神经科学中的动力学原理
Mikhail I. Rabinovich,Pablo Varona,Allen I. Selverston,HenryD.I.Abarbanel
神经系统和脑功能的动态建模在过去的半个世纪中具有成功的历史。这包括,例如,对神经节律行为的一些特征的解释和预测。在过去的二十年中,已经提出了许多基于生理学实验的有趣的学习和记忆动力学模型。现在存在着甚至意识的动力模型。通常这些模型和结果基于传统方法和非线性动力学范式,包括动态混沌。然而,神经系统是非线性动力学的一个不寻常的主题,原因如下:(i)即使是只有少数神经元和突触连接的最简单的神经网络,也有大量的变量和控制参数。这些使神经系统具有适应性和灵活性,并且对其生物功能至关重要。 (ii):与众所周知的基本原理描述的传统物理系统相比,控制神经系统动力学的第一原理是未知的。 (iii):许多不同的神经系统表现出相似的动态,尽管它们具有不同的架构和不同的复杂程度。(iv):网络架构和连接强度通常不详细,因此在某种意义上,动态分析必须是概率性的。 (v):由于神经系统能够基于感觉输入来组织行为,因此这些系统的动态建模必须解释时间信息到组合或组合时间码的转换;对于记忆和识别,反之亦然。在这篇综述中,这些问题在解决刺激性问题的背景下进行了讨论:神经科学可以从非线性动力学中学到什么,以及非线性动力学可以从神经科学中学到什么?
神经科学中的动力学原理