Correlations and coding in visual cortex
| dc.contributor.advisor | Obermayer, Klaus | |
| dc.contributor.author | Meyer, Robert | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Schimansky-Geier, Lutz | |
| dc.contributor.referee | Lindner, Benjamin | |
| dc.date.accepted | 2016-07-19 | |
| dc.date.accessioned | 2016-08-30T09:49:56Z | |
| dc.date.available | 2016-08-30T09:49:56Z | |
| dc.date.issued | 2016 | |
| dc.description.abstract | Understanding the neural code, that is deciphering how joint neural responses represent external stimuli, is one of the cardinal problems in Neuroscience. Since neurons are inherently noisy, the neural code is probabilistic. One key question regarding the probability distributions of neural responses is whether neural activity is correlated. Researchers observed so called noise correlations, shared variability among ensembles of neurons for repeated presentation of the same stimulus, in the visual cortex and other sensory areas. To this day the cause of these correlations remains unclear. Many hypotheses have been formulated about the origin of shared variability. In this thesis we investigate a particular hypothesis in depth. We study analytically and numerically the role of recurrent connectivity as a cause of noise correlations. First, we introduce a novel Python library designed to support and manage numerical simulations such as spiking neuron networks. This library, called pypet, facilitates reproducible research by allowing the scientist to disentangle her core simulation from administrative tasks like scheduling or serialization of data. Besides being well tested and documented, the library provides a rich set of features including native multiprocessing and easy parameter exploration. Next, we investigate analytically the relation between recurrent connectivity and correlations. We focus on a particular network topology called Mexican hat with shorter excitatory than inhibitory connections. Using a recent mean-field approach, we show that Mexican hat connectivity can amplify certain spatial frequencies. Moreover, we augment the model by introducing adaptation and demonstrate that the previous findings are still valid. However, because no analytical expression of the network state can be given, we reduce the model and compare it to an older approach with sinusoidal coupling. The resulting network state is a heterogeneous bump activity profile with an arbitrary phase. If noise or adaptation are incorporated, the bump starts moving along the spatial dimension of the mean-field model. Accordingly, the movement and phase changes across trials yield co-activation and co-inactivation of neighboring neurons which we hypothesize to cause noise correlations in spiking networks. Thereafter, we test this hypothesis in a numerical experiment by simulating large networks of spiking neurons. For homogeneous input and Mexican hat connectivity, we observe the emergence of multiple moving bumps which, in turn, yield noise correlations. With an increasing distance between pairs of cells, the noise correlations are modulated sinusoidally and the amplitude decays exponentially. This holds for wide ranges of parameter settings as well as one- and two-dimensional network models. Moreover, noise correlations persist for heterogeneous stimuli, but the spatial modulation changes. Lastly, we test how the shared variability affects stimulus encoding. In general, the measured correlations decrease the stimulus encoding quality in terms of reduced Fisher information. However, if only a subset of neurons is taken into account to decode the stimulus from the spiking responses, Mexican hat networks achieve better performance than other topologies that do not produce noise correlations. | en |
| dc.description.abstract | Ein fundamentale Problemstellung der Neurowissenschaft stellt das Entschlüsseln neuronaler Aktivität, also das Verständnis wie Neuronen gemeinsam externe Stimuli repräsentieren, dar. Neuronale Aktivität ist inhärent verrauscht, deshalb sind die Repräsentationen zwangsläufig probabilistisch. Ein wichtige Frage bezüglich der Wahrscheinlichkeitsverteilungen neuronaler Aktivität ist, ob und inwieweit diese Aktivität korreliert ist. Wissenschaftler konnten so genannte Noise-Korrelationen, korrelierte Aktivität bei wiederholter Präsentation des selben Stimulus, im visuellen Kortex und anderen sensorisches Arealen nachweisen. Bis heute ist der Ursprung dieser Korrelationen unklar. In dieser Arbeit untersuchen wir eine bestimmte Hypothese zu den Gründen der Noise-Korrelationen. Wir werden uns sowohl analytisch als auch numerisch mit der Rekurrenz als Ursache der Korrelationen auseinandersetzen. Zunächst stellen wir eine neue Software Bibliothek vor. Das Python Programm, genannt pypet, unterstützt und verwaltet numerische Simulationen wie beispielsweise Netzwerke aus Spiking Neuronen. Die Software erleichtert reproduzierbare Ergebnisse indem sie Wissenschaftlern die Möglichkeit gibt den Kernteil ihrer Simulationen von administrativen Aufgaben zu trennen. pypet ist vollständig dokumentiert und umfassend getestet. Darüber hinaus bietet das Programm viele Funktionen wie beispielsweise automatische Parallelisierung und bequeme Parameter Explorationen. Als nächstes befassen wir uns mit der Beziehung zwischen rekurrenten Netzwerken und Noise-Korrelationen. Wir konzentrieren uns auf eine bestimmte Topologie, genannt Mexican Hat, die aus länger reichweitigen inhibitorischen und kürzeren exzitatorischen Verbindungen besteht. Wir zeigen mit Hilfe eines Mean-Field Modells, dass Mexican Hat Verbindungen räumliche Frequenzen verstärken können. Außerdem erweitern wir das Model und berücksichtigen Adaptation. In diesem Fall gelten die Analysen weiterhin. Allerdings kann das Mean-Field Modell keine analytische Beschreibung der Netzwerkaktivität geben. Daher reduzieren wir das Modell und vergleichen es mit einer älteren Methodik, die auf sinusförmigen Verbindungen basiert. Der resultierende Netzwerkzustand ist eine inhomogene Antwort in Form einer Erhebung oder Beule, hiernach Bump genannt, mit einer beliebigen Phase. Unter Rauschen oder Adaptation bewegt sich der Bump in der räumlichen Ausdehnung des Netzwerks. Diese Bewegung und die Änderungen der Phase über verschiedene Trials führt zu gemeinsamer Aktivierung und Inaktivierung benachbarter Neuronen. Deshalb vermuten wir, dass die Bump Bewegung und Phasenänderungen in Netzwerken von Spiking Neuronen zu Noise-Korrelationen führen. Anschließend testen wir diese Hypothese mit Hilfe von Simulationen großer Netzwerke mit Spiking Neuronen. Unter homogenen Netzwerkinput in Kombination mit Mexican Hat Verbindungen bilden sich multiple Bumps hervor, die sich bewegen. Die resultierenden Noise-Korrelationen weisen eine sinusförmige Modulation mit der Distanz zwischen Zellpaaren auf. Zusätzlich nimmt die Amplitude mit der Distanz ab. Noise-Korrelationen können auch für inhomogene Stimuli gemessen werden. Jedoch ändert sich die räumliche Modulation. Schlussendlich testen wir welchen Effekt die Korrelationen auf das Enkodieren von Stimuli haben. Im Allgemeinen wirken sich Korrelationen nachteilig auf die Kodierungsqualität aus und reduzieren die Fisher Information. Wird jedoch die Stichprobengröße der Zellen, die zum Dekodieren des Stimulus herangezogen werden, reduziert, eignen sich Mexican Hat Netzwerke besser als andere Topologien, die keine Noise-Korrelationen aufweisen. | de |
| dc.description.sponsorship | DFG, GRK 1589/1, Verarbeitung sensorischer Informationen in neuronalen Systemen | en |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/5858 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-5457 | |
| dc.language.iso | en | en |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | en |
| dc.subject.ddc | 500 Naturwissenschaften und Mathematik | de |
| dc.subject.other | noise correlations | en |
| dc.subject.other | visual cortex | en |
| dc.subject.other | information processing | en |
| dc.subject.other | recurrent connectivity | en |
| dc.subject.other | spiking neurons | en |
| dc.subject.other | Noise-Korrelationen | de |
| dc.subject.other | visueller Kortex | de |
| dc.subject.other | Informationsverarbeitung | de |
| dc.subject.other | rekurrente Verbindungen | de |
| dc.subject.other | Spiking-Neuronen | de |
| dc.title | Correlations and coding in visual cortex | en |
| dc.title.translated | Korrelationen und Kodierung im visuellen Kortex | de |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | free | en |
| tub.affiliation | Fak. 4 Elektrotechnik und Informatik::Inst. Softwaretechnik und Theoretische Informatik | de |
| tub.affiliation.faculty | Fak. 4 Elektrotechnik und Informatik | de |
| tub.affiliation.institute | Inst. Softwaretechnik und Theoretische Informatik | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |