{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1327997"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1327997","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Probabilistic Approaches for describing Neural Population Density","abstract":"Οι πληροφορίες στον εγκέφαλο μεταδίδονται μέσα απο τους νευρώνες. Αυτό γίνεται μέσω αλλαγών στο δυναμικό ηρεμίας της μεμβράνης, δηλαδή το δυναμικό όταν ο νευρώνας δεν δέχεται σήμα. Ο νευρώνας δέχεται σήματα απο άλλους νευρώνες στις συνάψεις και τα σήματα αυτά αλλάζουν το δυναμικό ηρεμίας του. Οι αλλαγές αυτές προκύπτουν απο την ροή ιόντων μέσα και έξω απο το κύτταρο, η οποία είναι δυνατή λόγω ειδικών διόδων που υπάρχουν στην μεμβράνη. Μια δίοδος μπορεί να είναι είτε ανοιχτή είτε κλειστή και αυτό εξαρτάται από το δυναμικό της μεμβράνης και απο κάποιες ουσίες, τους νευροδιαβιβαστές, οι οποίες απελευθερώνονται απο άλλους νευρώνες και μπορούν είτε να διεγείρουν ή να αναστείλουν το κύτταρο. Όταν το δυναμικό φτάσει κάποιο κατώφλι, τότε δημιουργείται νευρικός παλμός. Η μετάδοση της πληροφορίας στον εγκέφαλο μοντελοποιείται μέσω του ρυθμού παραγωγής παλμών ή μέσω των στιγμών που είχαμε παλμό. Σε αυτή την εργασία, θα χωρίσουμε τους νευρώνες σε πληθυσμούς απο ``όμοιους'' νευρώνες και θα φτιάξουμε μια συνάρτηση πυκνότητας για κάθε πληθυσμό. Στην συνέχεια, ανάλογα με τις υποθέσεις που θα έχουμε κάθε φορά, θα βρούμε την εξίσωση που θα περιγράφει την εξέληξη αυτης της συνάρτησης. Το πρώτο κεφάλαιο αναφέρεται σε κάποια βασικά βιολογικά χαρακτηριστικά των νευρώνων, τα οποία είναι απαραίτητα για να καταλάβουμε τα μοντέλα που περιγράφονται στα επόμενα κεφάλαια. Στο κεφάλαιο αυτό, επίσης, περιγράφεται ο νευρώνας ως ενα κύκλωμα RC. Στο δεύτερο κεφάλαιο δείχνουμε οτι η διαδικασία Ornstein-Uhlenbeck είναι κατάλληλη να περιγράψει την εξέληξη του δυναμικού, δεδομένου οτι ο νευρώνας δέχεται σήματα με κάποιο ρυθμό Poisson. Στο τελευταίο κεφάλαιο προσθέτουμε κι άλλες υποθέσεις, οι οποίες αφορούν τις αγωγιμότητες, τις συνάψεις αλλα και τον τρόπο που συνδέονται διαφορετικοί πληθυσμοί νευρώνων μεταξύ τους και φτιάχνουμε τις αντίστοιχες εξισώσεις.","abstract_html":"Οι πληροφορίες στον εγκέφαλο μεταδίδονται μέσα απο τους νευρώνες. Αυτό γίνεται μέσω αλλαγών στο δυναμικό ηρεμίας της μεμβράνης, δηλαδή το δυναμικό όταν ο νευρώνας δεν δέχεται σήμα. Ο νευρώνας δέχεται σήματα απο άλλους νευρώνες στις συνάψεις και τα σήματα αυτά αλλάζουν το δυναμικό ηρεμίας του. Οι αλλαγές αυτές προκύπτουν απο την ροή ιόντων μέσα και έξω απο το κύτταρο, η οποία είναι δυνατή λόγω ειδικών διόδων που υπάρχουν στην μεμβράνη. Μια δίοδος μπορεί να είναι είτε ανοιχτή είτε κλειστή και αυτό εξαρτάται από το δυναμικό της μεμβράνης και απο κάποιες ουσίες, τους νευροδιαβιβαστές, οι οποίες απελευθερώνονται απο άλλους νευρώνες και μπορούν είτε να διεγείρουν ή να αναστείλουν το κύτταρο. Όταν το δυναμικό φτάσει κάποιο κατώφλι, τότε δημιουργείται νευρικός παλμός. Η μετάδοση της πληροφορίας στον εγκέφαλο μοντελοποιείται μέσω του ρυθμού παραγωγής παλμών ή μέσω των στιγμών που είχαμε παλμό. Σε αυτή την εργασία, θα χωρίσουμε τους νευρώνες σε πληθυσμούς απο ``όμοιους&#x27;&#x27; νευρώνες και θα φτιάξουμε μια συνάρτηση πυκνότητας για κάθε πληθυσμό. Στην συνέχεια, ανάλογα με τις υποθέσεις που θα έχουμε κάθε φορά, θα βρούμε την εξίσωση που θα περιγράφει την εξέληξη αυτης της συνάρτησης. Το πρώτο κεφάλαιο αναφέρεται σε κάποια βασικά βιολογικά χαρακτηριστικά των νευρώνων, τα οποία είναι απαραίτητα για να καταλάβουμε τα μοντέλα που περιγράφονται στα επόμενα κεφάλαια. Στο κεφάλαιο αυτό, επίσης, περιγράφεται ο νευρώνας ως ενα κύκλωμα RC. Στο δεύτερο κεφάλαιο δείχνουμε οτι η διαδικασία Ornstein-Uhlenbeck είναι κατάλληλη να περιγράψει την εξέληξη του δυναμικού, δεδομένου οτι ο νευρώνας δέχεται σήματα με κάποιο ρυθμό Poisson. Στο τελευταίο κεφάλαιο προσθέτουμε κι άλλες υποθέσεις, οι οποίες αφορούν τις αγωγιμότητες, τις συνάψεις αλλα και τον τρόπο που συνδέονται διαφορετικοί πληθυσμοί νευρώνων μεταξύ τους και φτιάχνουμε τις αντίστοιχες εξισώσεις.","abstract_has_math":false,"creators":["Μάλτσι Ανιέζα","Maltsi Anieza"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2017,"date_issued":"2017","date_published":"2017","updated_at":"2026-11-19T05:27:34Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1327997"],"render_values":[{"text":"uoadl:1327997","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1327997","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1327997","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%3A1327997","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μάλτσι Ανιέζα","Maltsi Anieza"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2017"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1327997","https://pergamos.lib.uoa.gr/uoa/dl/object/1327997"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Οι πληροφορίες στον εγκέφαλο μεταδίδονται μέσα απο τους νευρώνες. Αυτό γίνεται μέσω αλλαγών στο δυναμικό ηρεμίας της μεμβράνης, δηλαδή το δυναμικό όταν ο νευρώνας δεν δέχεται σήμα. Ο νευρώνας δέχεται σήματα απο άλλους νευρώνες στις συνάψεις και τα σήματα αυτά αλλάζουν το δυναμικό ηρεμίας του. Οι αλλαγές αυτές προκύπτουν απο την ροή ιόντων μέσα και έξω απο το κύτταρο, η οποία είναι δυνατή λόγω ειδικών διόδων που υπάρχουν στην μεμβράνη. Μια δίοδος μπορεί να είναι είτε ανοιχτή είτε κλειστή και αυτό εξαρτάται από το δυναμικό της μεμβράνης και απο κάποιες ουσίες, τους νευροδιαβιβαστές, οι οποίες απελευθερώνονται απο άλλους νευρώνες και μπορούν είτε να διεγείρουν ή να αναστείλουν το κύτταρο. Όταν το δυναμικό φτάσει κάποιο κατώφλι, τότε δημιουργείται νευρικός παλμός. Η μετάδοση της πληροφορίας στον εγκέφαλο μοντελοποιείται μέσω του ρυθμού παραγωγής παλμών ή μέσω των στιγμών που είχαμε παλμό. Σε αυτή την εργασία, θα χωρίσουμε τους νευρώνες σε πληθυσμούς απο ``όμοιους'' νευρώνες και θα φτιάξουμε μια συνάρτηση πυκνότητας για κάθε πληθυσμό. Στην συνέχεια, ανάλογα με τις υποθέσεις που θα έχουμε κάθε φορά, θα βρούμε την εξίσωση που θα περιγράφει την εξέληξη αυτης της συνάρτησης. Το πρώτο κεφάλαιο αναφέρεται σε κάποια βασικά βιολογικά χαρακτηριστικά των νευρώνων, τα οποία είναι απαραίτητα για να καταλάβουμε τα μοντέλα που περιγράφονται στα επόμενα κεφάλαια. Στο κεφάλαιο αυτό, επίσης, περιγράφεται ο νευρώνας ως ενα κύκλωμα RC. Στο δεύτερο κεφάλαιο δείχνουμε οτι η διαδικασία Ornstein-Uhlenbeck είναι κατάλληλη να περιγράψει την εξέληξη του δυναμικού, δεδομένου οτι ο νευρώνας δέχεται σήματα με κάποιο ρυθμό Poisson. Στο τελευταίο κεφάλαιο προσθέτουμε κι άλλες υποθέσεις, οι οποίες αφορούν τις αγωγιμότητες, τις συνάψεις αλλα και τον τρόπο που συνδέονται διαφορετικοί πληθυσμοί νευρώνων μεταξύ τους και φτιάχνουμε τις αντίστοιχες εξισώσεις.","Probabilistic approaches model neural population density directly and bypass direct simulations of individual neurons. In this Dissertation, we will review Fokker-Planck equations that describe population density dynamics and summarize the flow and dispersion of states. These can be derived by grouping together single units into statistically similar populations. A statistical description of each population is given by a probability density function that expresses the distribution of neuronal states (i.e., membrane potential) over the population. In general, neurons with the same state V(t) at a given time t have a different history because of random fluctuations in the input current I(t). Starting from a spiking model that describe the activity of individual cells, we first derive the time evolution of the population density. Depending on our assumptions, we derive a different equation. In chapter 2, where we have made the assumption that the arrival times of synaptic inputs are Poisson distributed, we derive the Fokker-Planck equation. In chapter 3 , we introduce more assupmtions and derive different equations. We then use this equation to introduce mean field models that describe ensemble responses and discuss their application in describing neuronal interactions at the mesoscopic scale."]},{"key":"dc:title","label":"Title","values":["Probabilistic Approaches for describing Neural Population Density"]}]}],"canonical_facts":{"dc:creator":["Μάλτσι Ανιέζα","Maltsi Anieza"],"dc:date":["2017"],"dc:description":["Οι πληροφορίες στον εγκέφαλο μεταδίδονται μέσα απο τους νευρώνες. Αυτό γίνεται μέσω αλλαγών στο δυναμικό ηρεμίας της μεμβράνης, δηλαδή το δυναμικό όταν ο νευρώνας δεν δέχεται σήμα. Ο νευρώνας δέχεται σήματα απο άλλους νευρώνες στις συνάψεις και τα σήματα αυτά αλλάζουν το δυναμικό ηρεμίας του. Οι αλλαγές αυτές προκύπτουν απο την ροή ιόντων μέσα και έξω απο το κύτταρο, η οποία είναι δυνατή λόγω ειδικών διόδων που υπάρχουν στην μεμβράνη. Μια δίοδος μπορεί να είναι είτε ανοιχτή είτε κλειστή και αυτό εξαρτάται από το δυναμικό της μεμβράνης και απο κάποιες ουσίες, τους νευροδιαβιβαστές, οι οποίες απελευθερώνονται απο άλλους νευρώνες και μπορούν είτε να διεγείρουν ή να αναστείλουν το κύτταρο. Όταν το δυναμικό φτάσει κάποιο κατώφλι, τότε δημιουργείται νευρικός παλμός. Η μετάδοση της πληροφορίας στον εγκέφαλο μοντελοποιείται μέσω του ρυθμού παραγωγής παλμών ή μέσω των στιγμών που είχαμε παλμό. Σε αυτή την εργασία, θα χωρίσουμε τους νευρώνες σε πληθυσμούς απο ``όμοιους'' νευρώνες και θα φτιάξουμε μια συνάρτηση πυκνότητας για κάθε πληθυσμό. Στην συνέχεια, ανάλογα με τις υποθέσεις που θα έχουμε κάθε φορά, θα βρούμε την εξίσωση που θα περιγράφει την εξέληξη αυτης της συνάρτησης. Το πρώτο κεφάλαιο αναφέρεται σε κάποια βασικά βιολογικά χαρακτηριστικά των νευρώνων, τα οποία είναι απαραίτητα για να καταλάβουμε τα μοντέλα που περιγράφονται στα επόμενα κεφάλαια. Στο κεφάλαιο αυτό, επίσης, περιγράφεται ο νευρώνας ως ενα κύκλωμα RC. Στο δεύτερο κεφάλαιο δείχνουμε οτι η διαδικασία Ornstein-Uhlenbeck είναι κατάλληλη να περιγράψει την εξέληξη του δυναμικού, δεδομένου οτι ο νευρώνας δέχεται σήματα με κάποιο ρυθμό Poisson. Στο τελευταίο κεφάλαιο προσθέτουμε κι άλλες υποθέσεις, οι οποίες αφορούν τις αγωγιμότητες, τις συνάψεις αλλα και τον τρόπο που συνδέονται διαφορετικοί πληθυσμοί νευρώνων μεταξύ τους και φτιάχνουμε τις αντίστοιχες εξισώσεις.","Probabilistic approaches model neural population density directly and bypass direct simulations of individual neurons. In this Dissertation, we will review Fokker-Planck equations that describe population density dynamics and summarize the flow and dispersion of states. These can be derived by grouping together single units into statistically similar populations. A statistical description of each population is given by a probability density function that expresses the distribution of neuronal states (i.e., membrane potential) over the population. In general, neurons with the same state V(t) at a given time t have a different history because of random fluctuations in the input current I(t). Starting from a spiking model that describe the activity of individual cells, we first derive the time evolution of the population density. Depending on our assumptions, we derive a different equation. In chapter 2, where we have made the assumption that the arrival times of synaptic inputs are Poisson distributed, we derive the Fokker-Planck equation. In chapter 3 , we introduce more assupmtions and derive different equations. We then use this equation to introduce mean field models that describe ensemble responses and discuss their application in describing neuronal interactions at the mesoscopic scale."],"dc:identifier":["uoadl:1327997","https://pergamos.lib.uoa.gr/uoa/dl/object/1327997"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Probabilistic Approaches for describing Neural Population Density"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:27:34Z"}