When presented with a task or stimulus, the ongoing activity in the brain is perturbed in order to process the new information of the environment. Typical characteristics of this evoked activity are (1) an increase in firing rate of neurons, (2) a decrease in trial-by-trial variability and (3) an increase or decrease in spike count correlations. Considering the importance of variability and correlations within the rate coding paradigm, it is crucial to understand the origin of these modulations. Different networks in the brain are typically connected through divergent-convergent connections. In a recent work, the correlations in the convergent connections of the feed-forward input have been found to be able to reproduce the above characteristics. This thesis expands this work by also considering correlations in the divergent connections. Through large-scale network simulations, we can show that correlations in the divergent connections have a significant impact on the output correlation coefficient and a small impact on the output firing rate. Moreover, we investigate the question whether keeping the pairwise correlations constant and varying the higher-order correlation structure can influence the network dynamics. We find that this influence is very small suggesting that higher-order correlations in the divergence connections carry only a limited amount of information. These findings can significantly simplify the analysis of neural data. / När hjärnan presenteras med en uppgift eller stimulans, förändras den pågående aktiviteten för att bearbeta den nya informationen om miljön. Typiska egenskaper hos denna förändring av aktivitet är (1) en ökning av spikfrekvens hos nervceller, (2) en minskning i variabilitet mellan försök och (3) en ökning eller minskning av korrelationer räknat i antal spikar. Med tanke på vikten av variabilitet och korrelationer inom ”rate coding” (spikfrekvens-kodning) paradigmet, är det viktigt att förstå ursprunget till dessa aktivitetsförändringar. Olika nätverk i hjärnan är normalt kopplade via divergerande-konvergerande anslutningar. En nylig studie har visat att korrelationerna i ett framåt-kopplat nätverk med konvergerande anslutningar reproducerar de tidigare nämnda egenskaperna hos dessa nätverk. Denna avhandling utökar detta arbete genom att även studera korrelationer i nätverk med divergerande kopplingar. Genom storskaliga nätverkssimuleringar, kan vi visa att divergerande kopplingar har en stor effekt på korrelationskoefficienten men en mindre inverkan på den resulterande spikfrekvensen. Vidare undersöker vi om man kan påverka nätverksdynamiken genom att hålla parvisa korrelationer konstant och variera den högre ordningens korrelationsstruktur. Vi visar att detta inflytande är mycket litet vilket tyder på att högre ordningens korrelationer i divergerade kopplingar endast bär en begränsad mängd information. Dessa resultat kan därigenom avsevärt förenkla analysen av neural data.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-172812 |
Date | January 2015 |
Creators | Hübner, David |
Publisher | KTH, Numerisk analys, NA |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-MAT-E ; 2015:56 |
Page generated in 0.0012 seconds