MARC

 008250123s2024        us                              c    eng  d
■001000017162029
■00520250211151515
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384239017
■035    ▼a(MiAaPQ)AAI31300642
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a001
■1001  ▼aMcCreesh,  Michael  Patrick  Durrell.
■24510▼aLinear-Threshold  Network  Dynamics:  Properties  and  Applications  to  Dynamical  Brain  Behaviors
■260    ▼a[Sl]▼bUniversity  of  California,  San  Diego▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a160  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Cortes,  Jorge.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  San  Diego,  2024.
■520    ▼aThe  brain,  composed  of  billions  of  interconnected  neurons,  forms  a  complex  network  that  exhibits  an  incredibly  wide  array  of  behaviors.  Treating  this  structure  as  a  dynamical  system  provides  a  multitude  of  tools  to  use  to  model  and  understand  the  relationship  between  structure  and  function  in  the  brain.  As  subnetworks  exist  at  all  levels  in  the  brain,  ranging  from  networks  of  individual  neurons  to  networks  of  entire  regions,  a  diverse  set  of  models,  each  with  different  properties  have  been  considered  to  study  different  dynamic  brain  behaviors.  One  such  class  of  models  are  firing  rate  models,  which  monitor  the  average  spike  rate  of  populations  of  neurons.  A  particular  firing  rate  model  is  the  linear-threshold  network  model,  which  exhibits  a  wide  range  of  rich  behaviors  based  on  the  underlying  network  structure  and  inputs.  This  ability  to  exhibit  a  variety  of  behaviors  motivates  the  use  of  this  model  to  study  a  variety  of  dynamical  behaviors  observed  in  the  brain.This  dissertation  considers  three  problems  within  the  realm  of  modeling  dynamical  brain  behaviors  with  the  linear-threshold  model.  First,  motivated  by  the  appearance  of  oscillatory  behavior  when  observing  brain  activity,  we  study  the  existence  of  oscillations  in  the  linear-threshold  dynamics.  In  order  to  provide  sufficient  conditions  for  oscillations  in  specific  network  topologies  we  also  provide  conditions  for  the  stability  of  equilibrium  points  that  maintain  a  specific  support.  Second,  we  discuss  the  dynamical  brain  behavior  of  selective  inhibition  and  recruitment.  We  consider  thalamocortical  networks  with  both  hierarchical  and  star-connected  topologies,  and  focus  on  how  the  inclusion  of  the  thalamus  can  improve  the  stabilizability  properties  of  the  linear-threshold  dynamics  relevant  to  the  application.  We  finish  by  investigating  the  problem  of  reference  tracking  for  the  linear-threshold  dynamics,  which  can  be  used  to  frame  many  brain  behaviors.  We  approach  this  both  analytically  and  with  a  data-driven  approach  to  better  match  observations  on  how  the  brain  processes  information.
■590    ▼aSchool  code:  0033.
■650  4▼aSystems  science
■650  4▼aApplied  mathematics
■650  4▼aMathematics
■653    ▼aLinear-threshold  model
■653    ▼aNetwork  dynamics
■653    ▼aDynamical  brain  behaviors
■653    ▼aData-driven  approach  
■690    ▼a0790
■690    ▼a0364
■690    ▼a0405
■71020▼aUniversity  of  California,  San  Diego▼bMechanical  and  Aerospace  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0033
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162029▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서