概述
神经元的交流，传输与活动，都离不开一个个非常短暂的脉冲-Spike。有各种各样的模型，可以描述神经元的电位变化，发放，比如HH模型等等。但是如果只考虑比较粗糙的一些性质，比如膜电位的简单变化和spike的频率之类，可以直接利用神经元的膜电位性质（与电容类似），以及其动作电位这种比较模式化(stereotypical)，又比较短暂的性质，吧神经元抽象为一个电容，以及超过特定阈值会产生一个大的spike，且有一定的不应期(Refractory Period)的简单模型。这样的模型可以描述基本的神经元对于外界输入电流 (Injected current, 或者建模的突触输入)的相应，也可以引入噪声模型，观察神经元发放的稳定性等等。在本文内我会主要讨论一下神经元的建模，应对不同输入电流的响应，噪声模型，以及对发放稳定性(CV, Coefficient of Variation，变异系数)等特性，以及用Python代码对其实现。
这学期我将会更新一系列计算神经科学相关的内容，主要是整理一些本学期Computational Neuroscience课程上学到的东西分享给大家。也非常欢迎大家一起讨论各种计算相关的问题。
LIF 模型的基本原理
一般情况下，神经元的动作电位主要是靠Na+, K+的选择性 on/off dynamics实现的。经典的HH模型将各种离子的电位，及其门控通道等效为一个电池和其受调控的可变导钠的电阻，又吧膜电位的被动特性等效为一个电容。再将以上并联，从而得到一个对神经元电特性的建模。
最后
以上就是斯文小鸭子为你收集整理的噪音通道模型_单个神经元的简单模型：Leaky integrate and fire (LIF) model的全部内容，希望文章能够帮你解决噪音通道模型_单个神经元的简单模型：Leaky integrate and fire (LIF) model所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
发表评论 取消回复