Darmstadt, Techn. University, Diss., 2004. / Dateien im PDF-Format.

Um die komplexe Dynamik von Neuronen und deren Informationsverarbeitung mittels Pulssequenzen zu verstehen, ist es wichtig, die stationäre Puls-Aktivität zu charakterisieren. Die statistischen Eigenschaften von Pulssequenzen können durch vereinfachte stochastische Neuronenmodelle verstanden werden. Eine gut ausgearbeitete Theorie existiert für die Klasse der Erneuerungsmodelle, welche die statistische Unabhängigkeit der Interspike-Intervalle (ISI) annimmt. Experimente haben jedoch gezeigt, dass viele Neuronen Korrelationen zwischen ISIs aufweisen und daher nicht gut durch einen Erneuerungsprozess beschrieben werden. Solche Korrelationen können durch Nichterneuerungs-Modelle erfasst werden, welche jedoch theoretisch schlecht verstanden sind. Diese Arbeit ist eine analytische Studie von Nichterneuerungs-Modellen, die zwei bedeutende Korrelationsmechanismen untersucht: farbiges Rauschen, welches zeitlich-korrelierten Input darstellt, und negative Puls-Rückkopplung, welche Feuerraten-Adaption realisiert. Für das "Perfect-Integrate-and-Fire" (PIF) Modell, welchen durch ein allgemeines Gauss''sches farbiges Rauschen getrieben ist, werden die Statistiken höherer Ordnung der Output-Pulssequenz hergeleitet, insbesondere der Koeffizient der Variation, der serielle Korrelationskoeffizient (SCC), die ISI-Dichte und der Fano-Faktor. Weiterhin wird die Dynamik des PIF Modells mit Puls-getriggertem Adaptionsstrom und weissem Stromrauschen im Detail analysiert. Die Theorie liefert einen Ausdruck für den SCC, der für schwaches Rauschen aber beliebige Adaptions-Stärke und Zeitskale gültig ist, sowie die lineare Antwortfunktion und das Leistungsspektrum der Pulssequenz. Ausserdem wird gezeigt, dass ein stochastischer Adaptionsstrom wie ein langsames farbiges Rauschen wirkt, was ermöglicht, die dominierende Quellen des Rauschen in einer auditorischen Rezeptorzelle zu bestimmen. Schliesslich wird der SCC für das fluktuations-getriebene Feuerregime berechnet. / To understand the complex dynamics of neurons and its ability to process information using a sequence of spikes, it is vital to characterize its stationary spontaneous spiking activity. The statistical properties of spike trains can be explained by reduced stochastic neuron models that account for various sources of noise. A well-developed theory exists for the class of renewal models, in which the interspike intervals (ISIs) are statistically independent. However, experimental studies show that many neurons are not well described by a renewal process because of correlations between ISIs. Such correlations can be captured by generalized, non-renewal models, which are, however, poorly understood theoretically. This thesis represents an analytical study of non-renewal models, focusing on two prominent correlation mechanisms: colored-noise driving representing temporally correlated inputs, and negative feedback currents realizing spike-frequency adaptation. For the perfect integrate-and-fire (PIF) model driven by a general Gaussian colored noise input, the higher-order statistics of the output spike train is derived using a weak-noise analysis of the Fokker-Planck equation. This includes formulas for the coefficient of variation, the serial correlation coefficient (SCC), the ISI density and the Fano factor. Then, the dynamics of a PIF model with a spike-triggered adaptation and a white-noise current is analyzed in detail. The theory yields an expression for the SCC valid for weak noise but arbitrary adaptation strengths and time scale, and also provides the linear response to time-dependent stimuli and the spike train power spectrum. Furthermore, it is shown that a stochastic adaptation current acts like a slow colored noise, which permits to determine the source of spiking variability observed in an auditory receptor neuron. Finally, the SCC is calculated for the fluctuation-driven spiking regime by assuming discrete states of colored noise or adaptation current.

No description available.

Die vorliegende Arbeit befasst sich mit dem Einfluss von nicht-weißem oder nicht-Gauß’schem synaptischen Rauschen auf die Informationsübertragung in stochastischen Neuronenmodellen. Ziel ist es, zu verstehen, wie eine Nervenzelle ein Signal in ihrer Pulsaktivität kodiert. Synaptisches Rauschen beschreibt hier den Einfluss anderer Nervenzellen, die nicht das interessierende Signal tragen, aber seine Übertragung durch ihre synaptische Wirkung auf die betrachtete Zelle beeinflussen. In stochastischen Neuronenmodellen wird diese Hintergrundaktivität durch einen stochastischen Prozess mit geeigneter Statistik beschrieben. Ist die Rate, mit der präsynaptische Pulse auftreten, hoch und zeitlich konstant, die Wirkung einzelner Pulse aber verschwindend gering, so wird das synaptische Rauschen durch einen Gauß’schen Prozess beschrieben. Oft wird zudem angenommen, dass das Rauschen unkorreliert (weiß) ist. In dieser Arbeit wird neuronale Signalübertragung in dem Fall untersucht, dass eine solche Näherung nicht mehr gerechtfertigt ist, d.h. wenn der synaptische Hintergrund durch einen stochastischen Prozess beschrieben werden muss, der nicht weiß, nicht Gauß’sch, oder weder weiß noch Gauß’sch ist. Mittels Simulationen und analytischer Rechnungen werden drei Szenarien behandelt: Zunächst betrachten wir eine Zelle, die nicht ein, sondern zwei Signale empfängt, welche zusätzlich durch synaptische Kurzzeitplastizität gefiltert werden. In diesem Fall muss der Hintergrund durch ein farbiges Rauschen beschrieben werden. Im zweiten Szenario betrachten wir den Fall, dass der Effekt einzelner Pulse nicht mehr als schwach angenommen werden kann. Das Rauschen ist dann nicht mehr Gauß’sch, sondern ein Schrotrauschen. Schließlich untersuchen wir den Einfluss einer präsynaptischen Population, deren Feuerrate nicht zeitlich konstant ist, sondern zwischen Phasen hoher und niedriger Aktivität, sogenannten up und down states, springt. In diesem Fall ist das Rauschen weder weiß noch Gauß’sch. / This thesis is concerned with the effect of non-white or non-Gaussian synaptic noise on the information transmission properties of single neurons. Synaptic noise subsumes the massive input that a cell receives from thousands of other neurons. In the framework of stochastic neuron models, this input is described by a stochastic process with suitably chosen statistics. If the overall arrival rate of presynaptic action potentials is high and constant in time and if each individual incoming spike has only a small effect on the dynamics of the cell, the massive synaptic input can be modeled as a Gaussian process. For mathematical tractability, one often assumes that furthermore, the input is devoid of temporal structure, i.e. that it is well described by a Gaussian white noise. This is the so-called diffusion approximation (DA). The present thesis explores neuronal signal transmission when the conditions that underlie the DA are no longer met, i.e. when one must describe the synaptic background activity by a stochastic process that is not white, not Gaussian, or neither. We explore three distinct scenarios by means of simulations and analytical calculations: First, we study a cell that receives not one but two signals, additionally filtered by synaptic short-term plasticity (STP), so that the background has to be described by a colored noise. The second scenario deals with synaptic weights that cannot be considered small; here, the effective noise is no longer Gaussian and the shot-noise nature of the input has to be taken into account. Finally, we study the effect of a presynaptic population that does not fire at a rate which is constant in time but instead undergoes transitions between states of high and low activity, so-called up and down states.