Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ SİNİRBİLİME MERAKLI MÜHENDİSLER SELİN METİN & NESLİHAN S. ŞENGÖR Bugüne kadar ne yaptık.

Benzer bir sunumlar


... konulu sunumlar: "İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ SİNİRBİLİME MERAKLI MÜHENDİSLER SELİN METİN & NESLİHAN S. ŞENGÖR Bugüne kadar ne yaptık."— Sunum transkripti:

1 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ SİNİRBİLİME MERAKLI MÜHENDİSLER SELİN METİN & NESLİHAN S. ŞENGÖR Bugüne kadar ne yaptık ve bundan sonra ne yapmayı düşünüyoruz?

2 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 2 Davranışlarımızın ardındaki oluşumları ve mekanizmaları sinirbilimdeki açıklamalar çerçevesinde incelemek, anlamak. Davranışlara ilişkin farklı hipotezleri sınamak için farklı seviyelerdeki süreçlere ilişkin modeller elde etmek. AMACIMIZ Modeller aracılığı ile süreçlere ilişkin test ortamı oluşturmak, yapay zeka uygulamalarına yönelik yeni yaklaşımlar önermek.

3 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 3 BUGÜNE KADAR NELER YAPTIK? Araç: Yapay Sinir Ağları Yaklaşım: Deneklerin nöropsikolojik testler süresince davranışlarını modellemek Wisconsin Kart Sıralama TestiStroop Testi MAVİ YEŞİL KIRMIZI SARI YEŞİL MAVİ SARI KIRMIZI SARI KIRMIZI YEŞİL MAVİ KIRMIZI YEŞİL MAVİ SARI MAVİ SARI KIRMIZI YEŞİL YEŞİL MAVİ SARI KIRMIZI

4 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Wisconsin Kart Sıralama Testi soyutlama, hipotez sınama, zihinsel esneklik. Referans kartlar

5 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ WCST-Testin Değerlendirilmesi Doğru yanıtlar Tamamlanan kategoriler Perseveratif (ısrarcı) yanıtlar Kurulumu sürdürmede başarısızlık (FMS) WCST- önerilen model Kuralın belirlenmesi Sınıflama kuralını belirlemek Uygulayıcının yanıtı “doğru” ise kuralı tutmak, “yanlış” ise kuralı değiştirmek Kart Seçimi Sınıflama kuralına uygun referans kartı belirlemek

6 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Referans Kartlar Kart belirleme Çalışma belleği Bir önceki kuralı tutmak veya yeni kuralı belirlemek için uygulayıcının yanıtını tutmak Hipotez üreteci Uygulayıcının yanıtı”yanlış” ise alternatif kural üretme ve çalışma belleğine sunma Rule Specifier Hypothesis Generator

7 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 7 Kartların kodlanması Renk Şekil Sayı Kırmızı:[1000] Üçgen:[1000] 1:[1000] Sarı :[0100] Yıldız :[0100] 2:[0100] Mavi :[0010] Artı :[0010] 3:[0010] Yeşil :[0001] Daire :[0001] 4:[0001] renkşekil sayı

8 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 8 Benzetim Sonuçları KoşulHam. uzak Hop. eşik #Doğru cevap #Kategori% Pers. hata FMSYorum 13T 64.6   09.9  2.80  0 Esnek 43-2T 64   09.5  2.10  0 Esnek 72T 67.6    4.60  0 Az Esnek 102-1T 70.7    3.70  0 Az Esnek 23T1T     1.6 Zihni dağınık 53-2T1T     1.3 Zihni dağınık 82T1T     2.1 Katı/Dağ T1T     T2T     1.8 Katı/Dağ. 63-2T2T     1.7 Katı/Dağ. 92T2T     1.5 Katı/Dağ T2T     0.9 Katı/Dağ. 141T1T     0.6 Katı 170T1T  4.70   4.80  0 Katı 151T2T  8.30    1.2 Katı 180T2T  4.10   3.50  0 Katı 131T 39.4    0.50  0 Çok Katı 160T 32.8    1.50  0 Çok Katı Katı/Dağ.

9 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 9 MAVİ YEŞİL KIRMIZI SARI YEŞİL MAVİ SARI KIRMIZI SARI KIRMIZI YEŞİL MAVİ KIRMIZI YEŞİL MAVİ SARI MAVİ SARI KIRMIZI YEŞİL YEŞİL MAVİ SARI KIRMIZI Stroop Testi

10 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Stroop Testi Seçici Dikkat özgün ödev için otomatik olan davranışı bastırmak Ölçütler testin süresi hata sayısı, düzeltme sayısı Stroop testi için önerilen model Duyusal ve motor devreler: Duyusal ve motor devreler: Hopfield ağları Basal Çekirdekler: Basal Çekirdekler: Maxnet, OF tarafından modüle edilen otomatik işlem Hata Sezici : Hata Sezici : Perceptron yapıları, ödev ile yanıtın uyuşmadığı durumlarda OF’yi uyaracak hata işaretini üretmek için Seçici dikkat: Seçici dikkat: Kazanan hepsini alır, Özgün bilgi geldiğinde OF’yi uyarmak için

11 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Benzetim Sonuçları BazOl.Süre (sec)# Hata# Düz.Yorum ± ± ± ± ± ± ± ± ± ± ± ± ± ± ± ± 2 5 ± ± ± ± ± ± ± ± ± ± ± ± ± ± 1.5 bastırma süre

12 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ BU YAPTIKLARIMIZI DEĞERLENDİRDİK ve..... Araç: Doğrusal olmayan dinamik sistemlere ilişkin matematik Yaklaşım: Süreçleri modellemek Davranış seçme işlevinde dopaminin etkisine ilişkin dinamik bir model önerisi Korteks Striatum D 1 D 2 SN c GP i /SN r GP e STN Talamus Bazal Çekirdekler arttırıcı azaltıcı Korteks-Bazal Çekirdekler-Talamus Döngüsü korteks Talamus GPi/SNr STRSTN Bazal Çekirdekler arttırıcı azaltıcı

13 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Biraz da Matematik w u f(u) Geri beslemeli sinir hücresi

14 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Biraz daha matematik dallanma diyagramları

15 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 15 Tek bir sinir hücresinin çalışması... MATEMATİKSEL MODELLEME Hangi seviyede ve nasıl? Bir sinir sistemi alt yapısının çalışması.... Bir bilişsel süreç için birden fazla alt yapının çalışması.... Bilişsel süreçleri modellemede yararlanılan modelleme yaklaşımları:  Kural tabanlı yapılar  Yapay sinir ağları  Makina öğrenmesi Doğrusal olmayan dinamik sistemler

16 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 16 Doğadaki süreçler doğrusal değil… Dinamik sistem temelleri Bir dinamik sistemin zaman içindeki değişimi Denge Noktası (Sabit Nokta) DOĞRUSAL OLMAYAN DİNAMİK SİSTEMLER DAHA FAZLA MATEMATİK

17 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 17 DALLANMALAR (BIFURCATIONS) Parametrelere bağlı bir dinamik sistem düşünelim: x Є R n ve α Є R m durum değişkeni parametre Türev, zamanla değişimi gösterir Tanım: Bir dinamik sisteme ait bir (veya daha fazla) parametrenin değişimine bağlı olarak bu sistemin denge noktalarında (çözüm noktalarında) veya bunların kararlılık niteliklerinde gözlenen değişimlerdir. Parametreler değiştikçe … Değişmiş sistem, orijinal sisteme eşdeğer kalır Sistem de [f(x)=0 denkleminin çözümü] değişir.

18 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 18 Dallanmalar bizim için neden önemli? Nöral Dinamik Sistemlerde Dallanmaları Neden İnceliyoruz? Dinamik sistemlerde dallanmaları nasıl inceliyoruz? Peki her denge/sabit noktası, dallanma oluşturmak için uygun mudur? jjj www KararlıKararsız ama yapısal kararlı İmajiner eksendeki denge noktalarını çok az oynatmak bile kararlı/kararsız olmalarına yol açıyor.

19 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 19 Dallanmaları aramaya nereden başlamalı? Tanımımıza göre, dallanma sonucu denge noktalarının sayısı veya kararlılık niteliği değişebiliyordu. O halde dallanmaları incelemeye başlamak için doğrusal olmayan sistemin denge noktası civarındaki yaklaşık davranışını inceleriz. dinamik sisteminin sabit noktası civarındaki yaklaşık davranışını incelemek için bu sistem sabit noktasında doğrusallaştırılır. Doğrusallaştırma, en genel haliyle bir fonksiyona bir noktadaki teğeti, yani türevi ile yaklaşmaktır. Bu noktadaki fonksiyon eğrisi yerine fonksiyonun türevi (teğeti) ile yaklaşım yapıyoruz.

20 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 20 Eyer Noktası (Saddle-Node) Dallanması Bir dinamik sisteme ait sabit noktaların sayısının değiştirildiği en temel dallanma mekanizması Eyer dallanması için prototip olabilecek birinci dereceden bir sistem ile gösterilebilir. r parametresinin değeri -∞, 0, ∞ arasında değişirken fonksiyon eğrisi de orijine göre yukarı kaymaya başlar. Böylece başlangıçta iki tane olan denge noktalarının sayısı da önce bire, sonra sıfıra düşer. Eyer noktası dallanmasında varolan iki denge noktası bir parametre değiştikçe giderek birbirlerine yaklaşırlar ve en sonunda çarpışırlar. Çarpışmadan sonra da parametreyi değiştirmeye devam edersek artık bu sistemin denge noktası olmayacaktır.

21 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 21 Eyer noktası dallanmasını r’nin ayrık değerlerine göre değişen vektör alanları olarak gösterebiliriz. r > 0 r = 0 r < 0 x Soldaki şekil, farklı r değerleri için sabit noktalar ile bunların kararlılıklarını göstermektedir. Noktaları birleştirdiğimizde elde ettiğimiz eğri ise r = -x 2 fonksiyonunun grafiğidir. r > 0 r = 0 r < 0 x r’yi değişken alarak grafiği çizdiğimizde yandaki dallanma diyagramını elde ederiz.

22 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 22 Terminoloji Eyer noktası ismi çok sık kullanılmakla birlikte bu dallanmaya bazen şekline ithafen katlama (fold) dallanması da denilmektedir. Aynı zamanda dönüş noktası dallanması da kullanılır ( (x,r)=(0,0) noktası eğrinin döndüğü nokta olduğundan). Ancak en yaratıcı isim 1988’de yazdıkları bir makalede Abraham ve Shaw tarafından kullanılmıştır: blue sky bifurcation “This term comes from viewing a saddle-node bifurcation in the other direction: a pair of fixed points appears ‘out of the clear blue sky’ as a parameter is varied.”

23 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Şimdi de davranış ile ilgilenelim... Korteks(p) Talamus(m) GPi/SNr(d) C-BG-TH-C çevrimi STR(r) STN(n) BASAL GANGLIA AZALTICI BAĞLANTILAR ARTTIRICI BAĞLANTILAR Bir hücrenin aktivasyon fonksiyonu ve doyma bölgeleri Kaldığımız yere dönersek

24 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ … yapılıyor mu, yapılmıyor mu?

25 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ İki davranıştan birini nasıl seçeriz?

26 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ İki davranıştan birini nasıl seçeriz? θ = 0.7

27 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ İki davranıştan birini nasıl seçeriz? θ = 1

28 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ İki davranıştan birini nasıl seçeriz? θ = 1.3

29 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Stroop testi için ne yaptık? Korteks Talamus GPi/SNr C-BG-TH-C çevrimi STR STN BASAL GANGLIA

30 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Ne elde ettik ….. θ = 0.6

31 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Ne elde ettik ……. θ = 1

32 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Ne elde ettik ……. θ = 1.2

33 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ....nasıl yorumladık? Dopamin Dopamin seviyesi (θ sel )HataDoğru yanıt süresi 2_> _ _ _1129 1_ _ > 30000

34 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 34 Sinir hücrelerini modellemek için YSA kullanılıyordu YSA Yetersizlikleri… YSA’DAN DİNAMİK SİSTEMLERE Sonra Dinamik Sistemden yararlanılarak yapılanlar… Ödül sistemi için bir model Eylemlere karar vermek için bir model Şimdi Pekiştirmeli Öğrenme ve dinamik sistemler X X

35 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 35 Ödül mekanizmasını anlamak Karşıt süreçlerin ödül sistemindeki yerini kavramak YENİ HEDEFİMİZ Bağımlılığı açıklayan bir hesaplamalı model geliştirmek Ödül sistemi için bir model Eylemlere karar vermek için bir model Duygusal süreçler için genel bir sistem ortaya koymak X X

36 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 36 NİKOTİN BAĞIMLILIĞI İÇİN KULLANDIĞIMIZ MODEL WrWr Pekiştirmeli Öğrenme Eylem Seçici Devre Eylem Değerlendirme Değer Atama DA riri

37 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 37 DAVRANIŞ SEÇMEYE İLİŞKİN MODEL Bu modelin dallanma diyagramı Korteks Talamus Striatum Subthalamic nukleus GPi/S.Nigra

38 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 38 Ve kalıcı hal çözümleri KararsızKararlı

39 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 39 Aktivasyon Fonksiyonu Sigara bağımlılığı sürecinde parametrelerin güncellenme kuralları

40 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 40 Modelde kullanılan limbik altyapılar başlangıçta şunlardı:

41 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 41 SİSTEM DAVRANIŞI - BAĞIMLILIK δ hata işareti ve sigara içme seçimleri

42 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 42 SİSTEM DAVRANIŞI – BAĞIMLILIK GELİŞTİRMEYEN δ hata işareti ve sigara içmeme seçimleri

43 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 43 SİSTEM DAVRANIŞI - KARARSIZLIK İki davranış da öğrenilmediğinde δ hata işareti

44 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 44 W PARAMETRELERİNİN DEĞERLERİ Bağımlılık halinde: İlk değerler:

45 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 45 W PARAMETRELERİNİN DEĞERLERİ Bağımlılık gelişmeyen durum: İlk değerler:

46 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 46 W PARAMETRELERİNİN DEĞERLERİ Kararsızlık durumunda: İlk değerler:

47 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 47 NİKOTİN BAĞIMLILIĞI İÇİN ÖNERİLEN MODELİN GELİŞTİRİLMESİ Modelde neler temsil edilmeli ki daha gerçekçi olsun? Nikotinin fizyolojik etkileri önemli çünkü: Haz ile doyuma ulaşma ve Yoksunluk Bağımlılığı açıklamada karşıt süreçler Eşleştirilmiş duygular Bağımlılık oluşmasında nasıl bir etkisi var? Karşıt süreçler açısından beyinde hangi bölgeler önemli? Bağımlılık karşıt süreçlerde nasıl bir bozulmaya yol açar? Hangi nörotransmiterler önemli?

48 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 48 NİKOTİN BAĞIMLILIĞI İÇİN ÖNERİLEN MODELİN GELİŞTİRİLMESİ Karşıt süreçlerdeki bozulma n, s, ve c işaretlerinin dinamik denklemleri: γ ’nın etkisi γ = 1 γ = 0.8

49 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 49 Eylem seçici devre

50 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 50 Değer atama döngüsü

51 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 51 DEĞER ATAMA SİSTEMİ En etkili nörotransmiter dopamin VTA DA nöronları Harekete geçirici: PFC → Glu, çok az Ach Baskılayıcı: VTA GABA, NAc, VP → GABA VTA GABA nöronları Harekete geçirici: PPTg → Ach Baskılayıcı: GABA, ayrıca PFC → Glu + PFC - gaba - NAc + PPTg - gaba - PFC DA salgısı açısından VTA önemli

52 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 52 DEĞER ATAMA SİSTEMİ DA salgısının etkilediği yapılar Amigdala + Lateral Hipotalamus → aml I → dış dünya uyaranları, sigara içme/içmeme eylemi, artan nikotin seviyesi Pedunculopontine Tegmental Nukleus + Laterodorsal Tegmental Nukleus → pptg Bunların VTA nöronlarına etkileri

53 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ VTA DA ve GABA NÖRONLARININ ÜRETTİĞİ İŞARET

54 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ VTA DA ve GABA NÖRONLARININ ÜRETTİĞİ İŞARET

55 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ DEĞER ATAMA SİSTEMİNİN ÜRETTİĞİ AML, PPT, NAC İŞARETLERİ

56 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 56

57 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 57 SONUÇLAR …. Neler yapıldı? Geçmiş çalışmalardan ayrıldığı noktalar … Sonraki adımlar … Eylem Seçici Eylem Değer. Değer Atama UDAUDA riri

58 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 58 Modelleri nasıl daha gerçekçi yapabiliriz? Y.Guo, J.E.Rubin, “Multi-site stimulation of subthalamic nucleus diminishes thalamacortical relay errors in a biophysical network model”, Neural Networks, 2011 TC: STN: GP e : GP i :

59 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ Bu model nasıl elde edilmiş?

60 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 60 SORULARINIZ?

61 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 61 TE Ş EKKÜRLER!

62 İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ 62 KAYNAKLAR Gutkin, B.S., Dehaene, S., Changeux, J.P., “A Neurocomputational Hypothesis for Nicotine Addiction”, PNAS, vol.103, no.4, , Jan 24, Mayhew, K.P., Flay, B.R., Mott, J.A., “Stages in the development of adolescent smoking”, Drug and Alcohol Dependence 59 Suppl. 1, S61–S81, Spanagel, R., Heilig, M., “Addiction and Its Brain Science”, Addiction, vol.100, no.12, , Aralık Kalivas, P.W., “Neurocircuitry of Addiction”, Neuropsychopharmacology: The Fifth Generation of Progress, bölüm 95, , Lippincott, Williams & Wilkins, Peele, S., Alexander, B.K., “The Meaning of Addiction”, chapter 3 – Theories of Addiction,, alındığı tarih http://www.peele.net/lib/moa3.html Metin, S., “Doğrusal Olmayan Sistem Yaklaşımı ile Duygusal Davranışlarda Etkin Sinir Sistemi Altyapılarının İncelenmesi”, İTÜ FBE Doktora Tezi Önerisi, Aralık Metin, S., “Doğrusal Olmayan Sistem Yaklaşımı ile Duygusal Davranışlarda Etkin Sinir Sistemi Altyapılarının İncelenmesi”, İTÜ FBE Doktora Tezi İlerleme Raporu, Haziran Metin, S., Şengör, N.S., “Dynamical System Approach in Modeling Addiction”, BICS, Madrid, İspanya, Temmuz Metin, S., Şengör, N.S., “A Neurocomputational Model of Nicotine Addiction Based on Reinforcement Learning”, ICANN 2010, Selanik, Eylül Jarvis, M.J., “ABC of smoking cessation - Why people smoke”, BMJ, 328(7434): 277–279, 31 Ocak Ortells, M.O., Barrantes GE, “Tobacco addiction: a biochemical model of nicotine dependence”, Med Hypotheses., 74(5):884-94, Mayıs Foulds, J., “The neurobiological basis for partial agonist treatment of nicotine dependence: varenicline”, Int J. Clin. Pract., 60(5):571-6, Mayıs Solomon, R.L., Corbit, J.D., “An Opponent-Process Theory of Motivation”, The American Economic Review, Vol. 68, No. 6, 12-24, Aralık Koob, G.F., Le Moal, M., “Neurobiological mechanisms for opponent motivational processes in addiction”, Phil. Trans. R. Soc. B, 363, 3113–3123, Koob, G.F., Le Moal, M., “Drug Addiction, Dysregulation of Reward, and Allostasis”, Neuropsychopharmacology, vol.24, no.2, , 2001 Grossberg, S., Gutowski, W.E., “Neural Dynamics of Decision Making Under Risk: Affective Balance and Cognitive-Emotional Interactions”, Psychological Review, Vol. 94, No. 3, , Grossberg, S., Schmajuk, N.A., “Neural dynamics of attentionally modulated Pavlovian conditioning: Conditioned reinforcement, inhibition, and opponent processing”, Psychobiology Vol.15, No.3, , Daw, N.D., Kakade, S., Dayan, P., “Opponent Interactions Between Serotonin and Dopamine”, Neural Networks 15, , Dezfouli, A., Piray, P., Keramati, M.M., Ekhtiari, H., Lucas, C., Mokri, A., “A Neurocomputational Model for Cocaine Addiction”, Neural Computation 21, , Daw, N. D., “Reinforcement learning models of the dopamine system and their behavioral implications”, basılmamış doktora tezi, Carnegie Mellon University, Dranias, M.R., Grossberg, S., Bullock, D., “Dopaminergic and non-dopaminergic value systems in conditioning and outcome-specific revaluation”, Brain Research, Vol.1238, , 31 Ekim 2008 Litt, A., Eliasmith, C., Thagard, P., “Neural affective decision theory: choices, brains, and emotions”, Cognitive Systems Research, 9(4), , Frank, M.J., Claus, E.D., “Anatomy of a decision: striato-orbitofrontal interactions in reinforcement learning, decision making, and reversal”, Psychological review, Vol. 113, No. 2, , Nisan Levine, D.S,, “Emotion and Decision Making: Short-term Reactions versus Long-term Evaluations”, International Joint Conference on Neural Networks 2006 (IJCNN '06). Şengör, N.S., Karabacak, Ö., Steinmetz, U., “A Computational Model of Cortico-Striato-Thalamic Circuits in Goal-Directed Behaviour”, LNCS 5163, Proceedings of ICANN, , Karabacak, Ö., Şengör, N.S., “A computational model for the effect of dopamine on action selection during Stroop test”, ICANN’06, Atina, Soylu, C., Karabacak, Ö., Şengör, N.S., “Investigating the Dynamics of the Neural Substrates Taking Part in Goal-Directed Behaviour”, SIAM Conference on Applications of Dynamical Systems (DS09), Utah, Mayıs 17-21, Delgado, M.R., “Reward-Related Resposes in the Human Striatum”, Annals of the New York Academy of Sciences, 1104, 70-88, Hyman, S.E., Malenka, R.C., Nestler, E.J., “Neural Mechanisms of Addiction: The Role of Reward-Related Learning and Memory”, Annual Review of Neuroscience, vol.29, , 2006.


"İSTANBUL TEKNİK ÜNİVERSİTESİ ♦ ELEKTRONİK & HABERLEŞME MÜHENDİSLİĞİ SİNİRBİLİME MERAKLI MÜHENDİSLER SELİN METİN & NESLİHAN S. ŞENGÖR Bugüne kadar ne yaptık." indir ppt

Benzer bir sunumlar


Google Reklamları