фазасы, қозу және тежеу деп сипаттауға болады. Мидың қалыпты жұмысы кезінде белсенділік пен демалу кезеңі, сондай-ақ қозу мен тежелу арасында тепе-теңдік болады. Егер қандай да бір себептермен олардың арасындағы тепе-теңдік бұзылса, бұл нейрондық қозғыштық пен эпилепсияның реттелуінің жоғарылауына әкеледі. 1.3суретте ояу кезіндегі неокорталық нейрондардың сигналдары көрсетілген.
1.3сурет, ояу кезіндегі неокорталық нейрондардың сигналдары
Ұйқы және ұйқы кезіндегі таламокорталық желілердегі нейрондық пластика бойынша жұмыс Таламикалық және соған байланысты кортикальды нейрондардың жасушаішілік (in vivo) жазбаларын сипаттайды.
Табиғи баяу ұйқының ауытқуы кезінде talamic және кортикальды нейрондар біртіндеп олардың реакциясын арттырады. Бұл деректер баяу ұйқы тек кортекс пен субкортикалды құрылымдар басылған тыныштық күйі ғана емес, сонымен қатар кортикоталамикалық желілерде ояну кезінде алынған жад іздерін біріктіретіндігін көрсетеді. 1.4 суретте кортикальды нейронның электрлік белсенділігі мен морфологиясы көрсетілген
Мақалада таламустың жобаланатын ядроларынан, таламиканың ретикулярлық ядросынан және неокортекстен тұратын таламокорталық жүйенің құрылымына қысқаша шолу жасалады. Сондай-ақ қырағылықтың үш жағдайы сипатталған, содан кейін таламокорталық жүйеде орналасқан мидың негізгі ырғақтарына егжей-тегжейлі шолу жасалады, олар өте баяу (тез суретті) 1.7 дейін өте жылдам тербелістерге дейін.
. 1.4 суретте кортикальды нейронның электрлік белсенділігі
1.5-сурет, Ықтимал жергілікті шығу тегі және баяу толқындардың таралуы
3.2 Биологиялық нейрон және жасанды нейрон
Адам миы және оның жүйке жүйесі жүйке талшықтарымен байланыстырылған нейрондардан тұрады. Нейрондар арасында жүйке талшықтарының көмегімен электр импульстері беріледі. Тірі ағзамен кездесетін барлық әрекеттер, терінің, көздің, аурудың, ойлау процестерінің барлық тітіркенуі нейрондардың өзара әрекетінен туындайды. Биологиялық нейронның құрылысы 1.6-суретте көрсетілген.
1.6-сурет - Биологиялық нейрон.
Дендрит - нейронның импульстарын қабылдайды; Аксон - нейрон импульсін береді; Синапстар - аксон мен дендрит байланысы үшін импульс күшіне әсер ететін түзілімдер.
Синапстан өткен кезде импульс күші белгілі бір санға өзгереді (синапс салмағы). Нейронға бірнеше дендриттер бойынша импульстер түскенде, олар қосылады. Егер жиынтық импульс табалдырықтан асып кетсе, онда нейрон қозу жағдайына ауысады, өз импульсін қалыптастырады және оны одан әрі аксон бойымен жібереді. Тиісті нейронның мінез-құлқы өзгеруі мүмкін, себебі Нейронның денеесі Импультің қозғалысы дендриттер аксондар синапстар 13 синапстардың салмағы уақытпен өзгереді. Сипатталған процестің математикалық модельі 1.7-суретте көрсетілген.
1.7-сурет - Нейронның математикалық модельі Бұл модель үш кіріс (дендерриттер) бар нейронды сипаттайды, онда синапстардың 𝑤1, 𝑤2, 𝑤3 салмақтары бар, оларға сәйкес 𝑥1, 𝑥2, 𝑥3 күші тиісінше сәйкес келеді. Алынған жиынтық импульс x=𝑥1𝑤1+𝑥2𝑤2+𝑥3𝑤3 нейрон F(x) өткізу функциясына сәйкес түрлендіреді.
y = f(x)=f(𝑥1𝑤1+𝑥2𝑤2+𝑥3𝑤3) - шығу импульсінің қуаты. Қорытындылай келе, кіріс түрінде 𝑥𝑘 (вектор) сандар жиынтығын аламыз. Содан кейін нейрон шығу кезінде кейбір санды береді. Жасанды нейрон келесідей көрінеді: оның кіруіне көптеген сигналдар түседі, олардың әрқайсысы бір мезгілде басқа нейронның шығуы болып табылады. Мұндай кіріс тиісті салмаққа көбейтіледі, содан кейін туындылар нейронды белсендіру деңгейін анықтайды. Бұл идеяны іске асыратын модель 1.8-суретте көрсетілген:
1.8-сурет - Нейронды белсендіру моделі
Мұнда x1, x2, ..., xn сигналдар жиынтығы жасанды нейронның кірісіне өтеді, олардың жиынтығында олар X векторымен белгіленеді. Бұл сигналдар кіретін биологиялық нейронға ұқсас. Сонымен қатар, сигнал да тиісті салмақ w1, w2, ..., wn көбейтіледі, содан кейін Σ жинақтау бірлігіне қосылады. Әрбір салмақ бір синаптикалық қосылымның күшіне тең биологиялық нейрон.
Әдетте NET деп аталатын шығу өлшенген элементтер алгебралық түрде қалыптасатын жиынтықтаушы блоктан құрылады. NET сигналы активтендіру деп аталатын қарапайым сызықты функциямен түрлендіріледі. Ол F белгіленеді және OUT шығыс сигналын береді.
OUT = K (NET),
К ... жалғасы
Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.
КІPІCПЕ
3
1.
Пәндік облыстың анализі және зерттеуі
4
1.1
Нейрондық желілерге кіріспе
4
1.2
Нейронды желілер медицинада
10
1.3
Үлкен деректер көлемі
12
1.4
Data mining-тегі кластерлік анализ
16
2.
Нейронды желілердегі деректерді өңдеудің әдістерінің
және алгоритмдерінің анализі
25
2.1
Кластеризацияның әдістері
25
2.2
k-орталардың кластеризациясы
27
2.2.1
k-орталардың кластеризациясы туралы негізгі мәліметтер
28
2.2.2
k-орталардың кластеризациясының бапталуы
29
2.3
k-means кластеризациясының алгоритмі
30
2.4
k-means алгоритмінің қолданылу облысы
33
3.
Эксперименттік деректердің кластеризациясы мен визуализациясы
40
3.1
Нейронды желілердің негізінде жатқан негізгі идеялар
40
3.2
Нейронды желі үшін деректерді жинау
42
3.3
Эксперименталдық деректердің өңделуі
44
3.3.1
Активация паттерндерінің анализі
44
3.3.2
Мультиграфтар әдісі
45
3.4
Бас миының визуализациясы
46
3.5
Бас миын визуализациялау әдістері
50
3.5.1
Функционалды магнитті-резонансты томография
50
3.5.2
Компьютерлі томография
55
3.5.3
Позитронды-эмиссионды томография
59
3.5.4
Электроэнцефалография
62
3.5.5
Магнитоэнцефалография
64
КІРІСПЕ
Қазіргі әлемде ақпарат маңызды байлықтардың бірі болып табылады, ал ақпараттық жүйе (АЖ) барлық қызмет саласында қажетті құрал болып танылады.
Ақпараттық жүйенің көмегімен шешілетін міндеттердің әртүрлілігі, құрастырылу қағидасымен және оларға енгізілген ақпаратты өңдеу ережесімен айрықшаланатын көптеген әртүрлі жүйелердің пайда болуына алып келді.
Диссертациялық жұмысымның тақырыбы осы ақпараттық жүйеге қатысты нейрондық желілерді тереңдетіп оқытуды зерттеу болып табылады. Бұл жұмыстың мақсаты ақпараттық жүйенің пәндік аймақ ретінде нейрондық желілерді зерттеу болып саналады.
Диссертациялық жұмыстың мақсаты:
- Диссертациялық жұмыста үлкен көлемдегі мәліметтерді кластерлеу мәселелері қарастырыл-ған. Дипломдық жұмыстың мақсаты - k-орташа кластерлеу әдісі арқылы адамның миымен байланысты аурулардың дәл диагнозын анықтайтын тапсырмаларды оңтайландыру.
- k-means Кластерлеу әдісін талдау
Диссертациялық жұмыста қойылатын талаптар:
- диссертация тақырыбына байланысты танымдық белсенділікті көрсету мақсатында мәліметтер жинақтау;
- диссерациялық жұмыстар тақырыптарын анықтау кезінде өндіріс, білім және ғылымның нақты мәселелерін ескеру;
- қорғалып отырған диссертациялық жұмыстың тақырыбын ашу мақсатында, оны жеткізу ретінде зерттеу жұмыстарын енгізу;
- диссертациялық жұмыс тапсырмаға сәйкес перспективті теориялық және практикалық мәселелерді қамту.
Диссертациялық жұмыстың өзектілігі:
- Қазіргі заманғы нейробиология үлкен көлемді және егжей-тегжейлі үлкен нейрондық деректерді жеткізетін миды картаға түсіру және жазу технологиясының дамуына негізделген трансформацияның ортасында тұр. Желілік ғылым нейрондық жүйелерді модельдеуге және талдауға, жеке нейрондардан бастап, бүкіл миды қамтитын тізбектерге негізделген принциптердің бірі ретінде пайда болды. Ми желілеріндегі зерттеулер ұлттық және халықаралық конференцияларда, жетекші ғылыми журналдардың арнайы басылымдарында және АҚШ-тың Адамның Коннектом жобасы, BRAIN бастамасы және Еуропалық ми сияқты ми жұмысын түсінуге бағытталған кең ауқымды бастамалардың бір бөлігі болды.Шекті криптожүйелер құпия ақпаратты кеңістікте бөлуді ұйымдастырады, оған сәйкес шекті схеманың n абоненттерінің тек құпияны қалпына келтіре алады. Шекті схемалар ауқымы ақпараттарды жасырын беру жүйелеріне, желідегі компьютерлер арасында деректерді берудің динамикалық тепе-теңдігіне және мәліметтер қорын қорғауға кеңейеді.
1. ӘДЕБИ ШОЛУ
1.1 Brain networks тарихы
Танымдық сәулет термині адамның танымындағы ережелерді түсіндіруге күш салған (Фодор мен Пылышин, 1988) когнитивтік немесе компьютерлік ғалымдардың толығымен қолданатын тұжырымдамаларына қатысты (1-жолақты қараңыз). биологиялық субстрат - адамның миы. Заман өзгерді. Танымал архитектураның жаңа суреті пайда бола бастады, бұл арнайы шығарылымға қосқан үлестерімен дәлелдеді. Көптеген когнитивтік сәулет қазіргі кезде белгілі бір міндеттер жиынтығын немесе белгілі бір функцияларды орындауға ықпал ететін ми аймақтарының жиынтығы ретінде қарастырылады. Көбінесе бұл архитектуралар нақты түрде желілер деп аталады, мысалы, әдепкі режимдік желі (Райхль және басқалар, 2001), назар аудару желілері және т.б. (мысалы, (Корбетта және Шульман, 2002)).
Алайда, желі терминінің мәні өте өзгергіш. Көптеген жағдайларда, желі термині осы аймақтар арасындағы байланыстарға нақты сілтеме жасамай, фМРИ-ге қатысты зерттеулер жиынтығы кезінде іске қосылатын қарапайым аймақтар жиынтығына бейресми түрде қолданылады. Желілердің осы бейресми түсінігіне керісінше аймақтар жиынтығы ретінде осы мақалада қабылданған желіні неғұрлым ресми анықтайды. Желі - бұл жүйенің элементтерінің арасындағы түйіндердің жиынтығын байланыстыратын жиектердің жиынтығы ретінде ұсынылған жүйелік қатынастардың жиынтығы. Нейробиологиялық желілер нейрондардың ішіндегі жасушаларға тән метаболикалық немесе реттелетін жолдардан кортикальды аймақтар мен субортикалық ядролардың өзара әрекеттесуіне дейін масштабтың көптеген деңгейлеріне келеді (1-суретті қараңыз). Әр деңгейде (нейрондар, нейрондық тізбектер және популяциялар, жүйелер) әр түрлі желілер бар, маңыздылығы әртүрлі. Осы деңгейлердің әрқайсысында жеке элементтердің қалай жұмыс жасайтынын түсіну ғана емес, сонымен бірге элементтерді үлкен өзара байланысқан жүйенің контекстіне енгізетін жұптасқан қатынастар жиынтығын түсіну маңызды (Sporns, 2011). Кейбір ерекшеліктермен қатар, когнитивті сәулет негізінен осы жоғары деңгейдегі құрылымдар мен механизмдерді қамтиды (Сежновски и Черчилл, 1989). Осы мақала үшін біз мидың барлық немесе көп бөлігіне қатысты желілерді түсіну үшін осы ең жоғары деңгейлерге назар аударғымыз келеді. Біз осы басылымның басқа мақалаларында қарастырылған нақтырақ архитектураларды қамтитын кең көлемді архитектуралық принциптер мен қасиеттерді зерттегіміз келеді.
1-сурет, ми деңгейлері
Неврологиядағы желілер туралы түсінік 19-ғасырдың екінші жартысында Вернике, Лихтейм, Лиепман, Дежерин және басқалары негізінен клиникалық-патологиялық корреляциялар негізінде айтылған ажырату синдромдары гипотезасының пайда болуымен басталды. Тұжырымдама байланысты салалардағы екі дамуды қолдады: 1) когнитивтік функцияның ассоциативті модельдерінің кеңінен қабылдануы (1) адамның миының беткі морфологиясын сипаттаудан ақ заттағы нейроанатомиялық проекция жолдарын тікелей сипаттауға дейінгі қозғалыс және 2) авторы Джеймс және Фрейд . Алайда, ертедегі диаграмма жасаушылар, өздерінің зияндылары деп атағандықтан, ХХ ғасырдың ортасында миды ұйымдастырудың (мысалы, жаппай әрекет ету) бәсекелес теорияларына негіз қалдырып кетті. Ақпаратты өңдеуді бөлу және интеграциялау үшін құрылған ми желісінің орталық тұжырымдамасы 1960 жылдары Норман Гешвинд ағылшын тілінде сөйлейтін әлемге енгізілгенге дейін қайтадан әсер етпеді . Гешвиндтің мұрасы кортико-кортикальды байланыс ұйымын тереңірек зерттеуге шақырғанмен, инновационды емес бейнелеу әдістері бұл қатынастарды in vivo-да зерттеу үшін әлі кең қол жетімді болмады.
Соңғы бірнеше онжылдықта нейрохимиялық түсірудің көп мөлшерлі емес құрылымдық және функционалды әдістерінің көптігі үнемді болды, ал бұл әдістер үшін деректерді өңдеудің негізгі әдістері жетілдірілді. Сонымен қатар, статистикалық физика саласындағы оқиғалар қазіргі кездегі күрделі желілік ғылым деп аталатын жаңа пәнаралық өрістің пайда болуына әкелді, ол әртүрлі күрделі нақты жағдайлардың ұйымдастырылуын және пайда болатын әрекеттерін түсінудің математикалық және тұжырымдамалық құралдарын ұсынады. өмір желілері; қол жетімді кіріспе үшін және техникалық жағдайды жан-жақты қарастыру үшін бөлімін қараңыз. Күрделі желілік ғылымнан пайда болған негізгі түсінік - бұл әр түрлі жүйелер негізгі ұйымдастырушылық принциптерді ортақ қолдана алатындығында. Сонымен қатар, кеңістік пен уақыттың әр түрлі ауқымында болатын ми сияқты күрделі жүйеде желінің қасиеттері жоғары деңгейде сақталуы немесе масштабты өзгермейтіні көрінеді. Мысалы, микроскопиялық ұялы желілер де, нейроэмизинг деректерінен алынған макроскопиялық желілер де модульділік, концентратор түйіндерінің болуы және сымдардың минималды шығындары үшін ақпарат берудің жоғары тиімділігі сияқты изоморфты қасиеттерін көрсете алады; Жалпы нейробиологияға қатысты күрделі желілерді соңғы шолу үшін қараңыз. Бұл мақалада біз адам денсаулығындағы және ауруындағы мидың күрделі желілік қасиеттерін түсіндіру үшін негізінен графикалық теориядан алынған математикалық құралдарды қолдана отырып жасалған соңғы зерттеулерге тоқталамыз.
1.2.Желілік талдаудың графикалық теориялық түсініктері
Графикалық теорияда желі шеттермен (немесе сызықтармен) байланысқан түйіндер жиынтығы ретінде абстрактілі сипаттамаға дейін азаяды; 2-суретті қараңыз. Жиектерді бағыттауға немесе бағыттамауға болады, ал салмақталған немесе өлшенбеген. Қазіргі кездегі ми желілерінің графикалық теориялық талдауларында басқарылмаған, өлшенбейтін графиктің қарапайым жағдайы қарастырылған.
2-сурет,түйіндер жиынтығы
Ми диаграммасының түйіндері мен жиектерін эмпирикалық жолмен анықтауға болады. Caenorhabditis elegans нематодты құрт туралы зерттеулер сияқты микроскопиялық мәліметтерден құрылған желілер үшін түйіндер нейрондар болады, ал жиектер нейрондарды бір-бірімен байланыстыратын аксондар болып табылады. Екінші жағынан, адамның нейрохимиялық мәліметтерінің макроскопиялық масштабында мидың желілерін құру үшін біз түйіндердің негізгі субкортикалық ядролардың және кортикальды аймақтардың және жиектердің арасындағы статистикалық байланыстың, мысалы, корреляцияның немесе өзара ақпараттың байланысы болғандығын көрсете аламыз. аймақтар ; 3-суретті қараңыз.
3-сурет ,корреляцияның немесе өзара ақпараттың байланысы
Желіні графикалық түрде көрсеткеннен кейін оның топологиялық қасиеттерін өлшеуге болады. Кілттік топологиялық метрика - бұл әр түйіннің дәрежесі, бұл оны желінің қалған бөлігімен байланыстыратын жиектер саны. Желінің барлық түйіндері бойынша дәреженің ықтималдығы бөлінуі дәреженің таралуы деп аталады және көбінесе жоғары дәрежелі түйіндердің немесе желілік хабтардың болуымен үйлесетін көп немесе аз кесілген қуат заңына ие.
Тағы бір кілт метрикасы - бұл бір түйіннен басқа түйінге өту үшін өту керек жиектердің саны; жақын көршілерге арналған жұп түйіндер үшін жолдың ұзындығы 1; Кейде сипаттамалық жолдың ұзындығы деп аталатын барлық мүмкін болатын түйіндердің орташа жолының ұзындығы параллель ақпарат беру үшін желінің жаһандық тиімділігіне кері байланысты. Кластерлеу коэффициенті индекстік түйіннің жақын көршілері арасындағы қосылыстардың тығыздығын өлшейді: жоғары кластерлік коэффициенттер тығыз байланысқан көршілер клетінің бөлігі болып табылатын түйіндерді білдіреді. Ми желілеріндегі осы және басқа өлшемдерді эталондық желілердегі шамалармен салыстыруға болады, мысалы, кездейсоқ желілер (аз кластерлер мен қысқа жол ұзындығы бар) немесе тұрақты торлар (жоғары кластерлік және ұзақ жол ұзындығы).
Уоттс пен Строгат 1998 жылы өздерінің өте ықпалды мақалаларында қарапайым есептеу моделін қолданып, қарапайым тор мен кездейсоқ желінің шектеулі жағдайлары арасында жоғары кластерлеу мен үйлесімділіктің сипатталатын желілердің аралық режимі бар екенін көрсетті. қысқа жол ұзындығы. Олар әлеуметтанудың алдыңғы бақылауларына сүйене отырып, желілердің бұл класын шағын әлем деп атады, олар әлеуметтік желілерде көбінесе жергілікті аудандардағы қарым-қатынастардың жоғары кластерлілігі немесе өзара байланысының ұқсас қасиеттері бар, таңдалған кез-келген екі адамның таңқаларлық қысқа аралық танысу тізбегі бар. үлкен популяциядан кездейсоқ. Бұл талдау нейроциологтар үшін тартымды екендігі дәлелденді, өйткені ол миды ұйымдастырудың локализацияланған және таратылған модельдерінің арасындағы ұзақ уақытқа созылған шиеленісті шешеді: негізінен, шағын әлем желісі жергілікті немесе мамандандырылған аудандарда топологиялық субстратты қамтамасыз ете алады. жоғары кластерлі түйіндер, және қысқа сипаттамалық жолдың ұзындығы бар жоғары тиімді желіде жаһандық таратылған немесе біріктірілген өңдеу . Жақында жүргізілген жұмыс күрделі желілер ғылымынан бастап нейробиология және нейрохимия саласындағы қолданбаларға дейінгі өлшемдердің ауқымын едәуір кеңейтті.
1.3.Мидың құрылымдық желілері
Адамның миының құрылымдық желілері екі жолмен жасалған: не жанама түрде сұр зат көлемінің аймақтық ковариациясынан немесе құрылымдық магниттік-резонанстық бейнелердегі қалыңдығын өлшеу, sMRI; диффузиялық тензормен, DTI (немесе қатысты әдістермен) қамтамасыз етілген сұр заттың аймақтарының арасындағы ақ заттардың қосылыстарын өлшеуден немесе одан көп. Құрылымдық желілердің тораптары әдетте алдын-ала анықталған анатомиялық іріктеу сызбасының аймақтары ретінде анықталды, мысалы, кортекті шамамен Бродман аудандарына бөлетін автоматтандырылған анатомиялық таңбалау (AAL) шаблон кескіні . СМРИ деректері негізінде сұр заттарды желілер жасау үшін түйіндер арасындағы жиектер аймақтық көлем немесе кортикальды қалыңдық өлшеу арасындағы корреляция күші арқылы анықталады . Мысалы, 100 адамның таңдауында оң және сол жақ фронтальды гирустың кортикальды қалыңдығы арасында тығыз байланыс болса, осы түйіндер арасында жиілік сызықты сызықтық сызықпен сызылады, бұл орташа үлгіні білдіреді. DTI негізіндегі ақ материя желілерінің басты артықшылығы - ықтималды трактография сияқты әдістерді бір тақырыптағы кез-келген аймақтық түйіндер арасындағы байланыс мүмкіндігін анықтау үшін қолдануға болады.
Сонымен қатар, бір тақырыптағы траграфияға негізделген анатомиялық желілер сұр заттардың аймақаралық ковариациясына негізделген желілерге қарағанда, аймақтар арасындағы аксональдық проекцияға тікелей байланысты болып көрінуі мүмкін (дегенмен, осы екі көзқарасты салыстырып тексеру үшін Лерч және басқаларын қараңыз). . Алайда, DTI негізіндегі желілер үшін қазіргі кездегі күрделі мәселе - трактографияның көптеген әдістері кеңістікте кең бөлінген аймақтар арасындағы байланыстардың ықтималдығын шамадан тыс бағалайды, бұл нәтижесінде пайда болған желілерде алыс қашықтықтардың салыстырмалы түрде таралуына әкеледі.
2. Тақырып бойынша библиография құру
2.1 Мидың ірі желілеріне жақындау
Мақаланың негізгі бөлігі екі байланысты зерттеулерде мидың ұйымдастырылуына нақты желілік перспективаны қабылдаудан туындайтын кейбір тұжырымдамалар мен нәтижелерді қарастырады.
Біз алдымен барлық функционалдық белсенділік жүретін анатомиялық желілерді түсіндіруге бағытталған жұмысқа жүгінеміз. Анатомиялық желілер нейрондық сигналдар мен ақпараттың өтуіне кедергі келтіретін қаңқаны қамтамасыз етеді, бұл біздің ойымызды, түсінуіміз бен іс-әрекетімізді қалыптастыру үшін өте маңызды.
Ми желісін зерттеудің екінші бір негізгі әдісі - бұл функционалды MRI BOLD сигналының корреляцияланған ауытқуы (фл. Қуат және басқалар, 2014). Бұл зерттеулер көбінесе функционалдық қосылыс деп аталатын жағдайды құратын нақты міндеттерсіз осы корреляцияны бақылайды. Бұл жұмыс маңызды демонстрациядан басталды, тіпті тыныштықта да fMRI BOLD сигналының ауытқуы мидың анатомиялық спецификалық жолдарымен корреляцияланады. Мысалы, мотор функциясына қатысты көптеген аймақтар ешқандай міндет болмаған кезде бір-бірімен тығыз байланысты. RSFC ұйымы мотор жүйесінен тыс көптеген ми аймақтары арасындағы ортақ функционалды қатынастар туралы түсінік беру үшін көрсетілді. Мақаланың екінші негізгі бөлімінде осы зерттеулер ұсынған кейбір негізгі бақылаулар мен қасиеттер қарастырылған.
Қорытынды бөлімде біз когнитивтік архитектураның негізін құрайтын биологиялық механизмдерді түсіну үшін маңызды деп санайтын құрылымдық және функционалды желілердің өзара байланысын зерттейміз (2-жолақты қараңыз). Жақында жүргізілген жұмыс мидың осы екі түрінің арасындағы кейбір қатынастарды ашты, құрылымдық байланыстардың функционалды желілерді қалай шектейтіні және көптеген шектеулер бірнеше уақыт шкалаларында қалай ойнайтындығы туралы толық түсініксіз болып қала береді. Құрылымы мен функциясы бойынша желілерді интегративті зерттеу болашақ үшін маңызды мақсат болып табылады, және біз мақалада осы жолдың кейбір қадамдарын диаграммамен аяқтаймыз.
2.2 Функциялық коррелиция желілері
Кіріспеде айтылғандай, мидың ауқымды желілеріне бір тәсіл - бұл RSFC қолдану. Қазіргі уақытта, осы айқын емес жағдайлардағы корреляциялар нені білдіретіні туралы көптеген адамдар қатты алаңдаушылық білдіруде. Алайда, RSFC бақылауының топтық және жеке деңгейде жоғары сенімділік пен репродуктивтілік деңгейін көрсететіні күмән тудырмайды. Шынында да, RSFC желілік деректерін көптеген бақылаулар тыныштықтың әр түрлі түрлерінде сақталады (көздер ашық және көздері жабық (МакАвой соавт. 2012), жеңіл анестезия, ұйқының ерте кезеңдері (Horovitz соавт, 2009 ж.) ; Larson-Prior және басқалар, 2011) және т. Б.). Сонымен қатар, жалпы желілік қатынастардың көбісі міндеттер күйінде сақталатын көрінеді (Коул және басқалар, 2014). Соған қарамастан, міндеттер тынығу кезінде болатын негізгі желілерде тыныштықты тудырады (Коул және басқалар, 2014; Дэвисон және басқалар, 2015) және терең ұйқы және терең анестезия (Гейн және басқалар, 2012) сонымен қатар функционалды бұзылуларды тудырады. сәулет сәулеті.
Осылайша, RSFC тербелістерінің нені білдіретіні туралы нақты сұрақтар туындайды. Олар негізгі анатомиялық қатынастармен шектелген сияқты, бірақ жалпы олар анатомиялық қатынастарды қайталамайды (келесі бөлімді қараңыз). Ми аймақтары арасында өте күшті функционалды корреляцияларды табуға болады, олар ешқандай тікелей (бір сатылы) анатомиялық байланыспен байланысты емес. Мысалы, сол жақ мотор кортексі мен оң жақ ми қантамырларының арасында функционалды байланыстарды табуға болады (Бакнер және басқалар, 2011), анатомиялық тұрғыдан бір-бірінен бірнеше қадам алыс орналасқан екі құрылым (сурет 4). Сол жақ және оң жақ жарты шарлардағы бастапқы визуалды кортекстің эксцентрлік көріністері, сонымен қатар, тікелей анатомиялық байланыстарсыз да айқын байланысты (Винсент соавт., 2007).
4-сурет, ми құрылымдары және RSFC тербелістері
RSFC бір сатылы анатомиялық корреляцияны көрсетпеуі, өкінішке орай, жолдар мен жолдардың ұзындығына негізделген (екі орналасу арасындағы қадамдар санына негізделген) кейбір басқа өте пайдалы желілік құралдардың орындылығын күмән тудырады. Функционалды желіні зерттеуде кең жолақты тиімділік пен центрлік шараларды қоса алғанда, жолдарға негізделген кейбір шаралар кеңінен қолданылғанмен, оларды абайлап түсіндіру керек. Корреляциялық желілердегі жол негізіндегі талдаулар мидың функционалды жүйелері арасындағы иерархиялық қатынастар мен көп сатылы бірлестіктерді бұзу үшін пайдалы болуы мүмкін. Алайда, ақпараттық ағынға немесе функционалдық қосылыстар бойымен байланысқа тікелей сілтеме жасайтын интерпретация желілері негізгі анатомиялық желілердегі корреляциялық желілерге қатысты күрделі және жанама түрде жүзеге асырылуы мүмкін. Нейрондық сигналдар анатомиялық жолдармен өтеді, нәтижесінде функционалды байланыстар пайда болады.
Демек, функционалды байланыстарды мидың екі аймағының тікелей байланысы ретінде түсіндірудің орнына, RSFC корреляциясы екі аймақтың арасындағы көптеген немесе барлық анатомиялық жолдардағы функционалдық қатынастардың құрама (мүмкін салмақталған сомасын) құрайды деп болжауға болады. , мысалы қарау үшін (Power et al., 2014) қараңыз. Маңыздысы, бұл корреляциялар анатомиялық қатысуды ғана емес, сонымен қатар осы байланыстардың синаптикалық тиімділігін де көрсетеді. Сонымен, функционалдық қатынастар жолдардың құрылымдық орналасуы нәтижесінде ғана емес, сонымен қатар осы жолдар бойындағы синаптикалық тиімділіктің өзгеруі нәтижесінде де өзгеруі мүмкін. Мысалы, тапсырманы көп рет орындау жалпы белсендірілген аймақтар арасындағы байланысты арттыруы мүмкін, мысалы. (Льюис және басқалар, 2009; Макей және басқалар, 2011). Сонымен мидың жалпы корреляциялық құрылымы туралы ойланудың қызықты тәсілі - бұл анатомиямен шектелген (бірақ толық анықталмаған) аймақтар арасындағы тарихи коактивацияның жоғары деңгейдегі статистикалық көрінісі.
RSFC көмегімен алғашқы зерттеулер тұқымға негізделген әдісті қолданды. Бұл әдіс тұқымдық немесе аралас воксельді жинап алып, мидағы қалған барлық воксидтердің тұқыммен қалай байланысқанын қарастырды (Бисвал және басқалар, 1995). Көптеген жағдайларда корреляциялық құрылым функционалды түрде байланысты аймақтарды білдіретін сияқты. Айта кету керек, 2003 жылы (Greicius соавт., 2003) жүргізген зерттеу әдепкі режим желісіне байланысты кейінгі цингуляция аймағында тұқым орналастыру әдепкі режимді қосқан аймақтарға ұқсас болатын корреляциялар жиынтығын анықтағанын көрсетті. сол жақ мотор кортексінің қосылыстарын себетіндіктен, мотор жүйелерінің көп бөлігі ашылады. Әдеттегі режим желісі, егер субъект әр түрлі белсенді тапсырмалар күйіне енетін болса, олардың белсенділігінің төмендеуінің ерекше қасиеті бар аймақтар жиынтығы ретінде сипатталған. Бұл зерттеу ұқсас нәтижелері бар қосымша зерттеулердің ағынын ашты. Әр түрлі тұқымдарды қолдана отырып, назар аударудың әр түрлі жүйелері анықталды, және бұл желілер демалудың корреляциялық заңдылықтары тапсырмалар кезінде коактивация заңдылықтарын ұстанатынын көрсетті.
2.3 Нейрон желiлерiнің жасанды интелектпен байланысы
Процедура арқылы нейрон желiсiнiң керi таратуын үйрену алгоритмі қарастырылған алдыңғы тарауда басқа дәл осылай және мақсаттық шығыс түр кiретiн және желi көрсететiн қайсыбiр сыртқы буынның бар болуын түсiндіредi. Ұқсас концепцияны қолданатын алгоритмдар оқытушымен үйренудiң алгоритмдары деп аталады. Олардың табысты функционалдауы үшін алдыңғы сатыда әр кіріс бейнесіне эталонды шығысты құратын сарапшылардың болуы қажет.
Жасанды зияткерлікті құру табиғи үлгiлердiң көшiрмесi жолымен ғалымдардың оқытушымен үйрену алгоритмін табиғи немесе толығымен жасанды деген тақырыпқа дауласуы тоқтамайды. Мысалы, адами мидың үйренуi, сырттай қарағанда, оқытушысыз болады: көруге, естуге, тактілікке, акустикалығына ақпарат түседі және жүйке жүйесінің ішінде белгісіз жолмен өздік ұйымдастырылу болады. Алайда, адамның өмiрiнде оқытушы аз емес, олар адамңың сыртқы әрекеттерін координациялайды.
Басты қасиет оқытушысыз үйретуді тартымды ететін - ол оның өзімен-өзі болуы, дербестігі. Үйрету үрдісі оқытушымен үйрету үрдісі секілді синапстардың салмағын иемденуге үндестіріледі. Демек, кейбiр алгоритмдар, бiрақ мұндай өрнектеулер кең өздік ұйымдастырылу терминімен атау дұрыс, бұл бөлімнің шеңберінде ол қарастырылмайды. Синапстарды орналастыру нейронға қол жетімді ақпарат негізінде жүзеге асады, яғни оның күйі және бар салмақтық коэффициенттермен жүзеге асады. Осы тұжырымнан шығатын жүйке клеткаларының өздік ұйымдастырылудың белгілі принципіне ұқсайтын Хеббтің үйрету алгоритмі маңыздырақ болады. Хеббтің таңбалық үйрету әдісі келесі ережелердің салмақты өзгерістеріне келеді:
мұнда yin-1 n-1 қабатының і шығыс нейронының мәні, yjn n қабатының j нейронының мәні, wij(t) және wij(t-1) - осы ейрондарды қосатын синапстың салмақтық коэффициенті. α- үйрету жылдамдығының коэффициенті. Берілген әдіс бойынша үйрету кезінде қоздырылған нейрондар арасындағы байланыс күшейеді[8].
Хеббтың дифференциалды үйрету әдiсі бар болады.
Жоғарыда айтылған формулалардың қолдануымен үйретудiң толық алгоритмі келесідей көрiнедi:
1. Барлық салмақның коэффициенттерiне инициализацияның кезеңдерiнде үлкен емес кездейсоқ мәндердi тағайындайды.
2. Желiлердің кірісіне кіретін бейне кіреді және қоздырғыш дабылдар барлық қабатқа классикалық түзу ағынды желілер таралады, яғни әр нейрон үшін кірістің салмақты соммасы есептелінеді және бұған нейронның белсендіргіш функция қолданылады, оның шығыс мәндері алынады, нәтижесінде оның шығыс мәні алынады:
Мұндағы М - әрі қабаттағы нейрондар саны; n =1,2,3, ...N - желідегі қабаттар саны.
3. Алынған нейрондар мәндерінің негізінде (1) немесе (2) формула бойынша салмақты коэффициенттердің өзгерісі жүзеге асады.
4. 2 қадамнан басталатын цикл желінің шығыс мәндері берілген нақтылық мәнмен тұрақталмағанынша жалғаса береді. Үйренуді аяқтауды анықтаудың кері тарату желісі үшін қолданылғаннан ерекшелінетін жаңа әдісті қолдану синапстың қойылатын мәндері шектелмеген.
Циклдың екiншi қадамында кiру жиынынан барлық түрлер кезекпен-кезек көрсетіледi.
Кіріс түрлерінің класына көңіл аударатын түрлер алдын-ала белгісіз және инициализация кезеңіндегі салмақтарды кездейсоқ таратуды түсіндіретін шығыс қабатының нейрондар күйінің анықталған сәйкестігін көрсетеді. Сонымен бiрге, желi ұқсас түрледі бір класқа біріктіреді.
Үйретілген желіні тестілеу шығыс қабатындағы кластың топологиясын анықтауға мүмкіндік береді.
Оқытушысыз үйретудің басқа алгоритмі - Кохонен алгоритмі - алдыңғы итерациядан алынған мәндер негізінде синапстарды орналастыру.
Жоғарыда келтірілген формуладан үйрету кіріс нейрон дабылдарынан алдыңғы қабаттан түсетін шығыс нейрондарының және синапстың салмақты коэффициенттерінің айырмашылығын минимизациялауға әкеледі.
Үйретудің толық алгоритмі Хебб әдістеріндегідей құрылымға ие болады, бірақ 3 қадамда барлық қабаттардан синапстардың мәндері кіріс түріне максималды ұқсайтын нейрон таңдалынады және тек қана сол үшін (3) формула бойынша салмақтар анықталады. Бұл аккредитация қабаттың барлық қалдық нейрондарын тоқталуын және таңдалынған нейронды қанықтыруын үйлестіреді. Мұндай нейронды таңдау мысалы, векторлы кіріс мәндерімен салмақты коэффициенттер векторларының скалярлық көбейтіндісінің есептелуімен жүзеге асады. Жеңген нейрон максималды көбейтіндіні береді.
Басқа нұсқа - р - өлшемді кеңістікте осы векторлардың арасындағы қашықтықты есептеу, мұндағы р - вектор өлшемі.
Мұндағы j - n қабатындағы нейронның индексi, і - қабаттың нейрон бойынша соммалау индексі. wіj - нейронды қосатын синапстың салмағы;
n қабаты үшін (n-1 ) қабатының шығыс нейрондары кіріс мәндері болып табылады.
Берілген жағдайда аз қашықтықтығы бар нейрон жеңеді. Кейде жиі аккредитация алатын нейрондар қарастырылудан күштеп шығарылады, бұл қабаттағы барлық нейронның құқығын теңестіру мақсатымен жасалады. Кохонен алгоритмі бойынша үйретуді қолданғанда кіріс түрлерін нормализациялау тәжірибесі бар болады, сонымен қатар салмақты коэффициенттердің бастапқы мәндерін инициализациялау, нормализациялау қадамында да қажет болады.
Мұнда хі - кіріс түрі векторының немесе салмақты коэффициенттің і компоненті, ал n - оның өлшемі. Бұл үйрету үрдісінің ұзақтығын қысқартуға мүмкіндік береді.
Салмақты коэффициенттердің кездейсоқ сандармен инициализациясы тығыз бөлінген кіріс түрлері сәйкес келетін әртүрлі кластардың бірігуіне әкеледі немесе керісінше ішкі кластарға бөлінеді. Бұл жағдайды болдырмас үшін дөңес комбинация әдісі қолданылады. Оның мәні - кіріс нормалданған түрлер түрлендіруге ұшырайды:
Мұндағы хі кіріс түрінің і компоненті, n - оның компоненттерінің жалпы саны, α(t) - үйрету үрдісіндегі 0-ден 1-ге дейін өзгеретін коэффициент, мұның нәтижесінде басында желінің кірісіне бірдей түрлер түседі, ал уақыттың өтуімен олардың көбісі шығысқа қарай түрленеді. Салмақты коэффициенттер инициализациялау қадамында бекітіледі:
Мұндағы n - инициаланатын қабаттың нейроны үшін салмақ векторының өлшемі.
Жоғарыда қарастырылған әдіс негізінде ерекше типті - өздік ұйымдастырылатын құрылым деп аталатын нейрондық желілер құрылады - self-organizing feature maps. n қабатынан j нейронды Dj минималды қашықтықпен таңдаудан кейін олар үшін (3) формаласы бойынша нейрон ғана үйретілмейді, сонымен қатар R маңайындағы оның көршілері де орналасқан. R шамасы бірінші итерацияларда үлкен, сондықтан да барлық нейрондар үйретіледі, алайда уақыттың өтуімен ол 0-ге дейін азаяды. Осылайша үйретудің аяғы жақындаған сайын әр класына жауап беретін нейрондардың тобы нақтырақ анықталады[8].
2.4 Медицинадағы нейрондық желілер
Жасанды нейрондық желілер, биологиялық сияқты, көптеген қосылыстары бар көптеген параллель жұмыс істейтін қарапайым процессорлары бар есептеу жүйесі. Мұндай желілерді құру кезінде, әдетте, оларды биологиялық аналогтардан ажырататын бірқатар болжамдар мен маңызды жеңілдетулер жасалатынына қарамастан, жасанды нейрондық желілер миға тән қасиеттердің таңғажайып санын көрсетеді - бұл тәжірибеден үйрену, жалпылау, артық ақпараттан алынған маңызды мәліметтер.
Нейрондық желілер қоршаған ортаның жағдайына байланысты мінез-құлқын өзгерте алады. Кіріс сигналдарын талдағаннан кейін (мүмкін шығыс сигналдарымен бірге болуы мүмкін), олар өздігінен реттеліп, дұрыс жауап беруді үйренеді. Оқытылған желі кіріс деректерінің кейбір ауытқуларына төзімді болуы мүмкін, бұл оған әртүрлі шу мен бұрмалануларды қамтитын кескінді дұрыс көруге мүмкіндік береді.
1950 жылдары зерттеушілер тобы биологиялық және физиологиялық тәсілдерді біріктіріп, алғашқы жасанды жүйке торларын құрды. Сонда жасанды интеллекттің кілті табылғандай болды. Бірақ бұл желілер жасанды көру - ауа-райын болжау және деректерді талдау саласындағы кейбір мәселелерді тиімді шешкенімен, көп ұзамай иллюзия сейілді. Желілер олар сәтті шешкендерге үстірт ұқсас басқа да міндеттерді шеше алмады. Осы кезден бастап қарқынды талдау кезеңі басталды. Теориялар құрылды, бірқатар теоремалар дәлелденді. Бірақ сол кезде де маңызды математиканы қоспағанда, айтарлықтай жетістікке сенуге болмайтындығы белгілі болды.
70-ші жылдардан бастап ғылыми журналдарда жасанды нейрондық желілерге қатысты басылымдар пайда бола бастады. Бірте-бірте жақсы теориялық негіз қалыптасты, оның негізінде бүгінде көптеген желілер салынуда. Соңғы екі онжылдықта дамыған теория қолданбалы мәселелерді шешу үшін белсенді қолданылды. Сондай-ақ, жасанды нейрондық желілерді құру үшін қолданбалы бағдарламалық жасақтама жасайтын фирмалар пайда болды. Сонымен қатар, 90-жылдар жасанды нейрондық желілердің бизнеске келуімен ерекшеленді, онда олар көптеген мәселелерді шешуде өзінің нақты тиімділігін көрсетті - өнімге деген сұранысты болжаудан бастап, банк клиенттерінің төлем қабілеттілігін талдауға дейін.
Бүгінгі таңда әртүрлі проблемаларды шешуге бағытталған әр түрлі жұмыс істеу принциптері бар нейрондық желілердің әртүрлі конфигурацияларының саны өте көп.
Оқу қабілеті - бұл мидың негізгі қасиеті. Жасанды жүйке желілері үшін оқыту дегеніміз - бұл мәселені тиімді шешу үшін желілік архитектураны (нейрондар арасындағы байланыстар құрылымын) және синаптикалық байланыстардың салмақтарын (коэффициенттердің сигналдарына әсер ету) реттеу процесі деп түсінеді. Әдетте, жүйке желісі белгілі бір үлгі бойынша оқытылады. Оқыту процесі кейбір алгоритм бойынша жүретін болғандықтан, желі кіріс сигналдарына жақсырақ және жақсырақ жауап беруі керек (дәлірек).
Әр түрлі мәселелерді шешуге бағытталған оқыту алгоритмдерінің саны өте көп .
Көп өлшемді статистика принциптеріне негізделген математикалық модельдеу әдістерін диагностикалау, болжау және практикалық медицинада ішкі аурулардың мақсатты терапиясы үшін қолдану қиын. Осы мақсатта факторлық, кластерлік, регрессиялық және дискриминанттық талдауды, тіпті қазіргі компьютерлік технологиялар негізінде жүргізілгендерді қолдану ғылыми тұрғыдан қызығушылық тудырады.
Іс жүзінде дәрігерлер өз пациенттерін диагностикалау, болжау және емдеу үшін табылған математикалық модельдерді қолданбайды. Бұл, сөзсіз, алынған модельдерді тәжірибеде қолданудың күрделілігіне, деректердің формаланған формалары мен іс жүзінде толтырылған ауру тарихының күрт айырмашылығына байланысты.
Медицинада нейрокомпьютерлерді немесе адамның миындағы нейрондардың жұмысын - жүйке желілерін имитациялайтын бағдарламаларды қолдану дәрігерлердің жұмысын жеңілдетеді және жеделдетеді. Мұндай жүйелер мысалдар арқылы өзін-өзі үйренуге және белгілі бір есептер кластарын шешуге икемделеді. Нейрокомпьютерлердің бұл қасиеті медицинада өте маңызды, мұнда көптеген міндеттер формализацияға жол бермейді, ал кіріс деректері көбінесе толық емес, шулы және тіпті қарама-қайшы келеді.
Оқыту процесінде мәліметтер базасы білім базасына өзгертіледі, өйткені нейрондық желі медициналық мәселелерді шешуде тәжірибе жинайды. Тәжірибе мұндай жағдай бұрын-соңды кездеспеген болса да, дұрыс шешім қабылдау мүмкіндігін қарастырады. Яғни, дәрігердің жұмысымен ұқсастығы бар: тәжірибелі дәрігер-интерн диагноз қояды, тіпті егер пациент аурудың симптомдары туралы бұрмаланған сурет болса.
Біздің жағдайда жаттығу үлгісі ретінде біз кардиологиялық стационарда болғаннан кейін үш күн ішінде қайтыс болған науқастардың 180 оқиға тарихын қолдандық. Өте тыныш ауруханада оқытылған нейрондық желіні практикалық қолдану миокард инфарктісі бар науқастардың қауіп-қатерлі стратификациясында өзінің жоғары тиімділігін көрсетті. Тек 15 параметр анықталды, бұл 90% жағдайда осындай науқастарда диагноз қоюда және мүмкін болатын асқынуларды болжауда шешуші болды.
Нейрондық желінің сарапшы жүйелерінің артықшылығы айқын. Дәрігерден (пайдаланушыдан) кіріс мәліметтері мен соңғы шешім арасындағы қатынастарды орнату талап етілмейді. Дәрігер ақпаратты классикалық статистикалық өңдеуге және математикалық модельді тексеруге уақыт жоғалтпайды. Сонымен қатар, жүйке желісінің шешімі категориялық емес. NS шешімді ондағы сенімділік дәрежесімен бірге шығарады, дәрігерге нәтижені түзетуге мүмкіндік береді (диагноз). Сонымен қатар, бұл өте жылдам жауап береді (секундтық фракциялар), бұл интерактивті режимде әр түрлі динамикалық жүйелерде нейрондық желіні пайдалануға мүмкіндік береді. Нейрондық бағдарламалардың барлық осы ерекшеліктері миокард инфарктісімен ауыратын науқастарды стратификациялау қаупі үшін бірыңғай медициналық сараптама жүйесін құруды айтарлықтай жеңілдетуге мүмкіндік береді .
3. ТЕОРИЯЛЫҚ ЗЕРТТЕУЛЕР ЖҮРГІЗУ
3.1 Биологиялық нейрондардың сигналдарының негізгі заңдылықтары
Әр түрлі құрылымдағы нейрондық сигналдарды зерттеу - шыбықтар (бір уақыттағы тұрақты және біркелкі емес жарылыстар), жарылыстар (жеке және жарылыстардың тұрақты және реттелмеген ауысулары) - сызықтық емес динамикалық жүйелер , өздігінен тербелмелі жүйелер , электр тізбектері және т.б. интегралды схемаларда нейрондық желілерді электронды түрде енгізу. Биологиялық нейрондық желілердің әсер ету потенциалдарының негізгі заңдылықтарын білу, ең алдымен, қазіргі заманғы цифрлық электроника, IT технологиялары, автоматика және робототехникада кеңінен қолданылатын тиімді жасанды нейрондық желілерді құру үшін қажет.
Электрлік сигналдың таралуын сипаттайтын сандық модельді алғашқы жасаушылардың бірі (әрекет потенциалы) - бұл ғалымдар Нобель сыйлығына ие болған Алан Ходгкин мен Эндрю Хоксли. Ходжкин-Хаксли моделі алып кальмар аксонында жүйке сигналының пайда болуы мен таралуын сипаттайды. Ходжкин мен Хукслидің зерттеулерінің маңызды нәтижесі оның авторлары нейрондарды динамикалық жүйе ретінде сипаттайды. Өздеріңіз білетіндей, динамикалық жүйе оның күйін осы жүйенің уақыт өте келе эволюциясы ретінде сипаттайтын өзгермелілер жиынтығымен сипатталады (яғни жүйенің алдыңғы күйіне байланысты қазіргі күйінің өзгеруі).
Ходжкин-Хуксли моделі жалпы токты уақыт пен кернеудің функциясы ретінде сипаттайды , келесі теңдеулер жүйесін қолданады:
қайда
және параметрлері мембраналық потенциалға сәйкес келеді, g K , g Na , g L - тұрақты ( gK 36mS cm2 , g Na 120mS cm2 , g L 0.3mS cm2 ), , ,n m - h өлшемсіз шамалар, С - мембрана сыйымдылығы.
1.1 суретте Ходгкин-Хуксли моделі бойынша есептелген іс-қимыл потенциалы көрсетілген.Сондай-ақ, сурет деполяризация, реполяризация, рефракторлық сияқты күрт өсу кезінде пайда болатын негізгі процестерді көрсетеді.
1.1-сурет, Ходжкин-Хуксли моделіндегі әрекет потенциалы
Әдетте, нейрондардың әсер ету потенциалын сипаттау үшін келесі терминдер қолданылады. Демалу кезеңі - ықтимал келуге дейінгі кезең әрекеттер. Деполяризацияны (деполяризация) клетка ішіндегі заряд теріс күйден оңға ауысқан кезде жасуша күйінің өзгеруі деп атауға болады. Көптеген жасушаларда, соның ішінде нейрондарда ішкі ортаның өзіндік жағдайы болады, олар жасушаның сыртқы бетіне қатысты теріс зарядталған. Гиперполяризация (гиперполяризация) - деполяризацияға қарама-қарсы жағдай.
Жасушаның ішіндегі потенциалдың төмендеуі (төмендеуі) және оның тыныштық жағдайына бірнеше рет жақындауы реполяризация деп аталады. Сыну кезеңі немесе отқа күй - бұл жүйенің сыртқы әсерлерге қарсы иммунитетті болуы.
ФитцХуг-Нагумо моделі Морис-Лекар , Конор-Вальтер-Маккон моделі, Хиндмарш-Роуз моделі сияқты тірі нейронның әсер ету потенциалдарының дамуын сипаттайтын көптеген модельдер бар , Huber-Brown моделі және басқалары. Мысалы, танымал FitzHugh-Nagumo моделі - бұл Ходжкин-Хукслидің жеңілдетілген моделі. FitzHugh-Nagumo моделінің қарапайымдылығы қозғыштықпен байланысты және биологиялық нейронның қатысуымен жүретін маңызды процестер туралы тез арада түсінік алуға мүмкіндік береді. Моррис-Лекар моделі сонымен бірге Ходжкин-Хуксли моделінің жеңілдетілген нұсқасы болып табылады және шыбықтардың пайда болуын және сыртқы әсерлерге иммунитет режимін сипаттайды. Модель
Конор-Уолтер-Маккон (Коннор, Уолтер және МакКаун), Ходжкин-Хуксли моделінен айырмашылығы, калий мен натрий иондарының арналарына қосымша токты ескереді. Хиндмарш-Роуз моделі екі нейронның өсінді ұрпақтарының синхронизациясын Ходжкин-Хуксли теңдеуіне қарағанда қарапайым түрде модельдеуге мүмкіндік береді. Huber-Braun моделі бастапқыда температура өзгеруіне байланысты нейрондардың әсер ету потенциалын сипаттау үшін Ходжкин-Хуксли моделіне негізделген.
Типтік нейрон басқа нейрондармен синдромдар деп аталатын дендриттік ағаштағы байланыстар арқылы байланыса алады. Кірістер нейронның мембраналық потенциалын өзгертетін электр трансмембраналық токтар жасайды. Шыбықтар - нейрондар арасындағы негізгі байланыс құралы. Негізінен, нейрондар өздігінен шыбық шығармайды, шыбықтар басқа нейрондардың кіріс сигналдары нәтижесінде пайда болады (жинақтау-эжекция эффектісі). Жоғарыда сипатталған көптеген модельдер нейрондарда болатын процестерді ескере отырып, аксондағы шыбықтардың пайда болуын сипаттауға бағытталған. Сонымен, биологиялық нейрондардың әр түрлі формалары бар биологиялық нейрондардың әртүрлі сигналдарын сипаттайды (сурет 1.2).
1.2-сурет, нейрондардың әртүрлі сигналдары
Алынған кортикальды эпилепсияның жасушаішілік (in vivo) моделі туралы жұмысында профессор И. Тимофеев және оның авторлары эпилепсияны зерттеу үшін әзірленген эксперименттік модельдерге қысқаша шолу жасайды. Эпилепсия термині неврологиялық патологияның 40-тан астам түрін анықтау үшін қолданылады. Әдетте олар кезең ішінде болатын қайталанатын шабуылдардың пайда болуымен сипатталады
мидың электрлік белсенділігі. Эпилепсия генетикалық немесе сатып алынған (қайталама) болуы мүмкін. Сатып алынған эпилепсияның себептері бірнеше (инсульт, кортикальды жарақат, ми ісігі, инфекция және т.б.). Алынған эпилепсияның жиі кездесетін белгісі - нейрондардың қайтыс болуы. Мидың әрекеттерін белсенділік, демалу фазасы, қозу және тежеу деп сипаттауға болады. Мидың қалыпты жұмысы кезінде белсенділік пен демалу кезеңі, сондай-ақ қозу мен тежелу арасында тепе-теңдік болады. Егер қандай да бір себептермен олардың арасындағы тепе-теңдік бұзылса, бұл нейрондық қозғыштық пен эпилепсияның реттелуінің жоғарылауына әкеледі. 1.3суретте ояу кезіндегі неокорталық нейрондардың сигналдары көрсетілген.
1.3сурет, ояу кезіндегі неокорталық нейрондардың сигналдары
Ұйқы және ұйқы кезіндегі таламокорталық желілердегі нейрондық пластика бойынша жұмыс Таламикалық және соған байланысты кортикальды нейрондардың жасушаішілік (in vivo) жазбаларын сипаттайды.
Табиғи баяу ұйқының ауытқуы кезінде talamic және кортикальды нейрондар біртіндеп олардың реакциясын арттырады. Бұл деректер баяу ұйқы тек кортекс пен субкортикалды құрылымдар басылған тыныштық күйі ғана емес, сонымен қатар кортикоталамикалық желілерде ояну кезінде алынған жад іздерін біріктіретіндігін көрсетеді. 1.4 суретте кортикальды нейронның электрлік белсенділігі мен морфологиясы көрсетілген
Мақалада таламустың жобаланатын ядроларынан, таламиканың ретикулярлық ядросынан және неокортекстен тұратын таламокорталық жүйенің құрылымына қысқаша шолу жасалады. Сондай-ақ қырағылықтың үш жағдайы сипатталған, содан кейін таламокорталық жүйеде орналасқан мидың негізгі ырғақтарына егжей-тегжейлі шолу жасалады, олар өте баяу (тез суретті) 1.7 дейін өте жылдам тербелістерге дейін.
. 1.4 суретте кортикальды нейронның электрлік белсенділігі
1.5-сурет, Ықтимал жергілікті шығу тегі және баяу толқындардың таралуы
3.2 Биологиялық нейрон және жасанды нейрон
Адам миы және оның жүйке жүйесі жүйке талшықтарымен байланыстырылған нейрондардан тұрады. Нейрондар арасында жүйке талшықтарының көмегімен электр импульстері беріледі. Тірі ағзамен кездесетін барлық әрекеттер, терінің, көздің, аурудың, ойлау процестерінің барлық тітіркенуі нейрондардың өзара әрекетінен туындайды. Биологиялық нейронның құрылысы 1.6-суретте көрсетілген.
1.6-сурет - Биологиялық нейрон.
Дендрит - нейронның импульстарын қабылдайды; Аксон - нейрон импульсін береді; Синапстар - аксон мен дендрит байланысы үшін импульс күшіне әсер ететін түзілімдер.
Синапстан өткен кезде импульс күші белгілі бір санға өзгереді (синапс салмағы). Нейронға бірнеше дендриттер бойынша импульстер түскенде, олар қосылады. Егер жиынтық импульс табалдырықтан асып кетсе, онда нейрон қозу жағдайына ауысады, өз импульсін қалыптастырады және оны одан әрі аксон бойымен жібереді. Тиісті нейронның мінез-құлқы өзгеруі мүмкін, себебі Нейронның денеесі Импультің қозғалысы дендриттер аксондар синапстар 13 синапстардың салмағы уақытпен өзгереді. Сипатталған процестің математикалық модельі 1.7-суретте көрсетілген.
1.7-сурет - Нейронның математикалық модельі Бұл модель үш кіріс (дендерриттер) бар нейронды сипаттайды, онда синапстардың 𝑤1, 𝑤2, 𝑤3 салмақтары бар, оларға сәйкес 𝑥1, 𝑥2, 𝑥3 күші тиісінше сәйкес келеді. Алынған жиынтық импульс x=𝑥1𝑤1+𝑥2𝑤2+𝑥3𝑤3 нейрон F(x) өткізу функциясына сәйкес түрлендіреді.
y = f(x)=f(𝑥1𝑤1+𝑥2𝑤2+𝑥3𝑤3) - шығу импульсінің қуаты. Қорытындылай келе, кіріс түрінде 𝑥𝑘 (вектор) сандар жиынтығын аламыз. Содан кейін нейрон шығу кезінде кейбір санды береді. Жасанды нейрон келесідей көрінеді: оның кіруіне көптеген сигналдар түседі, олардың әрқайсысы бір мезгілде басқа нейронның шығуы болып табылады. Мұндай кіріс тиісті салмаққа көбейтіледі, содан кейін туындылар нейронды белсендіру деңгейін анықтайды. Бұл идеяны іске асыратын модель 1.8-суретте көрсетілген:
1.8-сурет - Нейронды белсендіру моделі
Мұнда x1, x2, ..., xn сигналдар жиынтығы жасанды нейронның кірісіне өтеді, олардың жиынтығында олар X векторымен белгіленеді. Бұл сигналдар кіретін биологиялық нейронға ұқсас. Сонымен қатар, сигнал да тиісті салмақ w1, w2, ..., wn көбейтіледі, содан кейін Σ жинақтау бірлігіне қосылады. Әрбір салмақ бір синаптикалық қосылымның күшіне тең биологиялық нейрон.
Әдетте NET деп аталатын шығу өлшенген элементтер алгебралық түрде қалыптасатын жиынтықтаушы блоктан құрылады. NET сигналы активтендіру деп аталатын қарапайым сызықты функциямен түрлендіріледі. Ол F белгіленеді және OUT шығыс сигналын береді.
OUT = K (NET),
К ... жалғасы
Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.
Ұқсас жұмыстар
Пәндер
- Іс жүргізу
- Автоматтандыру, Техника
- Алғашқы әскери дайындық
- Астрономия
- Ауыл шаруашылығы
- Банк ісі
- Бизнесті бағалау
- Биология
- Бухгалтерлік іс
- Валеология
- Ветеринария
- География
- Геология, Геофизика, Геодезия
- Дін
- Ет, сүт, шарап өнімдері
- Жалпы тарих
- Жер кадастрі, Жылжымайтын мүлік
- Журналистика
- Информатика
- Кеден ісі
- Маркетинг
- Математика, Геометрия
- Медицина
- Мемлекеттік басқару
- Менеджмент
- Мұнай, Газ
- Мұрағат ісі
- Мәдениеттану
- ОБЖ (Основы безопасности жизнедеятельности)
- Педагогика
- Полиграфия
- Психология
- Салық
- Саясаттану
- Сақтандыру
- Сертификаттау, стандарттау
- Социология, Демография
- Спорт
- Статистика
- Тілтану, Филология
- Тарихи тұлғалар
- Тау-кен ісі
- Транспорт
- Туризм
- Физика
- Философия
- Халықаралық қатынастар
- Химия
- Экология, Қоршаған ортаны қорғау
- Экономика
- Экономикалық география
- Электротехника
- Қазақстан тарихы
- Қаржы
- Құрылыс
- Құқық, Криминалистика
- Әдебиет
- Өнер, музыка
- Өнеркәсіп, Өндіріс
Қазақ тілінде жазылған рефераттар, курстық жұмыстар, дипломдық жұмыстар бойынша біздің қор #1 болып табылады.
Ақпарат
Қосымша
Email: info@stud.kz