首页> 中文学位 >大脑中默认模式网络的死振与状态切换机制:二维Hindmarsh-Rose小世界神经元网络模型
【6h】

大脑中默认模式网络的死振与状态切换机制:二维Hindmarsh-Rose小世界神经元网络模型

代理获取

目录

声明

第一章 引言

1. 1复杂网络

1.1.1概论

1.1.2复杂网络的度

1.1.3两种典型的小世界网络模型

1.1.4相互依赖的网络

1. 2大脑神经元网络简介

1.2.1神经元

1.2.2大脑神经元网络的小世界特性

1. 3大脑默认模式网络简介

1.3.1解剖结构

1.3.2功能连接

1.3.3功能连接度和区域脑血流量

1.3.4与疾病的关联

1.3.5外界输入对DMN的影响

1.3.6默认模式网络的主要模型

1. 4研究动机

第二章 二维Newman-Watts小世界突触耦合的Hindmarsh-Rose神经元网络模型

2. 1模型基础

2.1.1小世界网络上的死振

2.1.2 Hindmarsh-Rose神经元模型

2.1.3 HR神经元网络的死振

2. 2模型

2.2.1二维Newman-Watts小世界网络上的HR神经元突触耦合

2. 2.2基本假设和序参量

2. 3数值模拟结果及其物理意义

2.3.1不同加边概率p的影响

2.3.2不同耦合强度ε的影响

2.3.3不同标准差ζ的影响

2.3.4不同平均值μ的影响

2.3.5不同平均度k的影响

2.3.6网络状态的切换

2. 3. 7小结

第三章 总结和展望

3. 1讨论与总结

3. 2展望

参考文献

致谢

在学期间的研究成果及发表的学术论文

展开▼

摘要

默认模式网络(default-mode network,DMN)是大脑中的一个分布式网络,它由空间上分散的多个脑区组成。它是一个特殊的大脑系统:它在大脑参与外部认知任务时失活,在大脑处于静息态时反而激活。然而,还没有微观模型从神经元层次上对DMN是如何在激活态和失活态之间切换的机制进行解释,即DMN在大脑静息态时激活,而在大脑参与外界认知任务时失活的机制依旧未知;另外,还没有用Hindmarsh-Rose(HR)神经元模型解释DMN工作模式和机制的工作,也还没有工作将神经元网络模型的死振与DMN的失活联系在一起。
  本文以大脑神经元网络的小世界特性作为实验基础,在HR神经元模型、小世界网络上的死振和全局耦合HR神经元网络的死振的理论基础上,采用HR神经元模型描写单个神经元的行为,用Newman-Watts(NW)二维小世界网络作为HR神经元之间相互耦合的模型,以二维NW小世界HR神经元的网络的全局死振和集体放电分别与DMN的失活和激活对应;在外界输入电流为高斯分布的情况下,通过大量的数值模拟计算,定量探讨死振随不同的动力学参数与网络拓扑结构参数变化的行为,以及网络模型在死振和激活之间切换的机制,得到了前人未曾发现的新的性质与规律:(1)加边概率p的增大,可以促进网络同步,但也会在一定条件下使网络的活跃程度降低;并且,当p增大到一定值时,网络活跃程度降低的速率大大加快,甚至会在耦合强度ε、外界输入电流的平均值μ和标准差ζ较小时发生死振。(2)ε的增大会使网络的活跃程度先大幅提高后急剧下降;并且,当耦合强度足够大时,p>0的网络发生死振。(3)当ζ较小时,网络容易进入死振态;当ζ的增大到一定值时,会使网络的活跃程度大幅提高;但是,随着ζ的继续增大,网络的活跃程度基本保持不变。(4)当p=0时,随着外界输入电流平均值μ的增大,网络的活跃程度线性地增大。对于p≠0的网络,当μ刚开始增大时,网络的活跃程度首先会迅速提高;当μ增大到一定程度后,随着μ的继续增大,网络的活跃程度呈现出线性地提高。(5)在相同参数下,初始平均度k0较大的网络的活跃程度较低,更容易发生死振。另外,网络中的随机长程边数目越多,网络的活跃程度越低。(6)在相同参数条件下,对于去输入比例η=0时死振的情况,在10-2范围内增大η,网络可以脱离死振而进入激活态。这样,在p、ε、μ和ζ值不变的情况下,当感知网络对DMN的电流输出减少,单一的DMN神经元网络就可以从死振态切换到激活态。我们的工作首次在神经元网络的层次模拟出DMN在大脑参与外界认知任务时失活而在静息态激活的现象。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号