Episodic memory forms a fundamental aspect of human memory that accounts for the storage of events as well as the spatio-temporal relations between events during a lifetime. These spatio-temporal relations in which episodes are embedded can be understood as their contexts. Contexts play a crucial role in episodic memory retrieval. Despite this, little work has been done in the computational neuroscience literature on trying to investigate this relationship further. These interactions can be modelled with attractor neural networks such as the Bayesian Confidence Propagation Neural Network (BCPNN). In this project, the interaction between contextual aspects and memory items are studied by developing an abstract computational model of episodic memory retrieval. The effect of increasing the number of items associated with a particular context on the overall recall performance is examined. Finally, the role of synaptic plasticity modulation of certain item-context associations on recall is also analysed. It is found that an inverse relationship exists between the number of items associated with a context and their subsequent recall rates, i.e. as the number of items associated with an episodic context increase, the recall rates of the corresponding items decrease. Furthermore, it is found that the item-context pairs for which the synaptic plasticity is modulated during learning, have a significantly higher recall rate than the remaining unmodulated associations. / Episodiskt minne utgör en grundläggande aspekt av det mänskliga minnet som står för lagring av händelser samt de spatio-temporala relationerna mellan dem under en livstid. De spatio-temporala relationer i vilka episoderna är inbäddade kan betraktas som deras kontexter, vilka spelar en avgörande roll i episodisk minnesåterkallande. Trots detta har inte mycket forskning inom beräkningsneurovetenskapi gjorts för att närmare undersöka bakomliggande neurala mekanismer. Minnesåterkallandet inklusive interaktioner mellan kontext och minnesobjekt kan modelleras med återkopplade neurala nätverk, s k attraktornät, t ex av typen för Bayesian Confidence Propagation Neural Network (BCPNN). I det här projektet studeras interaktionen mellan kontextuella aspekter och minnesobjekt genom att utveckla en abstrakt BCPNN-modell av episodisk återkallande. Effekten av att variera antalet objekt-kontextassociationer på återkallningsbeteende undersöks. Slutligen analyseras också effekten av synaptisk plasticitetsmodulering av vissa minnesobjekt-kontext-associationer på korrekt minnesåterkallelse. Det observeras att när antalet objekt associerade med ett sammanhang ökar, minskar återkallningsfrekvensen för motsvarande objekt. Vidare är det konstaterat att minnesobjektföremålet-kontextpar för vilka den synaptiska plasticiteten moduleras under lärande, har en betydligt högre återkallningsgrad än de återstående omodulerade föreningarna.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-313095 |
| Date | January 2022 |
| Creators | Raj, Rohan |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| 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-EECS-EX ; 2022:103 |
Page generated in 0.002 seconds