Signal propagation in neural networks

Abstract

A proper account of signal propagation in neuronal networks is the key to developing a genuine understanding of information processing accomplished by the brain. The data can often be in the form of the complex activity of neuronal assemblies and their spiking patterns. Under particular circumstances, neuronal assemblies produce a coordinated synchronized activity with the profile of travelling waves. These have been shown to represent the information processing of, e.g., perceptual sensitivity. We decided to model the phenomenon of the travelling wave by using a spiking neural network model of 1mm2 of primate's early visual cortices. The modelled neural column was employed to generate synchronized activity. By interconnecting said columns, we were able to model the travelling wave. In order to describe its dynamics, we developed several event-detection algorithms to identify such a travelling wave from simulated neural columns. We discovered that methods based on the detection of local dynamics in moving windows rendered most adequately the intuitive idea of the travelling wave. After establishing our event-detection approach, we shifted the focus to causal inference. Signal propagation is commonly inferred by abstract theoretical concepts like the Granger causality or transfer entropy. In this work, we...

Detailní popis šíření signálu v neuronálních sítích je klíčová pro porozumění informačním procesům v mozku. Data mohou mít často podobu komplexní aktivity, která je produkována neuronálními populacemi a jejich specifickými motivy ve struktuře akčních potenciálů. Za určitých okolností vytvářejí neuronální populace koordinovanou synchronizovanou aktivitu, která má profil putujících vln. Bylo prokázáno, že tyto vlny jsou součástízpracování informací, např. při vnímání senzorických k podnětů. Rozhodli jsme se takový jev putující vlny modelovat pomocí modelu neuronové sítě, který má reprezentovat 1mm2 primární zrakové kůry primátů. Tento model kanonického neurálního sloupce jsme použili ke generování synchronizované aktivity a pomocí propojení sloupců se nám podařilo modelovat putující vlnu. Pro popis její dynamiky jsme vyvinuli několik algoritmů, které detekují události na časových řadách. Tyto události umožňují identifikovat putující vlnu ze simulovaných neuronových sloupců. Zjistili jsme, že metody založené na detekci lokální dynamiky v klozavých oknech nejadekvátněji vykreslují intuitivní představu o putující vlně. Poté, co jsme zavedli přístup k detekci události, zaměřili jsme se na kauzální inferenci. Běžně se šíření signálu dedukuje pomocí abstraktních teoretických konceptů, jako je Grangerova kauzalita...