thesis

Recommendations

Info

Chapitre 1 Résumé Anatomie et physiologie du système nerveux Les connaissances sur le système nerveux ont considérablement évolué au cours du siècle passé. Il est désormais acquis que le fonctionnement cérébral émerge des interactions complexes entre des milliards de neurones s’échangeant des impulsions électriques discrètes. Les bases biophysiques de la dynamique neuronale et de la neurotransmission sont aujourd’hui assez bien comprises, notamment grâce au développement de nouvelles techniques expérimentales. Nous exposons dans ce chapitre ces bases biologiques indispensables pour notre étude des rôles computationnels des corrélations neuronales. 9
Page 1: THÈSE DE DOCTORAT DE L’UNIVERSIT
Page 5: Computational role of correlations
Page 8 and 9: viii différent, indispensable. Je
Page 10 and 11: x 3.4 Fiabilité de la décharge ne
Page 12 and 13: xii
Page 14 and 15: xiv 3.8 Fiabilité neuronale in vit
Page 16 and 17: xvi 9.5 Quality and stability of el
Page 18 and 19: 2 entrée sens (perception) périph
Page 20 and 21: 4 3. L’étude de la sensibilité
Page 23: Contexte scientifique 7
Page 27 and 28: 1.1 Introduction 11 1.1 Introductio
Page 29 and 30: 1.2 Principes généraux d’organi
Page 31 and 32: 1.3 Anatomie du neurone 15 1.3 Anat
Page 33 and 34: 1.3 Anatomie du neurone 17 électri
Page 35 and 36: 1.4 Électrophysiologie passive du
Page 41 and 42: 1.5 Le potentiel d’action 25 ther
Page 43 and 44: 1.5 Le potentiel d’action 27 Cour
Page 45 and 46: 1.5 Le potentiel d’action 29 D’
Page 47 and 48: 1.6 La transmission synaptique 31 b
Page 49 and 50: 1.6 La transmission synaptique 33 i
Page 51 and 52: 1.6 La transmission synaptique 35 c
Page 53 and 54: 1.7 Mesure de l’activité neurona
Page 59 and 60: 1.8 Conclusion 43 ces techniques pe
Page 61 and 62: Chapitre 2 Résumé 45 Modélisatio
Page 63 and 64: 2.1 Introduction 47 2.1 Introductio
Page 65 and 66: 2.2 Généralités sur la modélisa
Page 67 and 68: 2.3 Les trains de potentiels d’ac
Page 69 and 70: 2.3 Les trains de potentiels d’ac
Page 71 and 72: 2.4 Les modèles impulsionnels 55 F
Page 73 and 74: 2.4 Les modèles impulsionnels 57 e
Page 75 and 76:
2.4 Les modèles impulsionnels 59 C
Page 77 and 78:
2.4 Les modèles impulsionnels 61 F
Page 79 and 80:
2.4 Les modèles impulsionnels 63 1
Page 81 and 82:
2.5 Fonctions de transfert des mod
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
2.6 Simulation des modèles impulsi
Page 89 and 90:
2.6 Simulation des modèles impulsi
Page 91 and 92:
Chapitre 3 Résumé 75 Codage neuro
Page 93 and 94:
3.1 Introduction 77 3.1 Introductio
Page 95 and 96:
3.3 Irrégularité de la décharge
Page 97 and 98:
3.3 Irrégularité de la décharge
Page 99 and 100:
3.4 Fiabilité de la décharge neur
Page 101 and 102:
3.4 Fiabilité de la décharge neur
Page 103 and 104:
3.5 Dynamique du potentiel de membr
Page 105 and 106:
3.5 Dynamique du potentiel de membr
Page 107 and 108:
3.6 Le codage neuronal 91 bruit neu
Page 109 and 110:
3.7 Théories fréquentielles et te
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Chapitre 4 Résumé 103 Oscillation
Page 121 and 122:
4.1 Introduction 105 4.1 Introducti
Page 123 and 124:
4.2 Généralités sur les corréla
Page 125 and 126:
4.2 Généralités sur les corréla
Page 127 and 128:
4.3 Observations expérimentales de
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
4.4 Travaux théoriques sur les cor
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
4.5 Rôles computationnels des corr
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Page 157 and 158:
Page 159 and 160:
Page 161 and 162:
Page 163 and 164:
147 conscience perceptive normale,
Page 165 and 166:
149 Travaux réalisés
Page 167 and 168:
Chapitre 5 Résumé 151 Adaptation
Page 169 and 170:
5.1 Introduction 153 Automatic fitt
Page 171 and 172:
5.2 Methods 155 5.2 Methods 5.2.1 V
Page 173 and 174:
5.2 Methods 157 τ (ms) τ (ms) A B
Page 175 and 176:
5.2 Methods 159 5.2.2 GPU implement
Page 177 and 178:
5.3 Results 161 A Current (nA) B Vm
Page 179 and 180:
5.3 Results 163 A Vm Vm (mV) Curren
Page 181 and 182:
5.3 Results 165 Model Gamma factor
Page 183 and 184:
5.3 Results 167 A Speedup compared
Page 185 and 186:
5.4 Discussion 169 In (Huys et al.
Page 187 and 188:
Chapitre 6 Résumé 171 Calibrage d
Page 189 and 190:
6.1 Introduction 173 Fitting neuron
Page 191 and 192:
6.2 Methods 175 A B C 100ms Samplin
Page 193 and 194:
6.2 Methods 177 Master Sends parame
Page 195 and 196:
6.3 Results 179 A B 100 ms 100ms 20
Page 197 and 198:
6.4 Discussion 181 A B 100 ms 20 mV
Page 199 and 200:
Chapitre 7 Résumé 183 Playdoh : u
Page 201 and 202:
7.1 Introduction 185 Playdoh : A li
Page 203 and 204:
7.2 Features 187 7.2 Features Playd
Page 205 and 206:
7.2 Features 189 All the optimisati
Page 207 and 208:
7.2 Features 191 this task, two sta
Page 209 and 210:
7.3 Methods 193 self.push('left', s
Page 211 and 212:
7.4 Results 195 (the standard curre
Page 213 and 214:
7.5 Related work 197 7.5 Related wo
Page 215 and 216:
7.6 Discussion 199 them. Packages w
Page 217 and 218:
Chapitre 8 Résumé 201 Détection
Page 219 and 220:
8.1 Introduction 203 Sensitivity of
Page 221 and 222:
8.2 Materials and Methods 205 a 250
Page 223 and 224:
8.2 Materials and Methods 207 Table
Page 225 and 226:
8.2 Materials and Methods 209 Curre
Page 227 and 228:
8.3 Results 211 where erf is the er
Page 229 and 230:
8.3 Results 213 a b 2 mV 2% 20 ms P
Page 231 and 232:
8.3 Results 215 between θ and θ
Page 233 and 234:
8.3 Results 217 barrel cortex, awak
Page 235 and 236:
8.3 Results 219 have little effect
Page 237 and 238:
8.3 Results 221 a b Number of synap
Page 239 and 240:
8.3 Results 223 synchronous inputs
Page 241 and 242:
8.3 Results 225 a b c Output firing
Page 243 and 244:
8.3 Results 227 a b c 0.01 spike ev
Page 245 and 246:
8.4 Discussion 229 input spikes wit
Page 247 and 248:
Chapitre 9 Résumé 231 Compensatio
Page 249 and 250:
9.1 Introduction 233 A calibration-
Page 251 and 252:
9.2 Methods 235 the recordings may
Page 253 and 254:
9.3 Results 237 1-c neuron of the v
Page 255 and 256:
9.3 Results 239 the first 5 minutes
Page 257 and 258:
9.4 Discussion 241 9.4 Discussion W
Page 259 and 260:
obtained by computing the character
Page 261 and 262:
A 100 pA 100 mV 100 mV 100 ms B C A
Page 263 and 264:
A Resistance (MΩ) B 600 300 in vi
Page 265 and 266:
249 Discussion
Page 267 and 268:
Discussion 251 Discussion Nos trava
Page 269 and 270:
Discussion 253 modèle montre que l
Page 271 and 272:
Discussion 255 précision de la dé
Page 273 and 274:
Discussion 257 de la fonction objec
Page 275 and 276:
259 Annexes
Page 277 and 278:
Annexe 261 A Réponse à London et
Page 279 and 280:
A.1 Reply to London 263 Abstract Hi
Page 281 and 282:
A.2 Reply to Brette and Rossant 265
Page 283 and 284:
Annexe 267 B Publications Journal P
Page 285 and 286:
Bibliographie 269 Bibliographie Abb
Page 287 and 288:
Bibliographie 271 Asanovic, K., Bod
Page 289 and 290:
Bibliographie 273 Bienenstock, E. (
Page 291 and 292:
Bibliographie 275 Brown, P. (2003).
Page 293 and 294:
Bibliographie 277 Churchland, M., B
Page 295 and 296:
Bibliographie 279 Destexhe, A., Rud
Page 297 and 298:
Bibliographie 281 Fellous, J., Houw
Page 299 and 300:
Bibliographie 283 Gewaltig, M., Die
Page 301 and 302:
Bibliographie 285 Haider, B., Kraus
Page 303 and 304:
Bibliographie 287 Izhikevich, E. (2
Page 305 and 306:
Bibliographie 289 Kennedy, J. et Eb
Page 307 and 308:
Bibliographie 291 Lebedev, M. et Ne
Page 309 and 310:
Bibliographie 293 Maass, W. et Bish
Page 311 and 312:
Bibliographie 295 Moreno-Bote, R.,
Page 313 and 314:
Bibliographie 297 Ostojic, S., Brun
Page 315 and 316:
Bibliographie 299 Quiroga, R. et Pa
Page 317 and 318:
Bibliographie 301 Rousselet, G., Ma
Page 319 and 320:
Bibliographie 303 Shannon, C. et We
Page 321 and 322:
Bibliographie 305 Stein, R. (1965).
Page 323 and 324:
Bibliographie 307 Touboul, J. et Br
Page 325 and 326:
Bibliographie 309 Ventura, V. (2009
Page 327:
Bibliographie 311 Woolsey, T., Van
show all

thesis

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?