Return to search

Theoretical mechanisms of information filtering in stochastic single neuron models

Die vorliegende Arbeit beschäftigt sich mit Mechanismen, die in Einzelzellmodellen zu einer frequenzabhängigen Informationsübertragung führen können. Um dies zu untersuchen, werden Methoden aus der theoretischen Physik (Statistische Physik) und der Informationstheorie angewandt. Die Informationsfilterung in mehreren stochastischen Neuronmodellen, in denen unterschiedliche Mechanismen zur Informationsfilterung führen können, werden numerisch und, falls möglich, analytisch untersucht. Die Bandbreite der betrachteten Modelle erstreckt sich von reduzierten strombasierten ’Integrate-and-Fire’ (IF) Modellen bis zu biophysikalisch realistischeren leitfähigkeitsbasierten Modellen. Anhand numerischer Untersuchungen wird aufgezeigt, dass viele Varianten der IF-Neuronenmodelle vorzugsweise Information über langsame Anteile eines zeitabhängigen Eingangssignals übertragen. Der einfachste Vertreter der oben genannten Klasse der IF-Neuronmodelle wird dahingehend erweitert, dass ein Konzept von neuronalem ’Gedächtnis’, vermittelst positiver Korrelationen zwischen benachbarten Intervallen aufeinander- folgender Spikes, integriert wird. Dieses Model erlaubt eine analytische störungstheoretische Untersuchung der Auswirkungen positiver Korrelationen auf die Informationsfilterung. Um zu untersuchen, wie sich sogenannte ’unterschwelligen Resonanzen’ auf die Signalübertragung auswirken, werden Neuronenmodelle mit verschiedenen Nichtlinearitäten anhand numerischer Computersimulationen analysiert. Abschließend wird die Signalübertragung in einem neuronalen Kaskadensystem, bestehend aus linearen und nichtlinearen Elementen, betrachtet. Neuronale Nichtlinearitäten bewirken eine gegenläufige Abhängigkeit (engl. "trade-off") zwischen qualitativer, d.h. frequenzselektiver, und quantitativer Informations-übertragung, welche in allen von mir untersuchten Modellen diskutiert wird. Diese Arbeit hebt die Gewichtigkeit von Nichtlinearitäten in der neuronalen Informationsfilterung hervor. / Neurons transmit information about time-dependent input signals via highly non-linear responses, so-called action potentials or spikes. This type of information transmission can be frequency-dependent and allows for preferences for certain stimulus components. A single neuron can transmit either slow components (low pass filter), fast components (high pass filter), or intermediate components (band pass filter) of a time-dependent input signal. Using methods developed in theoretical physics (statistical physics) within the framework of information theory, in this thesis, cell-intrinsic mechanisms are being investigated that can lead to frequency selectivity on the level of information transmission. Various stochastic single neuron models are examined numerically and, if tractable analytically. Ranging from simple spiking models to complex conductance-based models with and without nonlinearities, these models include integrator as well as resonator dynamics. First, spectral information filtering characteristics of different types of stochastic current-based integrator neuron models are being studied. Subsequently, the simple deterministic PIF model is being extended with a stochastic spiking rule, leading to positive correlations between successive interspike intervals (ISIs). Thereafter, models are being examined which show subthreshold resonances (so-called resonator models) and their effects on the spectral information filtering characteristics are being investigated. Finally, the spectral information filtering properties of stochastic linearnonlinear cascade neuron models are being researched by employing different static nonlinearities (SNLs). The trade-off between frequency-dependent signal transmission and the total amount of transmitted information will be demonstrated in all models and constitutes a direct consequence of the nonlinear formulation of the models.

Identiferoai:union.ndltd.org:HUMBOLT/oai:edoc.hu-berlin.de:18452/18229
Date16 August 2016
CreatorsBlankenburg, Sven
ContributorsLindner, Benjamin, Schimansky-Geier, Lutz, Ditlevsen, Susanne
PublisherHumboldt-Universität zu Berlin, Mathematisch-Naturwissenschaftliche Fakultät
Source SetsHumboldt University of Berlin
LanguageEnglish
Detected LanguageEnglish
TypedoctoralThesis, doc-type:doctoralThesis
Formatapplication/pdf
RightsNamensnennung - Keine kommerzielle Nutzung - Keine Bearbeitung, http://creativecommons.org/licenses/by-nc-nd/3.0/de/

Page generated in 0.003 seconds