Neuronen sind erregbare Systeme. Ihre Antwort auf Anregungen oberhalb eines bestimmten Schwellwertes sind Pulse. Häufig wird die Pulserzeugung von verschiedenen Rückkopplungsmechanismen beeinflusst, die auf langsamen Zeitskalen agieren. Das kann zu Phänomenen wie Feuerraten-Adaptation, umgekehrter Feuerraten-Adaptation oder zum Feuern von Pulsen in Salven führen. Weiterhin sind Neuronen verschiedenen Rauschquellen ausgesetzt und wechselwirken mit anderen Neuronen, in neuronalen Netzen. Doch wie beeinflusst das Zusammenspiel von Rückkopplungsmechanismen, Rauschen und der Wechselwirkung mit anderen Neuronen die Pulserzeugung? Diese Arbeit untersucht, wie die Pulserzeugung in rauschgetriebenen erregbaren Systemen von langsamen Rückkopplungsmechanismen und der Wechselwirkung mit anderen erregbaren Systemen beeinflusst wird. Dabei wird die Pulserzeugung in drei Szenarien betrachtet: (i) in einem einzelnen erregbaren System, das um einen langsamen Rückkopplungsmechanismus erweitert wurde, (ii) in gekoppelten erregbaren Systemen und (iii) in stark gekoppelten salvenfeuernden Neuronen. In jedem dieser Szenarien wird die Pulsstatistik mit Hilfe von analytischen Methoden und Computersimulationen untersucht. Das wichtigste Resultat im ersten Szenario ist, dass das Zusammenspiel von einer stark anregenden Rückkopplung und Rauschen zu rauschkontrollierter Bistabilität führt. Das erlaubt es dem System zwischen verschiedenen Modi der Pulserzeugung zu wechseln. In (ii) wird die Pulserzeugung stark von der Wahl der Kopplungsstärken und der Anzahl der Verbindungen beeinflusst. Analytische Näherungen werden abgeleitet, die einen Zusammenhang zwischen der Anzahl der Verbindungen und der Pulsrate, sowie der Pulszugvariabilität herstellen. In (iii) wird festgestellt, dass eine hemmende Rückkopplung zu sehr unregelmäßigem Verhalten der isolierten Neuronen führt, wohingegen eine starke Kopplung mit dem Netzwerk ein regelmäßigeres Feuern von Salven hervorruft. / Neurons are excitable systems. Their responses to excitations above a certain threshold are spikes. Usually, spike generation is shaped by several feedback mechanisms that can act on slow time scales. These can lead to phenomena such as spike-frequency adaptation, reverse spike-frequency adaptation, or bursting. In addition to these, neurons are subject to several sources of noise and interact with other neurons, in the connected complexity of a neural network. Yet how does the interplay of feedback mechanisms, noise as well as interaction with other neurons affect spike generation? This thesis examines how spike generation in noise-driven excitable systems is influenced by slow feedback processes and coupling to other excitable systems. To this end, spike generation in three setups is considered: (i) in a single excitable system, which is complemented by a slow feedback mechanism, (ii) in a set of coupled excitable systems, and (iii) in a set of strongly-coupled bursting neurons. In each of these setups, the statistics of spiking is investigated by a combination of analytical methods and computer simulations. The main result of the first setup is that the interplay of strong positive (excitatory) feedback and noise leads to noise-controlled bistability. It enables excitable systems to switch between different modes of spike generation. In (ii), spike generation is strongly affected by the choice of the coupling strengths and the number of connections. Analytical approximations are derived that relate the number of connections to the firing rate and the spike train variability. In (iii), it is found that negative (inhibitory) feedback causes very irregular behavior of the isolated bursters, while strong coupling to the network regularizes the bursting.

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.