Modelos no lineales de la dinámica de sistemas neuronales

Autores
Baravalle, Román
Año de publicación
2019
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Montani, Fernando Fabián
Descripción
La actividad eléctrica del cerebro puede considerarse gobernada por una dinámica no lineal y caótica. Por ello la física de los sistemas din amicos ha hecho y hace aportes muy significativos al entendimiento del cerebro. En particular, la Teoría de la Información mostró, a partir de los trabajos de Kolmogorov y Sinai, conexiones muy profundas con la de Sistemas Dinámicos, tanto a nivel matemático como conceptual. Es por ello que la presente tesis tiene como teoría matemática fundamental detrás la Teoría de la Información, más allá de otros aportes importantes por parte de la Geometría de la Información, la teoría de Sistemas Dinámicos, y la teoría matemática de Análisis de Señales. La presente tesis fluctúa siempre entre el desarrollo de modelos teóricos, tanto a nivel analítico como computacional, y el análisis de datos obtenidos de experimentos, provenientes de diferentes fuentes y con diversas aplicaciones. La presente tesis se trata de realizar aportes al estudio de los problemas actuales en neurociencia, con un énfasis en el estudio de la actividad del cerebro a escala de poblaciones de neuronas. En el capítulo 2 comenzaremos describiendo los resultados obtenidos para el análisis de modelos dinámicos de una única neurona. Se estudiará el inicio del potencial de acción en el modelo de Hodgkin-Huxley, tomando en cuenta la estocasticidad de las corrientes sinápticas que afectan a la neurona. Para resolver la ecuación del modelo estocástico, se utilizará la metodología de Integrales de Camino, una herramienta muy conocida en la física cuántica y en la teoría de procesos estocásticos. En el capítulo 3 se estudiará el modelo de neurona de Izhikevich, caracterizando las series temporales producidas por el mismo, utilizando un método simbólico de análisis de señales desarrollado por Bandt y Pompe. En los capítulos 4 y 5 se estudiarán señales de electroencefalografía en humanos, relacionadas con un experimento visuomotor e imaginativo, utilizando el mismo método simbólico y los mismos cuantificadores del capítulo 3. Esto nos permitirá determinar cuáles son las bandas de frecuencia relacionadas con las tareas realizadas por los participantes del experimento. En el capítulo 6, estudiaremos la misma base de datos del capítulo anterior, primero generando unos grafos a partir de la simbolización de Bandt y Pompe y la divergencia de Jensen-Shannon. Luego, en el capítulo 7, utilizaremos la transformada Wavelet para estudiar la distribución de energía en el espectro de frecuencias en la realización de estas tareas. Ambas técnicas nos permitirán diferenciar entre tareas realizadas e imaginadas. En el capítulo 8 se estudiará un modelo de poblaciones de neuronas que permite generar correlaciones de alto orden a partir de inputs Gaussianos comunes a todas las neuronas. Dicho modelo es el modelo Gaussiano dicotomizado, creado por Amari et al. y estudiado por Macke et al. Dicho modelo presenta una transición de fase, que caracterizamos en este capítulo usando los cumulantes de orden superior, skewness y kurtosis, para develar el mecanismo estadístico que genera dicha transición de fase. En el capítulo 9, se extenderá el modelo Gaussiano dicotomizado del capítulo anterior, a uno donde los inputs estén representados por una distribución asimétrica, es decir, con skewness distinta de cero. Dicha asimetría en los inputs induce otra transición en el sistema, que estudiamos a través de simulaciones y analíticamente en el límite termodinámico. En el capítulo 10 estudiaremos señales eléctricas provenientes de otras técnicas de medición. Se estudiarán los efectos de dos tipos de anestesia sobre ratones, midiendo potenciales visuales evocados usando electrocorticografía, y describiendo los mismos a través de las correlaciones de pares, y de alto orden, entre los sitios de medición.
Doctor en Ciencias Exactas, área Física
Universidad Nacional de La Plata
Facultad de Ciencias Exactas
Materia
Física
Sistemas neuronales
Neurociencias
Neuronas
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/93446

id SEDICI_f94cf8269caf54d867c7d23f57bd32c3
oai_identifier_str oai:sedici.unlp.edu.ar:10915/93446
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Modelos no lineales de la dinámica de sistemas neuronalesBaravalle, RománFísicaSistemas neuronalesNeurocienciasNeuronasLa actividad eléctrica del cerebro puede considerarse gobernada por una dinámica no lineal y caótica. Por ello la física de los sistemas din amicos ha hecho y hace aportes muy significativos al entendimiento del cerebro. En particular, la Teoría de la Información mostró, a partir de los trabajos de Kolmogorov y Sinai, conexiones muy profundas con la de Sistemas Dinámicos, tanto a nivel matemático como conceptual. Es por ello que la presente tesis tiene como teoría matemática fundamental detrás la Teoría de la Información, más allá de otros aportes importantes por parte de la Geometría de la Información, la teoría de Sistemas Dinámicos, y la teoría matemática de Análisis de Señales. La presente tesis fluctúa siempre entre el desarrollo de modelos teóricos, tanto a nivel analítico como computacional, y el análisis de datos obtenidos de experimentos, provenientes de diferentes fuentes y con diversas aplicaciones. La presente tesis se trata de realizar aportes al estudio de los problemas actuales en neurociencia, con un énfasis en el estudio de la actividad del cerebro a escala de poblaciones de neuronas. En el capítulo 2 comenzaremos describiendo los resultados obtenidos para el análisis de modelos dinámicos de una única neurona. Se estudiará el inicio del potencial de acción en el modelo de Hodgkin-Huxley, tomando en cuenta la estocasticidad de las corrientes sinápticas que afectan a la neurona. Para resolver la ecuación del modelo estocástico, se utilizará la metodología de Integrales de Camino, una herramienta muy conocida en la física cuántica y en la teoría de procesos estocásticos. En el capítulo 3 se estudiará el modelo de neurona de Izhikevich, caracterizando las series temporales producidas por el mismo, utilizando un método simbólico de análisis de señales desarrollado por Bandt y Pompe. En los capítulos 4 y 5 se estudiarán señales de electroencefalografía en humanos, relacionadas con un experimento visuomotor e imaginativo, utilizando el mismo método simbólico y los mismos cuantificadores del capítulo 3. Esto nos permitirá determinar cuáles son las bandas de frecuencia relacionadas con las tareas realizadas por los participantes del experimento. En el capítulo 6, estudiaremos la misma base de datos del capítulo anterior, primero generando unos grafos a partir de la simbolización de Bandt y Pompe y la divergencia de Jensen-Shannon. Luego, en el capítulo 7, utilizaremos la transformada Wavelet para estudiar la distribución de energía en el espectro de frecuencias en la realización de estas tareas. Ambas técnicas nos permitirán diferenciar entre tareas realizadas e imaginadas. En el capítulo 8 se estudiará un modelo de poblaciones de neuronas que permite generar correlaciones de alto orden a partir de inputs Gaussianos comunes a todas las neuronas. Dicho modelo es el modelo Gaussiano dicotomizado, creado por Amari et al. y estudiado por Macke et al. Dicho modelo presenta una transición de fase, que caracterizamos en este capítulo usando los cumulantes de orden superior, skewness y kurtosis, para develar el mecanismo estadístico que genera dicha transición de fase. En el capítulo 9, se extenderá el modelo Gaussiano dicotomizado del capítulo anterior, a uno donde los inputs estén representados por una distribución asimétrica, es decir, con skewness distinta de cero. Dicha asimetría en los inputs induce otra transición en el sistema, que estudiamos a través de simulaciones y analíticamente en el límite termodinámico. En el capítulo 10 estudiaremos señales eléctricas provenientes de otras técnicas de medición. Se estudiarán los efectos de dos tipos de anestesia sobre ratones, midiendo potenciales visuales evocados usando electrocorticografía, y describiendo los mismos a través de las correlaciones de pares, y de alto orden, entre los sitios de medición.Doctor en Ciencias Exactas, área FísicaUniversidad Nacional de La PlataFacultad de Ciencias ExactasMontani, Fernando Fabián2019-12-18info:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionTesis de doctoradohttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/93446https://doi.org/10.35537/10915/93446spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:19:22Zoai:sedici.unlp.edu.ar:10915/93446Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:19:22.919SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Modelos no lineales de la dinámica de sistemas neuronales
title Modelos no lineales de la dinámica de sistemas neuronales
spellingShingle Modelos no lineales de la dinámica de sistemas neuronales
Baravalle, Román
Física
Sistemas neuronales
Neurociencias
Neuronas
title_short Modelos no lineales de la dinámica de sistemas neuronales
title_full Modelos no lineales de la dinámica de sistemas neuronales
title_fullStr Modelos no lineales de la dinámica de sistemas neuronales
title_full_unstemmed Modelos no lineales de la dinámica de sistemas neuronales
title_sort Modelos no lineales de la dinámica de sistemas neuronales
dc.creator.none.fl_str_mv Baravalle, Román
author Baravalle, Román
author_facet Baravalle, Román
author_role author
dc.contributor.none.fl_str_mv Montani, Fernando Fabián
dc.subject.none.fl_str_mv Física
Sistemas neuronales
Neurociencias
Neuronas
topic Física
Sistemas neuronales
Neurociencias
Neuronas
dc.description.none.fl_txt_mv La actividad eléctrica del cerebro puede considerarse gobernada por una dinámica no lineal y caótica. Por ello la física de los sistemas din amicos ha hecho y hace aportes muy significativos al entendimiento del cerebro. En particular, la Teoría de la Información mostró, a partir de los trabajos de Kolmogorov y Sinai, conexiones muy profundas con la de Sistemas Dinámicos, tanto a nivel matemático como conceptual. Es por ello que la presente tesis tiene como teoría matemática fundamental detrás la Teoría de la Información, más allá de otros aportes importantes por parte de la Geometría de la Información, la teoría de Sistemas Dinámicos, y la teoría matemática de Análisis de Señales. La presente tesis fluctúa siempre entre el desarrollo de modelos teóricos, tanto a nivel analítico como computacional, y el análisis de datos obtenidos de experimentos, provenientes de diferentes fuentes y con diversas aplicaciones. La presente tesis se trata de realizar aportes al estudio de los problemas actuales en neurociencia, con un énfasis en el estudio de la actividad del cerebro a escala de poblaciones de neuronas. En el capítulo 2 comenzaremos describiendo los resultados obtenidos para el análisis de modelos dinámicos de una única neurona. Se estudiará el inicio del potencial de acción en el modelo de Hodgkin-Huxley, tomando en cuenta la estocasticidad de las corrientes sinápticas que afectan a la neurona. Para resolver la ecuación del modelo estocástico, se utilizará la metodología de Integrales de Camino, una herramienta muy conocida en la física cuántica y en la teoría de procesos estocásticos. En el capítulo 3 se estudiará el modelo de neurona de Izhikevich, caracterizando las series temporales producidas por el mismo, utilizando un método simbólico de análisis de señales desarrollado por Bandt y Pompe. En los capítulos 4 y 5 se estudiarán señales de electroencefalografía en humanos, relacionadas con un experimento visuomotor e imaginativo, utilizando el mismo método simbólico y los mismos cuantificadores del capítulo 3. Esto nos permitirá determinar cuáles son las bandas de frecuencia relacionadas con las tareas realizadas por los participantes del experimento. En el capítulo 6, estudiaremos la misma base de datos del capítulo anterior, primero generando unos grafos a partir de la simbolización de Bandt y Pompe y la divergencia de Jensen-Shannon. Luego, en el capítulo 7, utilizaremos la transformada Wavelet para estudiar la distribución de energía en el espectro de frecuencias en la realización de estas tareas. Ambas técnicas nos permitirán diferenciar entre tareas realizadas e imaginadas. En el capítulo 8 se estudiará un modelo de poblaciones de neuronas que permite generar correlaciones de alto orden a partir de inputs Gaussianos comunes a todas las neuronas. Dicho modelo es el modelo Gaussiano dicotomizado, creado por Amari et al. y estudiado por Macke et al. Dicho modelo presenta una transición de fase, que caracterizamos en este capítulo usando los cumulantes de orden superior, skewness y kurtosis, para develar el mecanismo estadístico que genera dicha transición de fase. En el capítulo 9, se extenderá el modelo Gaussiano dicotomizado del capítulo anterior, a uno donde los inputs estén representados por una distribución asimétrica, es decir, con skewness distinta de cero. Dicha asimetría en los inputs induce otra transición en el sistema, que estudiamos a través de simulaciones y analíticamente en el límite termodinámico. En el capítulo 10 estudiaremos señales eléctricas provenientes de otras técnicas de medición. Se estudiarán los efectos de dos tipos de anestesia sobre ratones, midiendo potenciales visuales evocados usando electrocorticografía, y describiendo los mismos a través de las correlaciones de pares, y de alto orden, entre los sitios de medición.
Doctor en Ciencias Exactas, área Física
Universidad Nacional de La Plata
Facultad de Ciencias Exactas
description La actividad eléctrica del cerebro puede considerarse gobernada por una dinámica no lineal y caótica. Por ello la física de los sistemas din amicos ha hecho y hace aportes muy significativos al entendimiento del cerebro. En particular, la Teoría de la Información mostró, a partir de los trabajos de Kolmogorov y Sinai, conexiones muy profundas con la de Sistemas Dinámicos, tanto a nivel matemático como conceptual. Es por ello que la presente tesis tiene como teoría matemática fundamental detrás la Teoría de la Información, más allá de otros aportes importantes por parte de la Geometría de la Información, la teoría de Sistemas Dinámicos, y la teoría matemática de Análisis de Señales. La presente tesis fluctúa siempre entre el desarrollo de modelos teóricos, tanto a nivel analítico como computacional, y el análisis de datos obtenidos de experimentos, provenientes de diferentes fuentes y con diversas aplicaciones. La presente tesis se trata de realizar aportes al estudio de los problemas actuales en neurociencia, con un énfasis en el estudio de la actividad del cerebro a escala de poblaciones de neuronas. En el capítulo 2 comenzaremos describiendo los resultados obtenidos para el análisis de modelos dinámicos de una única neurona. Se estudiará el inicio del potencial de acción en el modelo de Hodgkin-Huxley, tomando en cuenta la estocasticidad de las corrientes sinápticas que afectan a la neurona. Para resolver la ecuación del modelo estocástico, se utilizará la metodología de Integrales de Camino, una herramienta muy conocida en la física cuántica y en la teoría de procesos estocásticos. En el capítulo 3 se estudiará el modelo de neurona de Izhikevich, caracterizando las series temporales producidas por el mismo, utilizando un método simbólico de análisis de señales desarrollado por Bandt y Pompe. En los capítulos 4 y 5 se estudiarán señales de electroencefalografía en humanos, relacionadas con un experimento visuomotor e imaginativo, utilizando el mismo método simbólico y los mismos cuantificadores del capítulo 3. Esto nos permitirá determinar cuáles son las bandas de frecuencia relacionadas con las tareas realizadas por los participantes del experimento. En el capítulo 6, estudiaremos la misma base de datos del capítulo anterior, primero generando unos grafos a partir de la simbolización de Bandt y Pompe y la divergencia de Jensen-Shannon. Luego, en el capítulo 7, utilizaremos la transformada Wavelet para estudiar la distribución de energía en el espectro de frecuencias en la realización de estas tareas. Ambas técnicas nos permitirán diferenciar entre tareas realizadas e imaginadas. En el capítulo 8 se estudiará un modelo de poblaciones de neuronas que permite generar correlaciones de alto orden a partir de inputs Gaussianos comunes a todas las neuronas. Dicho modelo es el modelo Gaussiano dicotomizado, creado por Amari et al. y estudiado por Macke et al. Dicho modelo presenta una transición de fase, que caracterizamos en este capítulo usando los cumulantes de orden superior, skewness y kurtosis, para develar el mecanismo estadístico que genera dicha transición de fase. En el capítulo 9, se extenderá el modelo Gaussiano dicotomizado del capítulo anterior, a uno donde los inputs estén representados por una distribución asimétrica, es decir, con skewness distinta de cero. Dicha asimetría en los inputs induce otra transición en el sistema, que estudiamos a través de simulaciones y analíticamente en el límite termodinámico. En el capítulo 10 estudiaremos señales eléctricas provenientes de otras técnicas de medición. Se estudiarán los efectos de dos tipos de anestesia sobre ratones, midiendo potenciales visuales evocados usando electrocorticografía, y describiendo los mismos a través de las correlaciones de pares, y de alto orden, entre los sitios de medición.
publishDate 2019
dc.date.none.fl_str_mv 2019-12-18
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
Tesis de doctorado
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/93446
https://doi.org/10.35537/10915/93446
url http://sedici.unlp.edu.ar/handle/10915/93446
https://doi.org/10.35537/10915/93446
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616067394043904
score 13.070432