Le neurone Les neurones communiquent par impulsions électriques (potentiels d’action). Pourquoi des modèles impulsionnels ? -impulsions -> dépolarisent.

Slides:



Advertisements
Présentations similaires
Cours 5-a Problèmes scalaires instationnaires d’ordre 1 en temps
Advertisements

Traitement de signal.
GESTION DE PORTEFEUILLE 3 Catherine Bruneau
GESTION DE PORTEFEUILLE 3bis Catherine Bruneau RISQUE & PROBABILITE.
Leçon 3: Analyse Temporelle Des Systèmes
MODULE - METHODES POTENTIELLES Contenu du cours (par J.B. Edel & P. Sailhac) : I. Propriétés physiques des roches : densités, aimantations induites et.

Notions de variable aléatoire et de probabilité d’un événement
Notion d'asservissement
Stabilité des systèmes linéaires continus
Stabilité des systèmes linéaires continus
Master IXXI, cours interdisciplinaire de systèmes dynamiques Emmanuel Risler, INSA de Lyon 1 - Equations différentielles sur la droite.
Master IXXI, cours interdisciplinaire de systèmes dynamiques Emmanuel Risler, INSA de Lyon 3 - Systèmes différentiels dans le plan, suite.
Master IXXI, cours interdisciplinaire de systèmes dynamiques Emmanuel Risler, INSA de Lyon 4 - systèmes différentiels dans l’espace, dynamiques complexes.
Modèles Impulsionnels de Réseaux de Neurones Biologiques
Programmes du cycle terminal
Mathématiques des Modèles Impulsionnels de Neurones Romain Brette INSERM U483.
Machines tournantes et variation de vitesse
Les système linéaires Stéphane Paris.
Modélisation en biologie
Modèles Impulsionnels de Réseaux de Neurones Biologiques
Commande impulsionnelle d'un système mécanique
La méthode d’Euler Objectif : résoudre une équation différentielle de façon numérique Applications en physique (en Terminale S): Résoudre une équation.
L’objectif est de passer
Chapitre 2 : La fonction de transfert
Le temps dans le calcul neuronal
Réponse harmonique des systèmes linéaires asservis
Dynamique des Systèmes Asservis
Signaux aléatoires.
Fonction exponentielle: enchaînement de théorèmes
Systèmes Différentiels
Duffing Système mécanique dont le comportement est modélisé par une telle équation ? Résoudre avec CI: d'abord x(0)=0 et dx(0)/dt=0 et ensuite x(0)=0.1.
Modèle mathématique d’un vélo
Transformée de Laplace
Équations différentielles Partie 1
Michael Esfeld Université de Lausanne
Réseaux de neurones et probabilités
Modélisation de la formation de bancs de poissons
Equipe Odyssée Commune à l'ENPC, l'ENS/DI, l'INRIA (Sophia-Antipolis) Créée en Mars 2002, évaluée en Mars Trois Pôles de recherche Vision algorithmique.
Analyse des systèmes linéaires types
CHAPITRE 2 LES SITUATIONS FONCTIONNELLES
04/09/2002école d'été du GRGS1 LES EQUATIONS VARIATIONNELLLES Jean-Charles MARTY CNES/GRGS.
Physique 3 Vibrations linéaires et ondes mécaniques
Processus stochastiques
Méthodes de Biostatistique
Etude des critères de performance : Pour une consigne d’entrée
Physique 3 Vibrations et ondes mécaniques
Chapitre 3-B : AUTOMATIQUE : LES S.L.C.I.
Leçon 3: Analyse Temporelle Des Systèmes
Leçon 1: Les Systèmes Linéaires Continus Et Invariants
Modèles d’évolution de population
DU TRAITEMENT DU SIGNAL
Nancy Paris 1912 La naissance du chaos: Jules Henri Poincaré.
D’ UN CIRCUIT RLC DEGRADE
GTS501 cours #8 Propagation du signal. Seuil d’excitation. Codage. Période réfractaire. Vitesse de propagation. Synapse. Intégration. Neurotransmetteurs.
Probabilités et Statistiques
Guy Gauthier, ing., Ph.D. 6 janvier 2015
Modèles d’évolution de population
Deuxième séance de regroupement PHR004
SYSTEMES NON LINEAIRES
Théorie de Files d’Attente
Probabilités et Statistiques
DU TRAITEMENT DU SIGNAL
Rappels sur les fonctions et les suites aléatoires
CHAPITRE 2 LES SITUATIONS FONCTIONNELLES
Equilibre Ecologico Economique Pêche et sur pêche.
ANALYSE HARMONIQUE.
ÉQUATION DIFFÉRENTIELLE
LES POSTULATS DE LA MÉCANIQUE QUANTIQUE
MECANIQUE DES MILLIEUX CONTINUS ET THERMODYDAMIQUE SIMULATIONS.
Transcription de la présentation:

Les systèmes dynamiques discrets : un outil pour l’étude des modèles impulsionnels de neurones

Le neurone Les neurones communiquent par impulsions électriques (potentiels d’action). Pourquoi des modèles impulsionnels ? -impulsions -> dépolarisent le potentiel -> trace bruitée -seuil -transforme trains d’impulsions en train d’impulsion

Modèles impulsionnels Variable continue → impulsions (encodeur) Impulsions → impulsions

Une formulation typique 1) Une équation différentielle: 2) Un mécanisme de réinitialisation: impulsion quand V > seuil -équa diff = là où est intégrée l’entrée -réinitialisation = produit les impulsions -souvent appelé Intègre-et-Tire (mais ambigu)

Exemples Modèle à conductances synaptiques: Modèle de Lapicque (1907): « Intègre-et-Tire » Modèle à conductances synaptiques: -décrit propriétés électriques passives de la membrane en réponse à un courant injecté

Questions mathématiques Questions de système dynamique: la fréquence de décharge dépend-elle de la condition initiale ? (bistabilité?) si le neurone est stimulé périodiquement, les impulsions émises sont-elles (asymptotiquement) périodiques? Y a-t-il du chaos? Comment étudier mathématiquement un système impulsionnel?

L’application impulsionnelle : temps d’une impulsion  temps de l’impulsion suivante Defined rigourously with the implicit function theorem Dynamique en temps continu du modèle impulsionnel = dynamique en temps discret de l’application impulsionnelle

La fréquence de décharge La fréquence de décharge se définit ainsi: nombre d’impulsions temps de l’impulsion n On peut montrer: F(t) est indépendante de t si φ est croissante φ est croissante sur son image si le modèle est « à fuite »: => pas de bistabilité -beaucoup d’autres variantes -> complique l’étude

Dérivée de l’application impulsionnelle Théorème des fonctions implicites: Exemple: modèle de Lapicque

Stimulations périodiques avec f(V,t+T)=f(V,t) Alors φ(t+T)= φ(t)+T

Homéomorphismes du cercle φ(t+T)= φ(t)+T + φ strictement croissante (sur son image) φ = relèvement d’un homéomorphisme du cercle (si continue) ou relèvement d’une application du cercle conservant l’orientation (sinon) Poincaré, Denjoy: Nombre de rotation = inverse de la fréquence de décharge (pour T=1) rationnel: orbite périodique stable irrationnel: orbite dense dans le cercle ou dans un Cantor

Accrochage de phase Nombre de rotation rationnel: « accrochage de phase » Exemple:

Application impulsionnelle continue vs. discontinue accrochage de phase p.p. accrochage de phase = motifs périodiques orbite dense φ C1 => orbite dense avec proba>0 (Herman) φ discontinue => accrochage de phase p.s. (Veerman)

Modèles bidimensionnels Exemple: le modèle d’Izhikevich Motifs d’impulsions pour différentes valeurs de paramètres

Modèles bidimensionnels Comment étudier la dynamique des modèles bidimensionnels? Juste après une impulsion, la dynamique future du système est déterminée par la valeur de u (car v=c). on pose  : valeur de u au moment d’une impulsion  valeur de u au moment de la suivante

Modèles bidimensionnels (n(u0)) converge vers un point fixe: « regular spiking »

Modèles bidimensionnels (n(u0)) converge vers une orbite périodique: bursts

Quelques idées pour finir 1. Dynamique d’une population de neurones: φ: Rn  Rn état des n neurones  état à l’instant de la prochaine impulsion 2. Dynamique d’un neurone stochastique: (ex.) v’=-v et v  v+a à des instants régis par un processus de Poisson φ: v  v à l’instant de la prochaine impulsion (présynaptique) φ = application aléatoire