Learning in neural mass model networks

Abstract

The cortex, the outermost layer of the brain where most of the information is processed at a mesoscopic scale, is formed by cortical columns. These cortical columns are composed by neurons that organize in a cylindrical shape. The dynamical behavior of these columns can be modeled through neural mass models: physiologically plausible nonlinear mathematical models that represent the average dynamics of all the neurons inside them. In this work, a network of interacting cortical columns, each one of them modelled by the Jansen-Rit model, is presented with a set of connectivity parameters that determine the interactions between the columns. These parameters are tuned using a machine learning tool, genetic algorithms, which take inspiration from biological evolution, with the aim of learning to process a set of input signals that mimic sensory information. The results obtained show that the neural mass network built in this work is capable of learning different input signals and classifying them using synchronization of the dynamics of the neural mass models in the output layer.

El córtex, la capa más externa del cerebro donde se procesa la mayor parte de la información a escala mesoscópica, está formado por columnas corticales. Estas están compuestas por neuronas que se organizan de forma cilíndrica. El comportamiento dinámico de estas columnas puede modelarse mediante modelos de masa neuronal: modelos matemáticos no lineales fisiológicamente plausibles que representan la dinámica media de todas las neuronas que se encuentran en su interior. En este trabajo se presenta una red de columnas corticales en interacción, cada una de ellas siguiendo el modelo Jansen-Rit, con un conjunto de parámetros de conectividad que determinan las interacciones entre las columnas. Estos parámetros se ajustan mediante una herramienta de aprendizaje automático: los algoritmos genéticos, que se inspiran en la evolución biológica, con el objetivo de aprender a procesar un conjunto de señales de entrada que imitan la información sensorial. Los resultados obtenidos muestran que la red construida en este trabajo es capaz de aprender diferentes señales de entrada y clasificarlas utilizando la sincronización de la dinámica de los modelos Jansen-Rit de la capa de salida.

El còrtex, la capa més externa del cervell on es processa la major part de la informació a escala mesoscòpica, està format per columnes corticals. Aquestes estan compostes per neurones que s'organitzen de forma cilíndrica. El comportament dinàmic d'aquestes columnes es pot modelar mitjançant models de massa neuronal: models matemàtics no lineals fisiològicament plausibles que representen la dinàmica mitjana de totes les neurones que es troben al seu interior. En aquest treball es presenta una xarxa de columnes corticals en interacció, cadascuna d'elles seguint el model Jansen-Rit, amb un conjunt de paràmetres de connectivitat que determinen les interaccions entre les columnes. Aquests paràmetres s'ajusten mitjançant una eina d'aprenentatge automàtic: els algoritmes genètics, que s'inspiren en l'evolució biològica, amb l'objectiu d'aprendre a processar un conjunt de senyals d'entrada que imiten la informació sensorial. Els resultats obtinguts mostren que la xarxa construïda en aquest treball és capaç d'aprendre diferents senyals d'entrada i classificar-les utilitzant la sincronització de la dinàmica dels models Jansen-Rit de la capa de sortida.