Propiedades computacionales del umbral neuronal y el código sparse en el proceso de discriminación de odorantes
Entity
UAM. Departamento de Ingeniería InformáticaDate
2018-09Subjects
Neurociencia computacional; Sistema olfativo; Umbral neuronal; InformáticaNote
Máster en Investigación e Innovación en Tecnologías de la Información y las ComunicacionesEsta obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.
Abstract
Comprender los mecanismos que controlan la codificación neuronal es fundamental para en tender la forma en que se procesa la información en las redes neuronales. Uno de estos mecanis mos es el umbral de disparo neuronal. Existen diversas observaciones experimentales e hipótesis sobre las posibles propiedades computacionales que podrían controlar las dinámicas del umbral de disparo, entre las que destacan su papel a la hora de asegurar que el código neuronal sea óptimo y su influencia en el proceso de discriminación de estímulos en sistemas sensoriales. Algunas investigaciones llevadas a cabo en el Grupo de Neurocomputación Biológica de la UAM sobre el sistema olfativo de los insectos apuntan a que una distribución heterogénea en los umbrales de las células de Kenyon en el cuerpo fungiforme es uno de los factores que regula la excitabilidad de las neuronas y posibilita la aparición del código disperso empleado por este sistema para representar la información y mejorar su capacidad de discriminación de odorantes. Dentro de esta línea de investigación, el objetivo que se ha propuesto en este TFM es el desarrollo de un modelo del sistema olfativo del insecto que permita explorar la influencia de la distribución de umbrales neuronales en su capacidad de discriminación, la generación del código disperso y su eficiencia energética. Para alcanzar este objetivo, se ha desarrollado un nuevo modelo del sistema olfativo de la langosta basado en redes neuronales y aprendizaje supervisado que incluye un algoritmo de aprendizaje capaz de ajustar los umbrales de disparo de las neuronas KCs. Además, el algoritmo también cuenta con un término de regulación de la actividad de las KCs que permite controlar su nivel de activación. Para la validación del funcionamiento del modelo propuesto se han utilizado tres conjuntos de datos con patrones de diversos niveles de complejidad. La conclusión principal que se ha obtenido es que el algoritmo de aprendizaje desarrollado es capaz de regular la actividad de las neuronas KCs a partir del ajuste de sus umbrales de disparo y obtiene mejores resultados cuando converge a un estado similar al encontrado en la biología. Además, también es capaz de ajustar las características de la distribución de umbrales de disparo en las KCs para adaptarla a la complejidad de los patrones que se están clasificando. Para ello, estable diferentes balances entre la cantidad de neuronas que presentan un umbral alto con comportamiento especialista y un umbral bajo con comportamiento generalista, lo que es coherente con otros estudios realizados en el GNB sobre la influencia balance de neuronas especialistas y generalistas en el reconocimiento de patrones. Aparte de esto, el modelo es capaz de conseguir resultados iguales o mejores a los obtenidos utilizando SVMs para la clasificación de odorantes captados por narices electrónicas. Por tanto, los resultados obtenidos muestran que el umbral neuronal tiene una gran importancia a la hora de determinar la capacidad de discriminación del sistema y controlar la generación del código disperso para la representación de la información. Understanding the mechanisms that control neural coding is fundamental to comprehend
the way in which information is processed in neural networks. One of these mechanisms is
the neural threshold. There are several experimental observations and hypotheses about the
possible computational properties that the neural threshold dynamics could control, like its role
in ensuring that the neural code is optimal and its influence on the process of discrimination of
stimuli in sensory systems.
Some studies carried out on the olfactory system of insects by the Grupo de Neurocomputación
Biológica at UAM suggests that a heterogeneous distribution of neural thresholds among
the Kenyon cells in the mushroom body is one of the factors that regulates the excitability of
the neurons and enables the emergence of the sparse code used by this system to represent the
information and improve its ability to discriminate odorants.
Continuing with this approach, the goal that has been proposed in this TFM is the development
of a model of the olfactory system of the insect that allows to explore the influence of
the distribution of neural thresholds in its discrimination capacity, the emergence of sparse code
and its energy efficiency.
To achieve this goal, a new model of the locust olfactory system has been developed. The
model is based on neural networks and supervised learning and includes a learning algorithm
capable of adjusting the firing thresholds of KCs. In addition, the algorithm also has a regulation
term to control the level of activation of KCs.
To test the performance of the proposed model, three datasets with patterns of different
levels of complexity have been used. The main conclusion that has been obtained is that the
model learning algorithm is able to regulate the activity of KCs through the adjustment of their
neural thresholds and obtains better results when it converges to a state similar to the one
found in biology. In addition, it is also able to adjust the characteristics of the distribution of
thresholds in the KCs to adapt it to the complexity of the patterns that are being classified.
In order to achieve this, the algorithm sets different balances between the number of neurons
with a high threshold and specialist behavior and a low threshold with generalist behavior. This
is consistent with other studies conducted in the GNB on the influence of the balance between
specialist and generalist neurons in the performance for a pattern recognition task. Therefore,
the results obtained show that the neuronal threshold is of great importance when determining
the discrimination capacity of the system and controls the generation of sparse code for the
representation of information.
Files in this item
Google Scholar:López-Hayas Sacristán, Jessica
This item appears in the following Collection(s)
Except where otherwise noted, this item's license is described as https://creativecommons.org/licenses/by-nc-nd/4.0/
Related items
Showing items related by title, author, creator and subject.
-
Desarrollo de una plataforma para discriminación de odorantes mediante técnicas de modulación dinámica
Cruz Gutiérrez, Sergio de la
2016-07 -
Síntesis y estudio de las propiedades de nanocristales de CdSe sometidos a procesos electroquímicos
Conde López, Julio José
2014