Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-984
Main Title: Aspects of Noisy Neural Information Processing
Translated Title: Aspekte der verrauschten neuronalen Informationsverarbeitung
Author(s): Wenning, Gregor
Advisor(s): Obermayer, Klaus
Granting Institution: Technische Universität Berlin, Fakultät IV - Elektrotechnik und Informatik
Type: Doctoral Thesis
Language: English
Language Code: en
Abstract: Neuronale Informationsverarbeitung scheint zu einem wesentlichen Teil auf stochastischen Prozessen und deren nichtlinearen Transformationen zu beruhen. Im Rahmen dieser Arbeit werden verschiedene Aspekte der stochastischen neuronalen Informationsverarbeitung anhand von theoretischen Modellstudien untersucht. Von besonderem Interesse ist dabei das Phänomen der stochastischen Resonanz. Im Kontext der neuronalen Kodierung hat es folgende Ausprägung: Schwache Eingaben (Signale), welche alleine nicht intensiv genug sind, um ein Neuron zu einer Antwort zu treiben, können mit Hilfe von Membranpotentialfluktuationen (Rauschen) stochastisch verstärkt werden. Die wichtigste Quelle der Membranpotentialfluktuationen ist die Variabilität der neuronalen Eingaben. Es gibt eine optimale Rauschintensität. Die optimale Rauschintensität ist aber keine Konstante bezüglich der Signalintensität. Deswegen wird eine biologisch plausible Möglichkeit vorgestellt, wie einzelne Neurone feststellen können, was die optimale Rauschintensität ist, und wie sie ihre Eigenschaften adaptieren können, um diese einzustellen. Es ist davon auszugehen, dass in biologischen neuronalen Systemen die metabolischen Kosten wesentlich die Art der Kodierung bestimmen. Der Einfluss metabolischer Kosten auf optimale Signalverteilungen zur Informationsübertragung wird untersucht. Dazu muss insbesondere ein quantitativer Zusammenhang zwischen neuronaler Aktivität und metabolischen Kosten angenommen werden. Es stellt sich heraus, dass in diesem Szenario ein Grossteil der zu verwendenden Signale optimalerweise so schwach sein sollte, dass stochastische Resonanz auftritt. Metabolische Kosten und Zuverlässigkeit in der Signalübertragung können gegeneinander ausbalanciert werden. Kortikale Neurone führen Ihre Aufgaben innerhalb von Verbänden, Populationen, aus. Die optimalen Rauschintensitäten, welche für das einzelne Neuron gelten sind i. a. nicht identisch mit der optimalen Rauschintensität für eine Population von Neuronen. Es werden Resultate vorgestellt die demonstrieren, dass durch Adaptation, basierend auf der Information welche in einem einzelnen Neuron zur Verfügung steht, auch die Informationstransmission einer gesamten Population maximiert werden kann. Die Detektion von transienten Signalen wird untersucht. Auch hier tritt das Phänomen der stochastischen Resonanz auf. Mit zunehmender zeitlicher Korrelation in der verrauschten Hintergrundaktivität wird die Detektion immer robuster. Die Anzahl der Fehldetektionen nimmt ab. Höhere Momente in der Statistik der Eingaben haben aber auch weitere Effekte auf das neuronale Verhalten. Es werden die Konsequenzen von zeitlichen Korrelationen und Koinzidenzen in den Eingaben auf das neuronale Verhalten auf einer gemeinsamen Basis miteinander verglichen. Aus den Beobachtungen folgt, dass sich transiente Änderungen in der Anzahl der koinzidenten Eingaben gut zur Signalübertragung eignen. Transiente zeitliche Korrelationen jedoch erzielen kaum einen Effekt. Diese haben aber einen großen Einfluss auf die Detektion von Koinzidenzen. Abschließend werden analytische Ausdrücke zur Berechung der Response Stimulus Correlation in einem abstrakten Neuronenmodell vorgestellt. Diese beschreiben die Korrelation zwischen stochastischen Eingaben und der neuronalen Antwort, dies sind wichtige Aspekte stochastischen neuronalen Verhaltens. Die analytischen Ausdrücke erleichtern das Verständnis von dem Wechselspiel zwischen Neuroneneigenschaften, Eingabestatistik und neuronaler Antwort.
The apparent irregularity of neural activity is traditionally declared noise. Typically cortical neurons display a strongly fluctuating membrane potential which reflects the properties of the input and of the neuronal properties. In a statistical description the notion of noise can be quantified, e.g. as the variance of the inter-spike-intervals or of the membrane potential fluctuations. The declaration as noise implies that no relevant function is related to the apparent irregularity of neural activity, even worse, the word noise implies, that irregular activity should be considered as a nuisance. Nevertheless functional important, positive efects of noise in information processing have been suggested, among them the use of stochastic resonance in information transmission. Large parts of this thesis are devoted to the phenomenon of stochastic resonance. Stochastic resonance is likely to appear in information transmission whenever weak signals, noise and an inherently non-linear information transmission channel are involved. This is exactly the case in a neural coding context. Input signals, which are too weak to sufficiently increase the membrane potential, are lost. One way to amplify weak inputs, however, is to add noise with a proper variance to the signal. In this thesis a special emphasis will be put on adaptation of the optimal noise level to changing inputs. In real neural tissue neurons are organized in anatomical, physiological or computational assemblies, called populations. Optimal properties for neural information transmission do not only depend on the single neuron properties, but also on the properties of the population. Thus adaptation of the neural properties for optimal information transmission might not work with single neuron adaptation rules. Corresponding investigations are presented and discussed in this thesis. The detection of transient inputs might be considered as a basic neural computation. It is important for coincidence detection as well as for the detection of synchronous spiking events in neural systems. The presence and the properties of background noise influence the ability of a neuron to detect transient inputs. Noise enhances the detection of weak transient inputs, the phenomenon of stochastic resonance occurs. Experimental findings demonstrate, that colored noise, rather than white noise, provides the best model for the background input. The color of the noise has a significant influence on the ability of neurons to detect transient inputs, as will be demonstrated in this thesis. The response-stimulus correlation (RSC) is a function of the time-distance to a neuron's observed response spike. It expresses the correlation of response and stimulus, as well as the expected number of stimulus spikes which have led to a response. The RSC thus provides an important characterization of neural behavior in a stochastic setting.
URI: urn:nbn:de:kobv:83-opus-8845
http://depositonce.tu-berlin.de/handle/11303/1281
http://dx.doi.org/10.14279/depositonce-984
Exam Date: 11-Nov-2004
Issue Date: 29-Nov-2004
Date Available: 29-Nov-2004
DDC Class: 004 Datenverarbeitung; Informatik
Subject(s): Adaptation
Informationsverarbeitung
Neurone
Rauschen
Stochastische Resonanz
Adaptation
Information Processing
Neurons
Noise
Stochastic Resonance
Usage rights: Terms of German Copyright Law
Appears in Collections:Technische Universität Berlin » Fakultäten & Zentralinstitute » Fakultät 4 Elektrotechnik und Informatik » Publications

Files in This Item:
File Description SizeFormat 
Dokument_41.pdf2,55 MBAdobe PDFThumbnail
View/Open


Items in DepositOnce are protected by copyright, with all rights reserved, unless otherwise indicated.