| dc.description.abstract | Teoretisk analyse og modellering av nevroner er verktøy brukt til å gi en bedre forståelse av nervesystemet — en forståelse som forhåpentligvis forkorter veien til å finne behandlingsmetoder og kurer, samt måter å forhindre problemer relatert til sykdommer i nervesystemet.
Ved å studere hoderetningsceller ønsker denne studien å gi forståelse, samt beskrive hvordan nerveceller fungerer og kommuniserer. Hoderetningsceller er celler som bistår med romlig orientering. Disse er valgt grunnet tilgjengelighet av ekte data samlet fra frittgående mus. På et utvalg av hoderetningscellene ble bestemte kriterier benyttet for å velge ut data for videre bearbeidelse. Det ble gjort forsøk på å identifisere en generell modell som kan beskrive utladningene av hoderetningscellene. I tillegg ble det samme datasettet testet for å se om det er mulig å klassifisere hoderetningen. Det siste problemet ble undersøkt ved hjelp av en maskinlæringstilnærming med 'long short-term memory' nettverk, ofte brukt til klassifisering av sekvenser.
Izhikevich nevronmodell ble valgt som utgangspunkt for videre undersøkelser ettersom den er biologisk plausibel og kan beregnes enkelt. I tillegg kreves det få tilpasninger av både modell og datasett før videre analyse. Det var mulig å modellere deler av nevronresponsen, men det var ikke mulig å lage en generell modell som gir en komplett beskrivelse av hoderetningscellene.
Klassifisering av fyringssekvensene til hoderetningene ved å bruke 'long short-term memory' nettverk på datasettet gir noen lovende resultater. Responsen fra en hoderetningscelle inneholder alene ikke nok informasjon til å benytte metoden beskrevet i denne oppgaven, men ved å kombinere responsen fra flere hoderetningsceller kan man bestemme hoderetningen med noe avvik, circa 10 grader +/- 30 grader. | |
| dc.description.abstract | Theoretical analysis and computational modeling of neurons are tools used to get a better understanding of the nervous system — an understanding which hopefully shortens the path to finding treatments, cures, and ways to prevent problems related to nervous disorders.
This study aims to understand and explain how neural cells function and communicate by studying head direction (HD) cells. These cells are cells that assist with spatial orientation and are selected due to the availability of real data sets, collected from freely moving mice. From a selection of HD cells, specific criteria were placed on the data set, extracting parts for further inspection. A search for a common model capable of describing the response of an HD cell was conducted, using patterns describing the discharge of said HD cell. In addition to trying to find a model using already existing spiking neuron models, it was tested to see if it is possible to classify the angle of the head by looking at the same response recordings as for the model. The last task was explored using a machine learning approach with long short-term memory networks, commonly used for classifying sequences.
The Izhikevich spiking neuron model was chosen as the model of investigation because of the combination of being biologically plausible as well as computationally simple. Additionally, this model requires little to no alterations to the model or data set prior to the analysis. It was possible to approximate the model to parts of the neural responses using the model, but a general model describing the complete response of an HD cell was not found.
When using long short-term memory networks to classify spiking sequences to the direction of the head according to the data set, some results show promise.The response from a single HD cell alone does not contain enough information to use the method described in this report, while the neural net can distinguish between some directions when combining the response from several HD cells; about 10 degrees +/- 30 degrees. | |
