ارائه يك مدل محاسباتي الكتروفيز ولوژي بهبوديافته از عملكرد مغز در حال توجه ديداري

A Computationally Improved Model of Brain Activity in Visual Attentional State

ارائه يك مدل محاسباتي الكتروفيز ولوژي بهبوديافته از عملكرد مغز در حالت توجه ديدداري. روش: معماري اين مدل هاجكين– هاكسلي دو لايه، بر اساس اتصالات مهاري، تحريكي و پلاستيسيتي سلولهاي اعصاب مركزي و محيطي طراحي شده است. اين مدل داراي سه بخش اصلي بوده و توجه انتخابي به صورت شبكه اي از سلولهاي خيزكي با اتصال ستاره بين واحد مركزي و عناصر محيطي است. همچنين در ا ن مدل توجه تمركز افته با برخي سلولهاي محيطي نشان داده مي ميشود. اين سلولها خيزكها ي همزمان با سلول مركزي توليد ميكنند و بقيه ي آنها مهار ميشوند. نوآوري ا بن مقاله، ارايه ديناميكهاي قدرت ارتباطي جديد به صورت بخشهاي افزا يشي و كاهشي، افزودن نو زها و عوامل تصادفي به مدل است. يافته ها: براي ارز ابي مدل، پنج نوع د ناميك شامل ي ي ي همزماني سراسري، همزماني جزئي، حالتهاي گذرا، سكون و ناهمزماني در نظر گرفته شده است. نتا ج شبيه سازي نشان ميدهد كه ا ن مدل ميتواند به صورت پيدرپي اشيا را با الوتهاي فركانسي مختلف انتخاب كند. نتيجه گيري: نتا يج ا ين تحقيق با نتايج تحقيقات گذشته همخواني خوبي دارد و توانسته رفتار مقاوم تري از خود نشان دهد.

Introduction: In this paper, a computationally improved model of brain activity is developed in visual attention state. Method: This model, based on Hodgkin–Huxley neurons, is a two-layer architecture of excitatory and inhibitory connections in a network of spiking neurons, with star-like connections between the central units and peripheral neurons. This model is composed of three modules and the focused attention is represented by those peripheral neurons that generate spikes synchronously with the central neuron while the activities of other peripheral neurons are suppressed. We propose rising and falling dynamic connections based on a Hebbian-rule of the spiking neurons, while also considering noise and random effects. Results: To validate the model, we consider five types of dynamics by setting different parameters: asynchronous state, global synchronization, partial synchronization, transitional state, and quiescence state. Simulation results show that the improved model can sequentially select objects with different frequencies and has a reliable shift of attention from one object to another. Conclusion: Results are consistent with the previous experimental works while exhibiting higher robustness.