martes, 23 de agosto de 2011
The Nervous System: Action Potentials
The Nervous System: Action Potentials
http://videos.howstuffworks.com/hsw/23884-the-nervous-system-action-potentials-video.htm
Video en HowStuffWorks.
ADVERTENCIA: Su muestra un experimento con un animal que puede herir la sensibilidad de algunas personas.
http://videos.howstuffworks.com/hsw/23884-the-nervous-system-action-potentials-video.htm
Video en HowStuffWorks.
ADVERTENCIA: Su muestra un experimento con un animal que puede herir la sensibilidad de algunas personas.
¿10 m/s?
"Las velocidades de conducción del potencial de acción varían, si bien 10 m/s es una velocidad típica. Debemos recordar que desde el inicio hasta el final la duración del potencial de acción es de unos 2 ms. A partir de este dato, podemos calcular la longitud de la membrana que está implicada en el potencial de acción en cualquier momento:
10 m/s x 2 x 10^-3 s = 2 x 10^-2 m.
Así pues, un potencial de acción que se desplaza a 10 m/s abarca 2 cm del axón."
Transcripción de fragmento del libro "NEUROCIENCIA. La exploración del cerebro", 3ª edición, de Mark F. Bear, Barry Connors y Michael Paradiso. Capítulo 4, página 94.
10 m/s x 2 x 10^-3 s = 2 x 10^-2 m.
Así pues, un potencial de acción que se desplaza a 10 m/s abarca 2 cm del axón."
Transcripción de fragmento del libro "NEUROCIENCIA. La exploración del cerebro", 3ª edición, de Mark F. Bear, Barry Connors y Michael Paradiso. Capítulo 4, página 94.
No queremos máquinas de tirar paquetes
Todos los cálculos se repiten periódicamente en todos los cubos.
Tiene que haber sincronismo entre procesos que mueven potenciales de acción. Cada cubo tras terminar los cálculos espera hasta el comienzo de la siguiente ranura de tiempo para volver a repetir los cálculos.
Cada bola puede acceder a parámetros de las bolas en su radio de acción para actualizar sus propios parámetros, entre los que se incluye la perturbación eléctrica.
Las bolas en el radio de acción de cada bola pueden estar en cubos diferentes, dando lugar a datos que se envían entre procesos.
Tiene que haber sincronismo entre procesos que mueven potenciales de acción. Cada cubo tras terminar los cálculos espera hasta el comienzo de la siguiente ranura de tiempo para volver a repetir los cálculos.
Cada bola puede acceder a parámetros de las bolas en su radio de acción para actualizar sus propios parámetros, entre los que se incluye la perturbación eléctrica.
Las bolas en el radio de acción de cada bola pueden estar en cubos diferentes, dando lugar a datos que se envían entre procesos.
CONCENTRAR TODA LA INFORMACIÓN ÚTIL EN UNA RED DE BOLAS
Para acelerar los cálculos es conveniente que el modelo esté basado en un mismo elemento repetido, por ejemplo bolas o puntos tapizando la membrana. Esto facilitaría la creación de hardware para mejorar la velocidad, lo cual es muy importante. El mismo modelo fundamental puede tener otros usos, por ejemplo calcular explosiones, el movimiento de fluidos, etc.
Toda la información útil para calcular el movimiento de las perturbaciones eléctricas de la membrana se puede concentrar en una lista de parámetros para cada bola tapizando la membrana. Esto requiere mucho trabajo de computación --integración espacial-- pero se haría antes de poner en funcionamiento la "copia" del sistema nervioso original.
Los parámetros de cada bola podrían incluir datos referidos a la geometría y al pasado, además de datos referidos a las concentraciones de sustancias en el interior, en la membrana y en el exterior de la neurona, principalmente en las inmediaciones de la bola.
Toda la información útil para calcular el movimiento de las perturbaciones eléctricas de la membrana se puede concentrar en una lista de parámetros para cada bola tapizando la membrana. Esto requiere mucho trabajo de computación --integración espacial-- pero se haría antes de poner en funcionamiento la "copia" del sistema nervioso original.
Los parámetros de cada bola podrían incluir datos referidos a la geometría y al pasado, además de datos referidos a las concentraciones de sustancias en el interior, en la membrana y en el exterior de la neurona, principalmente en las inmediaciones de la bola.
REDES NEURONALES ARTIFICIALES
REDES NEURONALES ARTIFICIALES
Algoritmo de aprendizaje supervisado BACK PROPAGATION
Función de activación tipo sigmoide
// CÁLCULO DE LAS SALIDAS y[k][j] DE LAS NEURONAS DE LA RED EN FUNCIÓN DE LAS ENTRADAS y[0][j] A LA RED
// N - número de capas de neuronas de la red
// L[k] - número de neuronas de la capa k
// a[k][j] - suma ponderada por pesos de las entradas de la neurona j de la capa k
// w[k][i][j] - peso entre la neurona i de la capa (k-1) y la neurona j de la capa k
// y[k][j] - salida de la neurona j de la capa k
for(k = 1; k <= N; k++) { // recorre capas
for(j = 1; j <= L[k]; j++) { // recorre neuronas de la capa
a[k][j] = 0;
for(i = 1; i <= L[k-1]; i++) { // recorre entradas de la neurona
a[k][j] = a[k][j] + w[k][i][j]*y[k-1][i];
}
y[k][j] = 1.0/(1.0+exp(-a[k][j]));
}
}
// SOLO DURANTE ENTRENAMIENTO: CÁLCULO DE DELTA PARA CADA NEURONA DESDE LA CAPA DE SALIDA (k=N) HASTA LA CAPA k=1 EN FUNCIÓN DE LAS SALIDAS DESEADAS
// delta[k][j] - delta de la neurona j de la capa k
// d[j] - salida deseada (a aprender) para la neurona j de la capa de salida (k=N)
// Para la última capa
for(j = 1; j <= L[N]; j++) { // recorre neuronas de la última capa (k=N)
delta[N][j] = 2*(y[N][j]-d[j]);
}
// Para el resto de capas, desde k=(N-1) hasta k=1
for(k = N-1; k >= 1; k--) { // recorre capas
for(j = 1; j <= L[k]; j++) { // recorre neuronas de la capa
delta[k][j] = 0;
for(i = 1; i <= L[k+1]; i++) { // recorre neuronas de la capa siguiente
delta[k][j] = delta[k][j] + delta[k+1][i]*y[k+1][i]*(1-y[k+1][i])*w[k+1][j][i];
}
}
}
// SOLO DURANTE ENTRENAMIENTO: ACTUALIZACIÓN DE PESOS
for(k = 1; k <= N; k++) { // recorre capas
for(j = 1; j <= L[k]; j++) { // recorre neuronas de la capa
for(i = 1; i <= L[k-1]; i++) { // recorre pesos de la neurona
w[k][i][j] = w[k][i][j]-eta*delta[k][j]*y[k][j]*(1-y[k][j])*y[k-1][i];
}
}
}
En fichero pdf
Basado en
http://insn.die.upm.es/docs/capitulo22-RedesNeuronales.pdf
Si tratamos de buscar semejanzas con el sistema nervioso, cada peso en el sistema nervioso sería algo parecido a las características de la sinapsis y las neuritas presináptica y postsináptica.
La repetición para maximizar la "satisfacción" es lo que provoca el aprendizaje en el sistema nervioso. El mayor o menor tránsito de potenciales de acción cambia las propiedades eléctricas de las sinapsis y las neuronas.
La "satisfacción" sería la medida del error, pero el ajuste de pesos en el sistema nervioso viene dado por el mayor o menor tránsito de potenciales de acción.
¿Es eso?
Obviamente el algoritmo de las neuronas artificiales no nos sirve. Buscamos la equivalencia para poder "resucitar" muertos.
NOTA: He actualizado el algoritmo para que esté en formato C/C++.
Algoritmo de aprendizaje supervisado BACK PROPAGATION
Función de activación tipo sigmoide
// CÁLCULO DE LAS SALIDAS y[k][j] DE LAS NEURONAS DE LA RED EN FUNCIÓN DE LAS ENTRADAS y[0][j] A LA RED
// N - número de capas de neuronas de la red
// L[k] - número de neuronas de la capa k
// a[k][j] - suma ponderada por pesos de las entradas de la neurona j de la capa k
// w[k][i][j] - peso entre la neurona i de la capa (k-1) y la neurona j de la capa k
// y[k][j] - salida de la neurona j de la capa k
for(k = 1; k <= N; k++) { // recorre capas
for(j = 1; j <= L[k]; j++) { // recorre neuronas de la capa
a[k][j] = 0;
for(i = 1; i <= L[k-1]; i++) { // recorre entradas de la neurona
a[k][j] = a[k][j] + w[k][i][j]*y[k-1][i];
}
y[k][j] = 1.0/(1.0+exp(-a[k][j]));
}
}
// SOLO DURANTE ENTRENAMIENTO: CÁLCULO DE DELTA PARA CADA NEURONA DESDE LA CAPA DE SALIDA (k=N) HASTA LA CAPA k=1 EN FUNCIÓN DE LAS SALIDAS DESEADAS
// delta[k][j] - delta de la neurona j de la capa k
// d[j] - salida deseada (a aprender) para la neurona j de la capa de salida (k=N)
// Para la última capa
for(j = 1; j <= L[N]; j++) { // recorre neuronas de la última capa (k=N)
delta[N][j] = 2*(y[N][j]-d[j]);
}
// Para el resto de capas, desde k=(N-1) hasta k=1
for(k = N-1; k >= 1; k--) { // recorre capas
for(j = 1; j <= L[k]; j++) { // recorre neuronas de la capa
delta[k][j] = 0;
for(i = 1; i <= L[k+1]; i++) { // recorre neuronas de la capa siguiente
delta[k][j] = delta[k][j] + delta[k+1][i]*y[k+1][i]*(1-y[k+1][i])*w[k+1][j][i];
}
}
}
// SOLO DURANTE ENTRENAMIENTO: ACTUALIZACIÓN DE PESOS
for(k = 1; k <= N; k++) { // recorre capas
for(j = 1; j <= L[k]; j++) { // recorre neuronas de la capa
for(i = 1; i <= L[k-1]; i++) { // recorre pesos de la neurona
w[k][i][j] = w[k][i][j]-eta*delta[k][j]*y[k][j]*(1-y[k][j])*y[k-1][i];
}
}
}
En fichero pdf
Basado en
http://insn.die.upm.es/docs/capitulo22-RedesNeuronales.pdf
Si tratamos de buscar semejanzas con el sistema nervioso, cada peso en el sistema nervioso sería algo parecido a las características de la sinapsis y las neuritas presináptica y postsináptica.
La repetición para maximizar la "satisfacción" es lo que provoca el aprendizaje en el sistema nervioso. El mayor o menor tránsito de potenciales de acción cambia las propiedades eléctricas de las sinapsis y las neuronas.
La "satisfacción" sería la medida del error, pero el ajuste de pesos en el sistema nervioso viene dado por el mayor o menor tránsito de potenciales de acción.
¿Es eso?
Obviamente el algoritmo de las neuronas artificiales no nos sirve. Buscamos la equivalencia para poder "resucitar" muertos.
NOTA: He actualizado el algoritmo para que esté en formato C/C++.
Concentraciones de sustancias
Menos de 16 millones de sustancias diferentes.
Se pueden agrupar por tramos de neurita y en valores por defecto.
+ Concentraciones de sustancias de los canales: sodio, cloro, potasio, calcio, ...
+ Concentraciones de sustancias de los neurotransmisores: ácido gamma-aminobutírico, glutamato, glicina, acetilcolina, dopamina, adrenalina, histamina, noradrenalina, serotonina, colecistocinina, dinorfina, encefalinas, N-acetilaspartilglutamato, neuropéptido Y, somatostatina, sustancia P, ...
+ Concentraciones de sustancias de los receptores de los neurotransmisores.
+ Concentraciones de sustancias de las hormonas.
Solo estamos interesados en aquellas sustancias que afectan a la transmisión de los potenciales de acción.
Si una neurona estimula la secreción de una sustancia que afecta a la transmisión de potenciales de acción distribuyéndose a través del sistema cardiovascular, en el sistema nervioso artificial genera datos que afectan a todos los procesos que mueven potenciales de acción. Estos datos deben permitir calcular el efecto provocado por la sustancia en cada neurona.
Se pueden agrupar por tramos de neurita y en valores por defecto.
+ Concentraciones de sustancias de los canales: sodio, cloro, potasio, calcio, ...
+ Concentraciones de sustancias de los neurotransmisores: ácido gamma-aminobutírico, glutamato, glicina, acetilcolina, dopamina, adrenalina, histamina, noradrenalina, serotonina, colecistocinina, dinorfina, encefalinas, N-acetilaspartilglutamato, neuropéptido Y, somatostatina, sustancia P, ...
+ Concentraciones de sustancias de los receptores de los neurotransmisores.
+ Concentraciones de sustancias de las hormonas.
Solo estamos interesados en aquellas sustancias que afectan a la transmisión de los potenciales de acción.
Si una neurona estimula la secreción de una sustancia que afecta a la transmisión de potenciales de acción distribuyéndose a través del sistema cardiovascular, en el sistema nervioso artificial genera datos que afectan a todos los procesos que mueven potenciales de acción. Estos datos deben permitir calcular el efecto provocado por la sustancia en cada neurona.
Memoria a corto plazo y a largo plazo
Hay neurotransmisores que mejoran la transmisión de las perturbaciones eléctricas, y otros que la dificultan.
La llegada de potenciales de acción a las sinapsis provoca la liberación de neurotransmisores que afectan temporalmente a la transmisión de las perturbaciones eléctricas a través de las sinapsis, provocando memoria a corto plazo.
Cuando se activa muchas veces una sinapsis, transcurrido cierto tiempo aumenta la cantidad de vesículas (y gránulos) con neurotransmisores en la terminal axónica, que a su vez aumenta de tamaño, provocando memoria a largo plazo.
Cuando no se activa una sinapsis durante mucho tiempo, desaparecen vesículas o no se reponen y disminuye el tamaño de la terminal axónica.
También hay crecimiento desordenado que crea nuevas sinapsis.
¿Es eso?
La relación entre las cantidades de los diferentes tipos de neurotransmisores en cada neurona al crear más vesículas, que según creo está relacionada con la información genética, se podría obtener a partir de las concentraciones de los diferentes tipos de neurotransmisores presentes en los datos iniciales de la imagen del sistema nervioso.
La llegada de potenciales de acción a las sinapsis provoca la liberación de neurotransmisores que afectan temporalmente a la transmisión de las perturbaciones eléctricas a través de las sinapsis, provocando memoria a corto plazo.
Cuando se activa muchas veces una sinapsis, transcurrido cierto tiempo aumenta la cantidad de vesículas (y gránulos) con neurotransmisores en la terminal axónica, que a su vez aumenta de tamaño, provocando memoria a largo plazo.
Cuando no se activa una sinapsis durante mucho tiempo, desaparecen vesículas o no se reponen y disminuye el tamaño de la terminal axónica.
También hay crecimiento desordenado que crea nuevas sinapsis.
¿Es eso?
La relación entre las cantidades de los diferentes tipos de neurotransmisores en cada neurona al crear más vesículas, que según creo está relacionada con la información genética, se podría obtener a partir de las concentraciones de los diferentes tipos de neurotransmisores presentes en los datos iniciales de la imagen del sistema nervioso.
Suscribirse a:
Entradas (Atom)