{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1320612"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1320612","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Φαινόμενα συγχρονισμού σε δίκτυα νευρώνων","abstract":"Mελετάται σύστημα συζευγμένων νευρώνων στοχεύοντας στην κατανόηση φαινομένων συγχρονισμού στον ανθρώπινο εγκέφαλο.H δυναμική των νευρώνων μοντελοποιείται σύμφωνα με το Leaky Integrate-and-Fire (LIF), που τους θεωρεί ως πυκνωτές με ρεύμα διαρροής. Όταν το δυναμικό ενός νευρώνα υπερβεί ένα κατώφλι τότε εκφορτίζεται δημιουργώντας νευρική ώση (spike). Το δίκτυο νευρώνων που προσομοιώσαμε είναι δισδιάστατο 2D με μορφή τετραγωνικού πλέγματος και επιβολή περιοδικών συνοριακών συνθηκών.Το κύριο φαινόμενο που μελετάμε είναι οι χιμαιρικές καταστάσεις. Δηλαδή το φαινόμενο κατά το οποίο στο σύστημα συνυπάρχουν περιοχές όπου οι νευρώνες (ταλαντωτές) είναι συγχρονισμένοι και άλλες που είναι ασυγχρόνιστοι. Εκτελούμε διερεύνηση για τις παραμέτρους: (α) αριθμός αλληλεπιδρώντων γειτόνων, (β) σταθερά σύζευξης και εξετάζουμε πως επηρεάζεται το σύστημα από τις αρχικές συνθήκες. Δείχνουμε ότι υπάρχει πολυευστάθεια, δηλαδή για τις ίδιες τιμές των παραμέτρων ελέγχου παίρνουμε διαφορετικά αποτελέσματα αλλάζοντας μόνο τις αρχικές συνθήκες. Επίσης ανάλογα με τις τιμές των παραμέτρων εμφανίζονται συμμετρικές χιμαιρικές καταστάσεις με τις ασυγχρόνιστες περιοχές τους να βρίσκονται στους κόμβους ενός τετραγωνικού πλέγματος. Η πολλαπλότητά τους εξαρτάται από τις παραμέτρους του συστήματος. Τα αντίστοιχα διαγράμματα συχνοτήτων εμφανίζουν πηγάδια συχνότητας τα οποία χωρικά συμπίπτουν με τις ασυγχρόνιστες περιοχές πλέγματος. Η ευστάθεια και το βάθος τους αυξάνεται με την σταθερά σύζευξης.","abstract_html":"Mελετάται σύστημα συζευγμένων νευρώνων στοχεύοντας στην κατανόηση φαινομένων συγχρονισμού στον ανθρώπινο εγκέφαλο.H δυναμική των νευρώνων μοντελοποιείται σύμφωνα με το Leaky Integrate-and-Fire (LIF), που τους θεωρεί ως πυκνωτές με ρεύμα διαρροής. Όταν το δυναμικό ενός νευρώνα υπερβεί ένα κατώφλι τότε εκφορτίζεται δημιουργώντας νευρική ώση (spike). Το δίκτυο νευρώνων που προσομοιώσαμε είναι δισδιάστατο 2D με μορφή τετραγωνικού πλέγματος και επιβολή περιοδικών συνοριακών συνθηκών.Το κύριο φαινόμενο που μελετάμε είναι οι χιμαιρικές καταστάσεις. Δηλαδή το φαινόμενο κατά το οποίο στο σύστημα συνυπάρχουν περιοχές όπου οι νευρώνες (ταλαντωτές) είναι συγχρονισμένοι και άλλες που είναι ασυγχρόνιστοι. Εκτελούμε διερεύνηση για τις παραμέτρους: (α) αριθμός αλληλεπιδρώντων γειτόνων, (β) σταθερά σύζευξης και εξετάζουμε πως επηρεάζεται το σύστημα από τις αρχικές συνθήκες. Δείχνουμε ότι υπάρχει πολυευστάθεια, δηλαδή για τις ίδιες τιμές των παραμέτρων ελέγχου παίρνουμε διαφορετικά αποτελέσματα αλλάζοντας μόνο τις αρχικές συνθήκες. Επίσης ανάλογα με τις τιμές των παραμέτρων εμφανίζονται συμμετρικές χιμαιρικές καταστάσεις με τις ασυγχρόνιστες περιοχές τους να βρίσκονται στους κόμβους ενός τετραγωνικού πλέγματος. Η πολλαπλότητά τους εξαρτάται από τις παραμέτρους του συστήματος. Τα αντίστοιχα διαγράμματα συχνοτήτων εμφανίζουν πηγάδια συχνότητας τα οποία χωρικά συμπίπτουν με τις ασυγχρόνιστες περιοχές πλέγματος. Η ευστάθεια και το βάθος τους αυξάνεται με την σταθερά σύζευξης.","abstract_has_math":false,"creators":["Κασιμάτης Θεόδωρος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016","date_published":"2016","updated_at":"2026-11-19T05:26:28Z","subjects":[],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320612"],"render_values":[{"text":"uoadl:1320612","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320612","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320612","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1320612","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Κασιμάτης Θεόδωρος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2016"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320612","https://pergamos.lib.uoa.gr/uoa/dl/object/1320612"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Mελετάται σύστημα συζευγμένων νευρώνων στοχεύοντας στην κατανόηση φαινομένων συγχρονισμού στον ανθρώπινο εγκέφαλο.H δυναμική των νευρώνων μοντελοποιείται σύμφωνα με το Leaky Integrate-and-Fire (LIF), που τους θεωρεί ως πυκνωτές με ρεύμα διαρροής. Όταν το δυναμικό ενός νευρώνα υπερβεί ένα κατώφλι τότε εκφορτίζεται δημιουργώντας νευρική ώση (spike). Το δίκτυο νευρώνων που προσομοιώσαμε είναι δισδιάστατο 2D με μορφή τετραγωνικού πλέγματος και επιβολή περιοδικών συνοριακών συνθηκών.Το κύριο φαινόμενο που μελετάμε είναι οι χιμαιρικές καταστάσεις. Δηλαδή το φαινόμενο κατά το οποίο στο σύστημα συνυπάρχουν περιοχές όπου οι νευρώνες (ταλαντωτές) είναι συγχρονισμένοι και άλλες που είναι ασυγχρόνιστοι. Εκτελούμε διερεύνηση για τις παραμέτρους: (α) αριθμός αλληλεπιδρώντων γειτόνων, (β) σταθερά σύζευξης και εξετάζουμε πως επηρεάζεται το σύστημα από τις αρχικές συνθήκες. Δείχνουμε ότι υπάρχει πολυευστάθεια, δηλαδή για τις ίδιες τιμές των παραμέτρων ελέγχου παίρνουμε διαφορετικά αποτελέσματα αλλάζοντας μόνο τις αρχικές συνθήκες. Επίσης ανάλογα με τις τιμές των παραμέτρων εμφανίζονται συμμετρικές χιμαιρικές καταστάσεις με τις ασυγχρόνιστες περιοχές τους να βρίσκονται στους κόμβους ενός τετραγωνικού πλέγματος. Η πολλαπλότητά τους εξαρτάται από τις παραμέτρους του συστήματος. Τα αντίστοιχα διαγράμματα συχνοτήτων εμφανίζουν πηγάδια συχνότητας τα οποία χωρικά συμπίπτουν με τις ασυγχρόνιστες περιοχές πλέγματος. Η ευστάθεια και το βάθος τους αυξάνεται με την σταθερά σύζευξης.","We investigate a system of coupled neurons to understand synchronization phenomena in the human brain. For the simulation of dynamics of neurons we used the Leaky Integrate-and-Fire (LIF) model. The LIF model approximates the dynamics of neurons viewed as capacitors with leakage current. When the neuron potential reaches a threshold it discharges thus generating a spike. The neural network used is a 2D square lattice network with periodic boundary conditions. The main phenomenon that we investigate is chimera states. Chimera states are characterized by simultaneous existence of spatiotemporal synchronized and unsynchronized regions within the same system. We investigate the following control parameters: (a) number of interacting neurons, (b) coupling constant. We also investigate how the initial conditions affect the formation of chimera states. Our results lead to the following conclusions: We have multistability, which means that different stable states arise by only changing the initial conditions. We observe that symmetric chimera states arise with their unsynchronized regions forming the nodes of a square lattice. In the corresponding frequency diagramms we observe that frequency wells appear in the same positions where the unsynchronous regions are formed. The stability and depth of these frequency wells increases with the coupling constant."]},{"key":"dc:title","label":"Title","values":["Φαινόμενα συγχρονισμού σε δίκτυα νευρώνων"]}]}],"canonical_facts":{"dc:creator":["Κασιμάτης Θεόδωρος"],"dc:date":["2016"],"dc:description":["Mελετάται σύστημα συζευγμένων νευρώνων στοχεύοντας στην κατανόηση φαινομένων συγχρονισμού στον ανθρώπινο εγκέφαλο.H δυναμική των νευρώνων μοντελοποιείται σύμφωνα με το Leaky Integrate-and-Fire (LIF), που τους θεωρεί ως πυκνωτές με ρεύμα διαρροής. Όταν το δυναμικό ενός νευρώνα υπερβεί ένα κατώφλι τότε εκφορτίζεται δημιουργώντας νευρική ώση (spike). Το δίκτυο νευρώνων που προσομοιώσαμε είναι δισδιάστατο 2D με μορφή τετραγωνικού πλέγματος και επιβολή περιοδικών συνοριακών συνθηκών.Το κύριο φαινόμενο που μελετάμε είναι οι χιμαιρικές καταστάσεις. Δηλαδή το φαινόμενο κατά το οποίο στο σύστημα συνυπάρχουν περιοχές όπου οι νευρώνες (ταλαντωτές) είναι συγχρονισμένοι και άλλες που είναι ασυγχρόνιστοι. Εκτελούμε διερεύνηση για τις παραμέτρους: (α) αριθμός αλληλεπιδρώντων γειτόνων, (β) σταθερά σύζευξης και εξετάζουμε πως επηρεάζεται το σύστημα από τις αρχικές συνθήκες. Δείχνουμε ότι υπάρχει πολυευστάθεια, δηλαδή για τις ίδιες τιμές των παραμέτρων ελέγχου παίρνουμε διαφορετικά αποτελέσματα αλλάζοντας μόνο τις αρχικές συνθήκες. Επίσης ανάλογα με τις τιμές των παραμέτρων εμφανίζονται συμμετρικές χιμαιρικές καταστάσεις με τις ασυγχρόνιστες περιοχές τους να βρίσκονται στους κόμβους ενός τετραγωνικού πλέγματος. Η πολλαπλότητά τους εξαρτάται από τις παραμέτρους του συστήματος. Τα αντίστοιχα διαγράμματα συχνοτήτων εμφανίζουν πηγάδια συχνότητας τα οποία χωρικά συμπίπτουν με τις ασυγχρόνιστες περιοχές πλέγματος. Η ευστάθεια και το βάθος τους αυξάνεται με την σταθερά σύζευξης.","We investigate a system of coupled neurons to understand synchronization phenomena in the human brain. For the simulation of dynamics of neurons we used the Leaky Integrate-and-Fire (LIF) model. The LIF model approximates the dynamics of neurons viewed as capacitors with leakage current. When the neuron potential reaches a threshold it discharges thus generating a spike. The neural network used is a 2D square lattice network with periodic boundary conditions. The main phenomenon that we investigate is chimera states. Chimera states are characterized by simultaneous existence of spatiotemporal synchronized and unsynchronized regions within the same system. We investigate the following control parameters: (a) number of interacting neurons, (b) coupling constant. We also investigate how the initial conditions affect the formation of chimera states. Our results lead to the following conclusions: We have multistability, which means that different stable states arise by only changing the initial conditions. We observe that symmetric chimera states arise with their unsynchronized regions forming the nodes of a square lattice. In the corresponding frequency diagramms we observe that frequency wells appear in the same positions where the unsynchronous regions are formed. The stability and depth of these frequency wells increases with the coupling constant."],"dc:identifier":["uoadl:1320612","https://pergamos.lib.uoa.gr/uoa/dl/object/1320612"],"dc:language":["Ελληνικά","Greek"],"dc:title":["Φαινόμενα συγχρονισμού σε δίκτυα νευρώνων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:28Z"}