Upload
galeno
View
59
Download
0
Embed Size (px)
DESCRIPTION
SİNİRBİLİME MERAKLI MÜHENDİSLER. SELİN METİN & NESLİHAN S. ŞENGÖR. Bugüne kadar ne yaptık ve bundan sonra ne yapmayı düşünüyoruz?. AMACIMIZ. Davranışlarımızın ardındaki oluşumları ve mekanizmaları sinirbilimdeki açıklamalar çerçevesinde incelemek, anlamak. - PowerPoint PPT Presentation
Citation preview
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
SİNİRBİLİME MERAKLI MÜHENDİSLER
SELİN METİN & NESLİHAN S. ŞENGÖR
Bugüne kadar ne yaptık ve
bundan sonra ne yapmayı düşünüyoruz?
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
2
Davranışlarımızın ardındaki oluşumları ve mekanizmaları sinirbilimdeki açıklamalar çerçevesinde incelemek, anlamak.
Davranışlara ilişkin farklı hipotezleri sınamak için farklı seviyelerdeki süreçlere ilişkin modeller elde etmek.
AMACIMIZ
Modeller aracılığı ile süreçlere ilişkin test ortamı oluşturmak, yapay zeka uygulamalarına yönelik yeni yaklaşımlar önermek.
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
3
BUGÜNE KADAR NELER YAPTIK?
Araç: Yapay Sinir Ağları
Yaklaşım: Deneklerin nöropsikolojik testler süresince davranışlarını modellemek
Wisconsin Kart Sıralama Testi Stroop Testi
MAVİMAVİ YEŞİLYEŞİL KIRMIZI KIRMIZI SARISARI
YEŞİLYEŞİL MAVİMAVİ SARISARI KIRMIZIKIRMIZI
SARISARI KIRMIZIKIRMIZI YEŞİLYEŞİL MAVİMAVİ
KIRMIZIKIRMIZI YEŞİLYEŞİL MAVİMAVİ SARISARI
MAVİMAVİ SARISARI KIRMIZIKIRMIZI YEŞİLYEŞİL
YEŞİLYEŞİL MAVİMAVİ SARISARI KIRMIZIKIRMIZI
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
Wisconsin Kart Sıralama Testi
• soyutlama,
• hipotez sınama,
• zihinsel esneklik.
Referans kartlar
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
WCST-Testin Değerlendirilmesi
• Doğru yanıtlar
• Tamamlanan kategoriler
• Perseveratif (ısrarcı) yanıtlar
• Kurulumu sürdürmede başarısızlık (FMS)
WCST- önerilen model
• Kuralın belirlenmesiSınıflama kuralını belirlemekUygulayıcının yanıtı “doğru” ise kuralı tutmak, “yanlış” ise kuralı değiştirmek
• Kart Seçimi Sınıflama kuralına uygun referans kartı belirlemek
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
Referans Kartlar
Kart belirleme
Çalışma belleği
Bir önceki kuralı tutmak veya yeni kuralı belirlemek için uygulayıcının yanıtını tutmak
Hipotez üreteci
Uygulayıcının yanıtı”yanlış” ise alternatif kural üretme ve çalışma belleğine sunma
Rule Specifier
Hypothesis Generator
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
8
Benzetim SonuçlarıKoşul Ham.
uzakHop.eşik
#Doğrucevap
#Kategori % Pers.hata
FMS Yorum
1 3 T 64.6 3.5 6.0 0 9.9 2.8 0 0 Esnek
4 3-2 T 64 1.8 6.0 0 9.5 2.1 0 0 Esnek
7 2 T 67.6 3.7 6.0 0 14.2 4.6 0 0 Az Esnek
10 2-1 T 70.7 5.5 6.0 0 17.9 3.7 0 0 Az Esnek
2 3 T1 73.7 6.1 1.1 0.5 19.7 2.9 3.2 1.6 Zihni dağınık
5 3-2 T1 75.9 6.1 1.6 1.0 17.7 3.4 2.7 1.3 Zihni dağınık
8 2 T1 66.3 9.1 0.4 0.5 24.6 4.9 2.6 2.1 Katı/Dağ.
11 2-1 T1 73.2 6.3 1.3 0.5 21.2 5.0 2.4 1.2
3 3 T2 66.2 8.4 0.3 0.5 26.5 6.4 2.4 1.8 Katı/Dağ.
6 3-2 T2 72.6 7.9 0.8 0.8 25.9 6.2 3.1 1.7 Katı/Dağ.
9 2 T2 66.7 9.9 0.5 0.7 27.9 8.6 2.0 1.5 Katı/Dağ.
12 2-1 T2 59.8 6.3 0.1 0.3 29.1 6.9 2.0 0.9 Katı/Dağ.
14 1 T1 58.8 6.9 1.1 0.4 32.4 6.2 1.1 0.6 Katı
17 0 T1 31.5 4.7 0 0 38.6 4.8 0 0 Katı
15 1 T2 61.9 8.3 0 0 27.7 6.8 2.4 1.2 Katı
18 0 T2 30.4 4.1 0 0 39.4 3.5 0 0 Katı
13 1 T 39.4 0.5 1.0 0 67.8 0.5 0 0 Çok Katı
16 0 T 32.8 2.5 0.1 0.3 73.0 1.5 0 0 Çok Katı
Katı/Dağ.
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
9
MAVİMAVİ YEŞİLYEŞİL KIRMIZI KIRMIZI SARISARI
YEŞİLYEŞİL MAVİMAVİ SARISARI KIRMIZIKIRMIZI
SARISARI KIRMIZIKIRMIZI YEŞİLYEŞİL MAVİMAVİ
KIRMIZIKIRMIZI YEŞİLYEŞİL MAVİMAVİ SARISARI
MAVİMAVİ SARISARI KIRMIZIKIRMIZI YEŞİLYEŞİL
YEŞİLYEŞİL MAVİMAVİ SARISARI KIRMIZIKIRMIZI
Stroop Testi
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
Stroop Testi• Seçici Dikkat özgün ödev için otomatik olan davranışı bastırmak
• Ölçütler
testin süresi hata sayısı, düzeltme sayısı
Stroop testi için önerilen model
Duyusal ve motor devreler:Duyusal ve motor devreler: Hopfield ağları
Basal Çekirdekler:Basal Çekirdekler: Maxnet ,
OF tarafından modüle edilen otomatik işlem
Hata Sezici :Hata Sezici : Perceptron yapıları,
ödev ile yanıtın uyuşmadığı durumlarda OF’yi uyaracak hata işaretini üretmek için
Seçici dikkat:Seçici dikkat: Kazanan hepsini alır,
Özgün bilgi geldiğinde OF’yi uyarmak için
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
Benzetim Sonuçları
Baz Ol. Süre (sec)
# Hata # Düz. Yorum
0.4 0.1 28.4 ± 3.2 0.4 ± 0.6
0.08 ± 0.3
0.4 0.9 28.9 ± 2.4 0.3 ± 0.5
0.08 ± 0.3
0.3 0.1 31.7 ± 1.8 2 ± 0.7
0.08 ± 0.3
0.3 0.9 33.6 ± 4 2.8 ± 1.5
0.9 ± 0.9
0.2 0.1 36.6 ± 2.2 5.6 ± 1.9
0.3 ± 0.5
0.2 0.9 39.7 ± 2 5 ± 1.3
1.75 ± 1.2
0.1 0.1 39.5 ± 2.5 9.6 ± 2.3
0.4 ± 0.6
0.1 0.9 47 ± 2.8 9.2 ± 2.7
3.3 ± 1.7
0.05 0.1 40.4 ± 2.8 11.3 ± 2.2
0.3 ± 0.7
0.05 0.9 48.3 ± 2.5 11.4 ± 1.8
3 ± 1.5
bastırmabastırma
süresüre
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
BU YAPTIKLARIMIZI DEĞERLENDİRDİK ve .....
Araç: Doğrusal olmayan dinamik sistemlere ilişkin matematik
Yaklaşım: Süreçleri modellemek
Davranış seçme işlevinde dopaminin etkisine ilişkin dinamik bir model önerisi
Korteks
StriatumD1 D2
SNc
GPi/SNr GPe
STN
TalamusBazal
Çekirdekler
arttırıcıazaltıcı
Korteks-Bazal Çekirdekler-Talamus Döngüsü
korteks
Talamus
GPi/SNr
STRSTN
BazalÇekirdekler
arttırıcıazaltıcı
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
Biraz da Matematik
)tanh(ˆ)(, ))(()1( uuftufwtu
wu
f(u)
Geri beslemeli sinir hücresi
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
Biraz daha matematik
dallanma diyagramları
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
15
• Tek bir sinir hücresinin çalışması...
MATEMATİKSEL MODELLEMEHangi seviyede ve nasıl?
• Bir sinir sistemi alt yapısının çalışması....
• Bir bilişsel süreç için birden fazla alt yapının çalışması....
• Bilişsel süreçleri modellemede yararlanılan modelleme yaklaşımları:
Kural tabanlı yapılar
Yapay sinir ağları
Makina öğrenmesi
Doğrusal olmayan dinamik sistemler
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
16
• Doğadaki süreçler doğrusal değil…
• Dinamik sistem temelleri
• Bir dinamik sistemin zaman içindeki değişimi
• Denge Noktası (Sabit Nokta)
DOĞRUSAL OLMAYAN DİNAMİK SİSTEMLER
DAHA FAZLA MATEMATİK
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
17
DALLANMALAR (BIFURCATIONS)
Parametrelere bağlı bir dinamik sistem düşünelim:
),( xfx x Є Rn ve α Є Rm
durum değişkeni parametreTürev, zamanla değişimi gösterir
Tanım: Bir dinamik sisteme ait bir (veya daha fazla) parametrenin değişimine bağlı olarak bu sistemin denge noktalarında (çözüm noktalarında) veya bunların kararlılık niteliklerinde gözlenen değişimlerdir.
Parametreler değiştikçe …
• Değişmiş sistem, orijinal sisteme eşdeğer kalır
• Sistem de [f(x)=0 denkleminin çözümü] değişir.
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
18
Dallanmalar bizim için neden önemli?
Nöral Dinamik Sistemlerde Dallanmaları Neden İnceliyoruz?
Dinamik sistemlerde dallanmaları nasıl inceliyoruz?
Peki her denge/sabit noktası, dallanma oluşturmak için uygun mudur?
j j j
w w w
Kararlı Kararsız ama yapısal kararlı
İmajiner eksendeki denge noktalarını çok az oynatmak bile kararlı/kararsız olmalarına yol açıyor.
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
19
Dallanmaları aramaya nereden başlamalı?Tanımımıza göre, dallanma sonucu denge noktalarının sayısı veya kararlılık niteliği değişebiliyordu. O halde dallanmaları incelemeye başlamak için doğrusal olmayan sistemin denge noktası civarındaki yaklaşık davranışını inceleriz.
)(xfx dinamik sisteminin sabit noktası civarındaki yaklaşık davranışını incelemek için bu sistem sabit noktasında doğrusallaştırılır.
Doğrusallaştırma, en genel haliyle bir fonksiyona bir noktadaki teğeti, yani türevi ile yaklaşmaktır.
Bu noktadaki fonksiyon eğrisi yerine fonksiyonun türevi (teğeti) ile yaklaşım yapıyoruz.
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
20
Eyer Noktası (Saddle-Node) Dallanması• Bir dinamik sisteme ait sabit noktaların sayısının değiştirildiği en temel dallanma mekanizması
Eyer dallanması için prototip olabilecek birinci dereceden bir sistem ile gösterilebilir. r parametresinin değeri -∞, 0, ∞ arasında değişirken fonksiyon eğrisi de orijine göre yukarı kaymaya başlar. Böylece başlangıçta iki tane olan denge noktalarının sayısı da önce bire, sonra sıfıra düşer.
2xrx
Eyer noktası dallanmasında varolan iki denge noktası bir parametre değiştikçe giderek birbirlerine yaklaşırlar ve en sonunda çarpışırlar. Çarpışmadan sonra da parametreyi değiştirmeye devam edersek artık bu sistemin denge noktası olmayacaktır.
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
21
Eyer noktası dallanmasını r’nin ayrık değerlerine göre değişen vektör alanları olarak gösterebiliriz.
r > 0
r = 0
r < 0
x
Soldaki şekil, farklı r değerleri için sabit noktalar ile bunların kararlılıklarını göstermektedir. Noktaları birleştirdiğimizde elde ettiğimiz eğri ise r = -x2 fonksiyonunun grafiğidir.
r > 0
r = 0
r < 0
x
r’yi değişken alarak grafiği çizdiğimizde yandaki dallanma diyagramını elde ederiz.
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
Şimdi de davranış ile ilgilenelim...
))(()()1(1 kxFkxkx Korteks(p)
Talamus(m)
GPi/SNr(d)
C-BG-TH-C çevrimi
STR(r)
STN(n)
BASAL GANGLIA
AZALTICI BAĞLANTILAR
ARTTIRICI BAĞLANTILAR
Bir hücrenin aktivasyon fonksiyonu ve doyma bölgeleri
dd
nn
rr
mm
pp
akdfaknfakrfakmfakpf
kdknkrkmkp
kdknkrkmkp
,,,,,,,,,,
01100000010000110001
00010
000000000000000000000000
11111
Kaldığımız yere dönersek
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
… yapılıyor mu, yapılmıyor mu?
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
İki davranıştan birini nasıl seçeriz?
,,
00
11
:2
1
2
1
2
12 kxF
kxFkxkx
kxkx
))(()()1( 1 kxFkxkx
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
İki davranıştan birini nasıl seçeriz?
θ = 0.7
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
İki davranıştan birini nasıl seçeriz?
θ = 1
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
İki davranıştan birini nasıl seçeriz?
θ = 1.3
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
Stroop testi için ne yaptık?
Korteks
Talamus
GPi/SNr
C-BG-TH-C çevrimi
STR
STN
BASAL GANGLIA
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
Ne elde ettik …..
θ = 0.6
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
Ne elde ettik …….
θ = 1
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
Ne elde ettik …….
θ = 1.2
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
....nasıl yorumladık?
DopaminDopamin seviyesi (θsel) Hata Doğru yanıt süresi
2 _ > 30000
1.6 _ 1396
1.4 _ 1261
1.2 _ 1129
1 _ 396
0.8 _ 390
0.6 + 405
0.55 + 440
0.5 + > 30000
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
34
• Sinir hücrelerini modellemek için YSA kullanılıyordu
• YSA Yetersizlikleri…
YSA’DAN DİNAMİK SİSTEMLERE
• Sonra Dinamik Sistemden yararlanılarak yapılanlar…
• Ödül sistemi için bir model
• Eylemlere karar vermek için bir model
• Şimdi Pekiştirmeli Öğrenme ve dinamik sistemler
X
X
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
35
• Ödül mekanizmasını anlamak
• Karşıt süreçlerin ödül sistemindeki yerini kavramak
YENİ HEDEFİMİZ
• Bağımlılığı açıklayan bir hesaplamalı model geliştirmek
• Ödül sistemi için bir model
• Eylemlere karar vermek için bir model
• Duygusal süreçler için genel bir sistem ortaya koymak
X
X
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
36
NİKOTİN BAĞIMLILIĞI İÇİN KULLANDIĞIMIZ MODEL
Wr
Pekiştirmeli Öğrenme
Eylem Seçici Devre
Eylem Değerlendirme
Değer Atama
DA
ri
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
37
DAVRANIŞ SEÇMEYE İLİŞKİN MODEL
))()(()1(
))(()1(
))(()1(
))()(()1(
))()()(()1(
krknWdfkd
kpfkn
kpfWrkr
kdkpfkm
kIWckmkpfkp
pmpmpmpm
pmpm
pmpmpm
pmpmpm
pmpmpmpm
Bu modelin dallanma diyagramı
Korteks
Talamus
Striatum
Subthalamic nukleus
GPi/S.Nigra
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
38
Ve kalıcı hal çözümleri
Kararsız Kararlı Kararlı
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
40
Modelde kullanılan limbik altyapılar başlangıçta şunlardı:
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
41
SİSTEM DAVRANIŞI - BAĞIMLILIK
δ hata işareti ve sigara içme seçimleri
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
42
SİSTEM DAVRANIŞI – BAĞIMLILIK GELİŞTİRMEYEN
δ hata işareti ve sigara içmeme seçimleri
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
43
SİSTEM DAVRANIŞI - KARARSIZLIK
İki davranış da öğrenilmediğinde δ hata işareti
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
44
W PARAMETRELERİNİN DEĞERLERİ
Bağımlılık halinde:
0801.08120.0
7212.01663.00419.00664.1
113116.01
v
c
r
W
W
eW
0176.00185.04624.03310.01935.05410.0
5061.05061.0
vcr WWW
İlk değerler:
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
45
W PARAMETRELERİNİN DEĞERLERİ
8121.00
9649.00628.01453.00284.1
10057.0
v
c
r
W
W
W
Bağımlılık gelişmeyen durum:
0176.00185.04624.03310.01935.05410.0
5061.05061.0
vcr WWW
İlk değerler:
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
46
W PARAMETRELERİNİN DEĞERLERİ
Kararsızlık durumunda:
5090.08946.0
5623.00999.17427.04140.1
9400.01
v
c
r
W
W
W
0176.00185.04624.03310.01935.05410.0
5061.05061.0
vcr WWW
İlk değerler:
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
47
NİKOTİN BAĞIMLILIĞI İÇİN ÖNERİLEN MODELİN GELİŞTİRİLMESİ
Modelde neler temsil edilmeli ki daha gerçekçi olsun?
Nikotinin fizyolojik etkileri önemli çünkü:• Haz ile doyuma ulaşma ve• Yoksunluk
Bağımlılığı açıklamada karşıt süreçler• Eşleştirilmiş duygular• Bağımlılık oluşmasında nasıl bir etkisi var?• Karşıt süreçler açısından beyinde hangi bölgeler önemli?• Bağımlılık karşıt süreçlerde nasıl bir bozulmaya yol açar?
Hangi nörotransmiterler önemli?
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
49
Eylem seçici devre
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
50
Değer atama döngüsü
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
51
DEĞER ATAMA SİSTEMİ
• En etkili nörotransmiter dopamin
• VTA DA nöronları
nac(k)))W-pptanh(W...))...()(((+da(k)=1)+da(k
gabaglu
da
kdaaddkgabaadg
• Harekete geçirici: PFC → Glu, çok az Ach• Baskılayıcı: VTA GABA, NAc, VP → GABA
• VTA GABA nöronları
• Harekete geçirici: PPTg → Ach
• Baskılayıcı: GABA, ayrıca PFC → Glu
+ PFC- gaba - NAc
+ PPTg
- gaba - PFC
)))()(tanh(...))...()(((+gaba(k)=1)gaba(k
knacWkpptWppWkdaagdkgabaagg
gabaachglugaba
• DA salgısı açısından VTA önemli
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
52
DEĞER ATAMA SİSTEMİ
• DA salgısının etkilediği yapılar
• Amigdala + Lateral Hipotalamus → aml
)1))45.0((tanh(5.0))((f=1)+ofc(k
))()()((f=1)+aml(k
))()()()((f=1)+nac(k
)1.0)(1.0)()((f0.5=1)+ppt(k
ofc
aml
nac
ppt
xafkaml
IkdaWkofcknac
kgabaWkdaWkofckaml
IWkgabaWknackaml
da
gabada
glugaba
• I → dış dünya uyaranları, sigara içme/içmeme eylemi, artan nikotin seviyesi
• Pedunculopontine Tegmental Nukleus + Laterodorsal Tegmental Nukleus → pptg
• Bunların VTA nöronlarına etkileri
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
VTA DA ve GABA NÖRONLARININ ÜRETTİĞİ İŞARET
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
VTA DA ve GABA NÖRONLARININ ÜRETTİĞİ İŞARET
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
DEĞER ATAMA SİSTEMİNİN ÜRETTİĞİ AML, PPT, NAC İŞARETLERİ
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
56
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
57
SONUÇLAR ….
• Neler yapıldı?
• Geçmiş çalışmalardan ayrıldığı noktalar …
• Sonraki adımlar …
Eylem Seçici
Eylem Değer.
Değer Atama
UDA
ri
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
58
Modelleri nasıl daha gerçekçi yapabiliriz?
Y.Guo, J.E.Rubin, “Multi-site stimulation of subthalamic nucleus diminishes thalamacortical relay errors in a biophysical network model”, Neural Networks, 2011
ETCGiTKNaLm IIIIIIvC TC:stim
SnGeAHPCaTKNaLm IIIIIIIIvC STN:
appGeSnGeGeAHPCaTKNaLm IIIIIIIIIvC GPe:
appiGiGeGiSnAHPCaTKNaLm IIIIIIIIIvC GPi:
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
)()()(1 43llKKNaNa
MvvgvvngvvhmgI
Cdtdv
mmdtdm
mm )1(
hhdtdh
hh )1(
nndtdn
nn )1(
Bu model nasıl elde edilmiş?
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
60
SORULARINIZ?
İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ
61
TEŞEKKÜRLER!