Network response synchronization enhanced by synaptic plasticity

Lobov, Sergey; Simonov, Alexander; Kastalskiy, Innokentiy; Kazantsev, Victor B.

doi:10.1140/epjst/e2016-02614-y

Cited by 14 publications

(22 citation statements)

References 35 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…В наших недавних исследованиях показано, что под действием периодической внешней стимуляции импульсные или спайковые (от анг. spiking) нейронные сети демонстрируют эффект популяционной синхронизации, опосредованный долговременными структурно-функциональными перестройками [24,25]. Данные перестройки включают в себя STDP-зависимые модификации коннектома сети и отражаются на вызванной и спонтанной активности.…”

unclassified

“…Для визуализации коннектома модельной сети предложено использовать векторное поле синаптических связей, позволяющее оценить основные пространственные направления усиленных связей. В терминах векторного поля область стимуляции формирует исток поля синаптических связей, то есть вектора связей после воздействия направлены от стимулируемого участка [24]. Показано, что эффекты STDP-опосредованной сетевой синхронизации зависят от уровня нейронного шума, проявляя свойства стохастического резонанса.…”

unclassified

“…1.4). При этом начало стрелки устанавливалось в центре ячейки, направление совпадало с направлением вектора, а длина была пропорциональна (с коэффициентом визуализации) длине вектора.Ранее[24] отмечалось, что не все нейроны имеют одинаковые «роли» при генерации пачечных разрядов. После периода стабилизации весов (под действием STDP) в ходе спонтанной активности только малая часть нейронов способна инициализировать генерализированные ответы сети.…”

unclassified

See 2 more Smart Citations

Generalized Memory of STDP-Driven Spiking Neural Network

Lobov¹

2019

Math.Biol.Bioinf.

View full text Add to dashboard Cite

Аннотация. Представлена модель памяти, основанная на импульсной нейронной сети с STDP пластичностью. Запись информации в модели осуществляется с помощью внешней стимуляции участка нейронной сети. Процесс воспроизведения памяти представляет собой функциональный ответ в виде популяционных пачек импульсов, синхронизированных с наносимой стимуляцией. Показано, что STDP-опосредованные перестройки способны кодировать локализацию наносимой стимуляции, при этом фокус стимуляции формирует исток векторного поля синаптических связей. На основе характеристик данного поля предложена мера обобщенной сетевой памяти.В условиях повторных стимуляций может наблюдаться эффект ускорения формирования функционального ответа сети. При этом полученная усредненная кривая обучения и зависимость обобщенной памяти от номера стимуляции характеризуются степенной зависимостью. Показано, что максимальное время достижения функционального ответа определяется обобщенной памятью, оставшейся в результате предыдущих стимуляций. Таким образом ниспадающие кривые обучения обусловлены наличием неполного забывания предыдущих воздействий.Исследована надежность обобщенной сетевой памяти, выражающаяся во времени хранения следов памяти после прекращения внешней стимуляции. Показано, что надежность памяти зависит от уровня нейронного шума, причем данная зависимость также носит степенной характер. Обнаружено, что ключевую роль в поддержании обобщенной сетевой памяти играют хабы -нейроны, способные инициировать генерацию популяционных пачек импульсов при отсутствии шума. Включение нейронного шума приводит к возникновению случайных пачек, инициированных нейронами, не являющимися хабами. Данная шумовая активность разрушает следы памяти и приводит к снижению ее надежности.Ключевые слова: популяционные пачки импульсов, сетевая синхронизация, синаптическая пластичность, структурно-функциональные перестройки, кривые обучения, нейрон-хаб, векторное поле весов связей, надежность памяти, нейронный шум.

show abstract

unclassified

See 1 more Smart Citation

Generalized Memory of STDP-Driven Spiking Neural Network

Lobov¹

2019

Math.Biol.Bioinf.

View full text Add to dashboard Cite

show abstract

“…The articles can be grouped into four categories, namely 1. Synchronization and control in time delayed and other networks [23][24][25][26][27][28][29] [36][37][38][39][40][41].…”

mentioning

confidence: 99%

“…It has been observed that the strength of environmental coupling with the central neuron plays an important role in inducing synchronization and de-synchronization between the outer neurons. The effect of network-level synchronization with Izhikevich neuron under external periodic signals is reported in [25]. Phase lag synchronization with Izhikevich neuron is also investigated in [26].…”

mentioning

confidence: 99%

Synchronization and control in time-delayed complex networks and spatio-temporal patterns

Banerjee

Kurths

Schöll

2016

Eur. Phys. J. Spec. Top.

View full text Add to dashboard Cite

Abstract. This special topics issue is a collection of contributions on the recent developments of control and synchronization in time delayed systems and space time chaos. The various articles report interesting results on time delayed complex networks; fractional order delayed models; dynamics of spatio-temporal patterns; stochastic models etc. Experimental analysis on synchronization, dynamics and control of chaos are also well investigated using Field Programmable Gate Array (FPGA), circuit realizations and chemical reactions.Complexity and networks, originated in different contexts have been received much attention as interdisciplinary subjects. Of late, they are found to be jointly associated to characterize the so-called complex networked model in different areas that range from natural phenomena on technological aspects to socio-economic systems. It has been reported well that complex networks (CN) widely exist in the real world, including food webs, communication networks, social networks, power grids, cellular and metabolic networks, world wide web, disease transmission networks,neural networks, electrical power grids, scientific citation web, living organisms, etc. [1,2].Complex networks are involved in a number of different fields that include physics, chemistry, computer science, sociology, economics, finance, biology, epidemiology, etc. However in all of these CN's a very common feature is the presence of a large number of objects (e.g. individuals, computers, cells, molecules, etc.), which interact in a way that quantifies strong irregularities. A network can be essentially represented by a graph, an abstract mathematical structure consists of a set of generically called nodes (vertices) connected by links (edges) representing some binary relationship. In case of World Wide Web, the websites are the nodes and the hyperlinks between a

show abstract

Effects of spike-time-dependent plasticity on stochastic resonance in excitatory-inhibitory neuronal networks

Wang,

Yu,

et al. 2024

Nonlinear Dyn

View full text Add to dashboard Cite

Network response synchronization enhanced by synaptic plasticity

Cited by 14 publications

References 35 publications

Generalized Memory of STDP-Driven Spiking Neural Network

Generalized Memory of STDP-Driven Spiking Neural Network

Synchronization and control in time-delayed complex networks and spatio-temporal patterns

Effects of spike-time-dependent plasticity on stochastic resonance in excitatory-inhibitory neuronal networks

Contact Info

Product

Resources

About