direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

Neuronale Informationsverarbeitung

Wir beschäftigen uns mit den Grundlagen der Informationsverarbeitung in biologischen Systemen. Einerseits möchten wir die Funktionsmechanismen unseres Gehirns verstehen, andererseits machen wir uns die Strategien biologischer Systeme in Anwendungen maschinellen Lernens zu Nutze. Unsere Forschungsinteressen sind thematisch in drei Bereiche unterteilt.

Modelle neuronaler Systeme:

Lupe

In Zusammenarbeit mit Neurobiologen und Klinikern erforschen wir die Mechanismen der Informationsverarbeitung im visuellen System. Die Forschungsthemen behinhalten: Kortikale Dynamik, die Repräsentation visueller Information, Adaptation und Plastizität, sowie die Rolle von Rückkopplung. Seit jüngerer Zeit beschäftigen wir uns mit dem Zusammenhang von Wahrnehmung und kognitiven Funktionen. Hier untersuchen wir mathematische Modelle der Entscheidungsfindung in unbekannten Umgebungen hinsichtlich der Frage, wie die zugrunde liegenden Prozesse mit Wahrnehmung und Gedächtnis wechselwirken.

Maschinelles Lernen und neuronale Netze:

Lupe

Hier befassen wir uns mit dem künstlichen Erlernen von Zusammenhängen anhand von Beispielen, um Vorhersagen und Entscheidungen zu treffen. Die Forschungsthemen umfassen: Lernen geeigneter Darstellungen/Abbildungen, aktive und halbüberwachte Lernverfahren, sowie Prototyp-bezogene Methoden. Inspiriert durch die Modell-basierte Erforschung jener Vorgänge, welche für die Entscheidungsfindung eine zentrale Rolle spielen, haben wir begonnen Belohnungs- bzw. Bestrafungs-Lernen zu untersuchen und erweitern. Zusammen mit Spezialisten aus verschiedenen Anwendungsbereichen setzen wir maschinelles Lernen etwa zur Wiedergewinnung von Informationen ein, für maschinelles Sehen oder in der Chemoinformatik.

Analyse neuronaler Daten:

Lupe

Hier wenden wir maschinelles Lernen und statistische Verfahren zur Analyse multivariater biometrischer Daten an, insbesondere Daten, welche eine Grundlage für unsere computergestützten Studien neuronaler Systeme bilden. Die Forschungsthemen variieren und beinhalten gegenwärtig Spike-sorting und die Analyse von Multi-Tetroden Aufnahmen, Konfokalmikroskopie und 3D-Rekonstruktionsmethoden, sowie die Analyse von Daten bildgebender Verfahren. Seit Kurzem beschäftigen wir uns mit der Analyse multimodaler Daten und korrelieren beispielsweise anatomische, genetische, und Bilddatensätze.

Ausgewählte Publikationen

How Adaptation Currents Change Threshold, Gain and Variability of Neuronal Spiking
Zitatschlüssel Ladenbauer2014
Autor Ladenbauer, J. and Augustin, M. and Obermayer, K.
Seiten 939–953
Jahr 2014
DOI 10.1152/jn.00586.2013
Journal Journal of Neurophysiology
Jahrgang 111
Nummer 5
Zusammenfassung Many types of neurons exhibit spike rate adaptation, mediated by intrinsic slow K(+)-currents, which effectively inhibit neuronal responses. How these adaptation currents change the relationship between in-vivo like fluctuating synaptic input, spike rate output and the spike train statistics, however, is not well understood. In this computational study we show that an adaptation current which primarily depends on the subthreshold membrane voltage changes the neuronal input-output relationship (I-O curve) subtractively, thereby increasing the response threshold, and decreases its slope (response gain) for low spike rates. A spike-dependent adaptation current alters the I-O curve divisively, thus reducing the response gain. Both types of adaptation currents naturally increase the mean inter-spike interval (ISI), but they can affect ISI variability in opposite ways. A subthreshold current always causes an increase of variability while a spike-triggered current decreases high variability caused by fluctuation-dominated inputs and increases low variability when the average input is large. The effects on I-O curves match those caused by synaptic inhibition in networks with asynchronous irregular activity, for which we find subtractive and divisive changes caused by external and recurrent inhibition, respectively. Synaptic inhibition, however, always increases the ISI variability. We analytically derive expressions for the I-O curve and ISI variability, which demonstrate the robustness of our results. Furthermore, we show how the biophysical parameters of slow K(+)-conductances contribute to the two different types of adaptation currents and find that Ca(2+)-activated K(+)-currents are effectively captured by a simple spike-dependent description, while muscarine-sensitive or Na(+)-activated K(+)-currents show a dominant subthreshold component.
Typ der Publikation Selected:main selected:adaptation selected:publications
Link zur Publikation Download Bibtex Eintrag

Nach oben