thesis

xiv
3.8 Fiabilité neuronale in vitro d’un neurone cortical en réponse à un
courant constant ou fluctuant . . . . . . . . . . . . . . . . . . . . 86
3.9 État de haute conductance . . . . . . . . . . . . . . . . . . . . . . 88
3.10 Distribution du potentiel de membrane dans différentes régions cérébrales
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.11 Raster plot de 30 neurones du cortex visuel primaire du singe . . 90
3.12 Codage par rang . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.13 Modèle de marche aléatoire . . . . . . . . . . . . . . . . . . . . . 96
4.1 Synchronisation par divergence anatomique . . . . . . . . . . . . . 107
4.2 Corrélations dans le système nerveux . . . . . . . . . . . . . . . . 112
4.3 Cross-corrélogramme entre deux cellules ganglionnaires chez le chat 113
4.4 Index de corrélation entre deux cellules ganglionnaires de la rétine
chez le chat en fonction de la distance en microns entre leurs champs
récepteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.5 Cross-corrélogrammes entre deux cellules du LGN chez le chat . . 115
4.6 Cross-corrélogrammes entre une cellule de la rétine et deux cellules
du LGN, et entre ces deux cellules . . . . . . . . . . . . . . . . . . 115
4.7 Cross-corrélogramme entre deux cellule du cortex extrastrié chez le
macaque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.8 Cross-corrélogramme entre deux cellules du lobe olfactif de l’insecte
au cours du temps . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.9 Probabilité qu’une cellule thalamique décharge en fonction du délai
entre deux événements présynaptiques provenant de la rétine . . . 120
4.10 Probabilité qu’une cellule décharge en fonction du délai entre deux
événements présynaptiques . . . . . . . . . . . . . . . . . . . . . . 120
4.11 Différents états dynamiques d’un réseau de neurones . . . . . . . 122
4.12 Principe de la détection de coïncidences . . . . . . . . . . . . . . . 126
4.13 Sensibilité d’un modèle compartimental de neurone au degré de
corrélation dans ses entrées . . . . . . . . . . . . . . . . . . . . . . 127
4.14 Chaînes de synchronie . . . . . . . . . . . . . . . . . . . . . . . . 130
4.15 Cube de Kanizsa . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.16 Déficit de la synchronisation chez les patients atteints de schizophrénie
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
4.17 Plasticité dépendant du temps des impulsions (STDP) . . . . . . 139
4.18 Modèle de Jeffress . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.19 La sélectivité à la direction dans le cortex à tonneaux provient de
l’équilibre entre excitation et inhibition . . . . . . . . . . . . . . . 141
4.20 Réactivation des cellules de lieu dans l’hippocampe après une tâche
d’exploration active et durant le sommeil profond . . . . . . . . . 143
5.1 Fitting spiking neuron models with particle swarm optimization
(PSO) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
5.2 Vectorization over time . . . . . . . . . . . . . . . . . . . . . . . . 158
5.3 Fitting a leaky integrate-and-fire model with adaptive threshold . 161