Messung und Vorhersage des Antwortverhaltens von Neuronen

Ein Neuron reagiert auf einen Stimulus mit einerFolge von Aktionspotentialen, die mit jederWiederholung verschieden ausfallen. DasAntwortverhalten des Neurons wird hier mittels einerWahrscheinlichkeitsdichte beschrieben, mit der einebestimmte Folge von Aktionspotentialen auftritt. DasAntwortverhalten des Neurons hängt von dersynaptischen Verknüpfungsstruktur ab, beschriebendurch das rezeptive Feld.Am Beispiel des auditorischen Systems werdenverschiedene Verfahren zur Rekonstruktion desrezeptiven Feldes bei verrauschten Messdaten ausOptimierungsprinzipien abgeleitet und untereinanderverglichen. Das Neuron wird zunächst so genähert,dass der quadratische Fehler zwischen Output eineslinearen Modells und den Messdaten minimal ist. DieBayessche Methode berechnet das wahrscheinlichstelineare rezeptive Feld unter der Annahme, dass dergemessene neuronale Output durch Gaußsches Rauschenverfälscht und das rezeptive Feld a-priori wieGaußsches weißes Rauschen verteilt ist. DieRegularisierungsmethode ist eine Verallgemeinerung.Ein hier vorgestellter effizienter Algorithmus zurBerechnung von Support-Vektor-Maschinen ist eineweitere Alternative.

Autorentext

Dr. J.-M. P. Franosch studierte Physik, gefördert durch Stipendien der Studienstiftung des Dt. Volkes und der Bayer. Hochbegabtenförderung. Er ist Postdoc am Lehrstuhl für Theoretische Biophysik der TU München, veröffentlicht über neuronale Systeme und arbeitet freiberuflich im Bereich Webdesign, Programmierung und statistische Analysen bei ASKOS.

Klappentext
Ein Neuron reagiert auf einen Stimulus mit einer Folge von Aktionspotentialen, die mit jeder Wiederholung verschieden ausfallen. Das Antwortverhalten des Neurons wird hier mittels einer Wahrscheinlichkeitsdichte beschrieben, mit der eine bestimmte Folge von Aktionspotentialen auftritt. Das Antwortverhalten des Neurons hängt von der synaptischen Verknüpfungsstruktur ab, beschrieben durch das rezeptive Feld. Am Beispiel des auditorischen Systems werden verschiedene Verfahren zur Rekonstruktion des rezeptiven Feldes bei verrauschten Messdaten aus Optimierungsprinzipien abgeleitet und untereinander verglichen. Das Neuron wird zunächst so genähert, dass der quadratische Fehler zwischen Output eines linearen Modells und den Messdaten minimal ist. Die Bayessche Methode berechnet das wahrscheinlichste lineare rezeptive Feld unter der Annahme, dass der gemessene neuronale Output durch Gaußsches Rauschen verfälscht und das rezeptive Feld a-priori wie Gaußsches weißes Rauschen verteilt ist. Die Regularisierungsmethode ist eine Verallgemeinerung. Ein hier vorgestellter effizienter Algorithmus zur Berechnung von Support-Vektor-Maschinen ist eine weitere Alternative.