सोचने का तर्क। भाग 5. मस्तिष्क की तरंगें

तो, हम वर्णित मॉडल के प्रमुख सिद्धांतों में से एक का वर्णन करते हैं। इस सिद्धांत का उपयोग पहले या तो तंत्रिका नेटवर्क में या मस्तिष्क के कामकाज का वर्णन करने में नहीं किया गया है। इस संबंध में, मैं अत्यधिक अनुशंसा करता हूं कि आप अपने आप को पिछले भागों से परिचित कराएं । कम से कम, चौथे भाग को पढ़ना आवश्यक है जिसके बिना निम्नलिखित पूरी तरह से समझ से बाहर होगा।

पिछले भाग में, हमने इस तथ्य के बारे में बात की कि न्यूरॉन्स की गतिविधि प्रेरित और पृष्ठभूमि में विभाजित है। इलेक्ट्रोएन्सेफलोग्राम लेने से पृष्ठभूमि गतिविधि की गूँज देखी जाती है। रिकॉर्ड किए गए संकेतों का एक जटिल आकार है और सिर पर इलेक्ट्रोड के आवेदन के स्थान पर निर्भर करता है, लेकिन, फिर भी, व्यक्तिगत हार्मोनिक घटक उनमें स्पष्ट रूप से पता लगाया जाता है।

मुख्य ताल को कहा जाता है:

• अल्फा लय (8 से 13 हर्ट्ज तक);
• बीटा लय (15 से 35 हर्ट्ज तक);
• गामा ताल (35 से 100 हर्ट्ज तक);
• डेल्टा लय (0.5 से 4 हर्ट्ज तक);
• थीटा लय (5 से 7 हर्ट्ज);
• "स्पिंडल" का सिग्मा ताल (13 से 14 हर्ट्ज तक)।

लय की प्रकृति पारंपरिक रूप से न्यूरॉन्स के दोलन गुणों से संबंधित है। तो, एक एकल न्यूरॉन के व्यवहार का वर्णन हॉजकिन-हक्सले समीकरणों (हॉजकिन, 1952) द्वारा किया गया है:




ये समीकरण ऑटोवैव प्रक्रिया को निर्धारित करते हैं, अर्थात्, वे आवेगों को उत्पन्न करने के लिए न्यूरॉन को निर्देशित करते हैं। हॉजकिन-हक्सले मॉडल मॉडल से जटिल है। इसलिए, इसके कई सरलीकरण हैं जो मुख्य उत्पादक गुणों को संरक्षित करते हैं। सबसे लोकप्रिय मॉडल: फित्ज़ुघ-नागुमो (फिट्ज़ुघ, 1961), मॉरिस-लेकारा (मॉरिस सी।, लेकार एच।, 1981), हिंदमर्ष-रोज़ (हिंदमर्ष जेएल, और रोज़ आरएम, 1984)। कई मॉडल, उदाहरण के लिए, Hindmarsh-Rose, दोनों पैक गतिविधि और पृथक स्मारकों का अनुकरण करने की अनुमति देते हैं (नीचे आंकड़ा देखें)।


हिंदुस्तान रोज न्यूरॉन के मॉडलिंग से उत्पन्न होने वाली बर्स्ट गतिविधि और आसंजन

वास्तविक कॉर्टेक्स की संरचना के समान संरचनाओं में अपने स्वयं के आवेगों को उत्पन्न करने वाले न्यूरॉन्स के संयोजन से, वास्तविक न्यूरॉन्स की समूह गतिविधि के विभिन्न प्रभावों को पुन: उत्पन्न करना संभव है। उदाहरण के लिए, आप तंत्रिका गतिविधि के वैश्विक सिंक्रनाइज़ेशन को प्राप्त कर सकते हैं या लहरों की उपस्थिति का कारण बन सकते हैं। सबसे प्रसिद्ध मॉडल विल्सन-कोवान (एचआर विल्सन और जेडी कोवान, 1972) और कुरमोटो (कुरमोटो, 1984) हैं।

इलेक्ट्रोएन्सेफलोग्राम न्यूरॉन्स की संयुक्त गतिविधि की गूँज को पकड़ता है, लेकिन यह स्पष्ट है कि इस गतिविधि का एक निश्चित अनुपात-अस्थायी संगठन है। प्रांतस्था की गतिविधि को देखने के लिए ऑप्टिकल तरीके इसे लाइव देखना संभव बनाते हैं। प्रायोगिक पशु में, प्रांतस्था का एक खंड उजागर होता है और एक विशेष डाई पेश की जाती है जो विद्युत क्षमता में परिवर्तन के प्रति संवेदनशील होती है। न्यूरॉन्स की झिल्ली क्षमता के कुल दोलनों के प्रभाव के तहत, ऐसी डाई अपने वर्णक्रमीय गुणों को बदल देती है। और हालांकि ये परिवर्तन बेहद छोटे हैं, फिर भी, उन्हें दर्ज किया जा सकता है, उदाहरण के लिए, डायोड सरणी का उपयोग करके, जो उच्च गति वाले वीडियो कैमरा के रूप में कार्य करता है। ऑप्टिकल विधियां आपको कोर्टेक्स में गहराई से देखने और व्यक्तिगत न्यूरॉन्स की गतिविधि का पता लगाने की अनुमति नहीं देती हैं, लेकिन वे इसकी सतह पर तरंग प्रक्रियाओं के प्रवाह का एक सामान्य विचार तैयार करना संभव बनाते हैं।


कोर्टिकल गतिविधि के ऑप्टिकल निर्धारण की योजना (माइकल टी। लिपर्ट, केंटारोह तकागाकी, वेफेंग जू, शियाओयिंग हुआंग, जियान-यंग वू, 2007)

यह पता चला कि मस्तिष्क की लय बिंदु तरंगों से मेल खाती है जो बिंदु स्रोतों में होती हैं और कोर्टेक्स के माध्यम से फैलती हैं, जैसे पानी में मंडलियां। सच है, पानी पर लहर का सामने एक सर्कल में सख्ती से मोड़ता है, और मस्तिष्क न्यूरॉन्स की गतिविधि की लहर के सामने एक और अधिक जटिल तरीके से प्रचार कर सकता है। नीचे दिया गया आंकड़ा चूहा सेरेब्रल कॉर्टेक्स के 5 मिमी अनुभाग में तरंग प्रसार के पैटर्न को दर्शाता है।


चूहे सेरेब्रल कॉर्टेक्स के एक खंड पर एक गतिविधि की लहर के प्रसार का पैटर्न। क्षमता को नीले से लाल रंग के एक ढाल द्वारा दिखाया गया है। 6 मिलीसेकंड के अंतराल के साथ 14 फ्रेम एक लहर प्रसार चक्र (84 मिलीसेकंड - 12 हर्ट्ज) (माइकल टी। लिप्टर्ट, केंटारोह तकागाकी, वेइफेंग जू, शियाओयिंग हुआंग, जियान-यंग वू, 2007) को कवर करते हैं।

वेव गतिविधि के बहुत ही रोचक और सांकेतिक वीडियो (W.-F. Xu, X.-Y. हुआंग, के। तकागाकी, और J.-Y. वू, 2007) में दिए गए हैं। यह दर्शाता है कि लहरें संघनित हो सकती हैं, क्रस्टल ज़ोन की सीमा तक पहुँचती हैं, दूसरे ज़ोन से परावर्तित हो सकती हैं और एक काउंटरप्रोपैगेटिंग वेव बना सकती हैं, डबल सर्पिल के साथ प्रचार कर सकती हैं और भंवर बना सकती हैं।


प्राथमिक दृश्य कॉर्टेक्स में संपीड़न और तरंग प्रतिबिंब (W.-F. Xu, X.-Y. हुआंग, के। तकागाकी, और जे.वाई। वू, 2007)

नीचे उसी कार्य (W.-F. Xu, X.-Y. हुआंग, के। तकागाकी, और J.-Y. वू, 2007) से एक वीडियो है:



दोलन न्यूरॉन्स के मॉडल का उपयोग करते हुए, कंप्यूटर प्रयोगों में समान तरंग पैटर्न प्राप्त किए जा सकते हैं। लेकिन अपने आप में ऐसी धड़कन बहुत मायने नहीं रखती है। यह मानना ​​उचित है कि गतिविधि तरंगें सूचना के हस्तांतरण और प्रसंस्करण के लिए एक तंत्र हैं। लेकिन इस तंत्र की प्रकृति को समझाने के लिए पारंपरिक मॉडलों में प्रयास मूर्त परिणाम नहीं दे पाए हैं। यह मानना ​​तर्कसंगत लगता है कि जानकारी तंत्रिका संकेतों की आवृत्ति और चरण विशेषताओं से एन्कोडेड है। लेकिन यह हस्तक्षेप प्रक्रियाओं को ध्यान में रखने की आवश्यकता की ओर जाता है और स्पष्टीकरण की तुलना में अधिक प्रश्न उठाता है।

एक परिकल्पना है कि तरंगों "कोर्टेक्स" को स्कैन करते हैं, इसके बाद के प्रसारण (पिट्स डब्ल्यू।, मैककुलो डब्लूएस, 1947) से इसके बारे में जानकारी पढ़ते हैं। यह पर्याप्त रूप से स्वस्थ दिखता है, कम से कम अल्फा तरंगों और प्राथमिक दृश्य प्रांतस्था के संबंध में। इस परिकल्पना के लेखक, मैकलॉक और पिट्स ने जोर दिया कि स्कैनिंग हमें एक महत्वपूर्ण घटना की व्याख्या करने की अनुमति देती है। तथ्य यह है कि प्राथमिक दृश्य कॉर्टेक्स की जानकारी को अक्षतंतु के बंडलों के माध्यम से सफेद पदार्थ के तंतुओं के साथ आगे अनुमानित किया जाता है जो कि कोर्टेक्स के इस क्षेत्र के पूरे राज्य को प्रसारित करने के लिए वॉल्यूम में स्पष्ट रूप से अपर्याप्त हैं। इसलिए, उन्होंने निष्कर्ष निकाला, स्कैनिंग आपको न केवल स्थानिक बल्कि समय कोड का उपयोग करने की अनुमति देता है, जो आवश्यक जानकारी के क्रमिक संचरण को सुनिश्चित करता है।

प्रोजेक्शन बीम की संकीर्णता की ऐसी समस्या न केवल प्राथमिक दृश्य प्रांतस्था के लिए, बल्कि मस्तिष्क के अन्य सभी क्षेत्रों के लिए भी मौजूद है। प्रोजेक्शन पथों में तंतुओं की संख्या गतिविधि की स्थानिक तस्वीर बनाने वाले न्यूरॉन्स की संख्या से बहुत कम है। ज़ोन के बीच के कनेक्शन स्पष्ट रूप से एक साथ पूरे स्थानिक रूप से वितरित सिग्नल को संचारित करने में सक्षम नहीं हैं, जिसका अर्थ है कि उन पर प्रसारित जानकारी कैसे संपीड़ित और विघटित होती है, इसकी समझ आवश्यक है। स्कैनिंग की धारणा, हालांकि यह स्वयं कोडिंग तंत्र के बारे में प्रश्न का उत्तर प्रदान नहीं करता है, फिर भी हमें सही प्रश्नों की अनुमति देता है।

मस्तिष्क की लय को समझाने में हमारा मॉडल मेटाबोट्रोपिक गतिविधि की प्रकृति के उपरोक्त विवरण पर आधारित है। इस विचार का उपयोग करना कि न केवल न्यूरॉन्स के पर्यायवाची हैं, बल्कि मेटाबोट्रोपिक रिसेप्टिव क्लस्टर भी ताल बनाने की प्रक्रिया में शामिल हैं, कोई ऐसा परिणाम प्राप्त कर सकता है जो सभी शास्त्रीय सिद्धांतों से गुणात्मक रूप से भिन्न हो। लेकिन इसके विवरण पर आगे बढ़ने से पहले, मैं एक चेतावनी देना चाहता हूं। मैं जानबूझकर सरलीकृत आदर्शित मॉडल का वर्णन करूंगा, उन्हें वास्तविक मस्तिष्क में निहित कुछ प्रक्रियाओं से मेल खाता है, लेकिन यह दावा किए बिना कि मस्तिष्क उस तरह से काम करता है। हमारा काम बुनियादी सिद्धांतों को दिखाना है, यह समझना कि विकास बहुत आगे बढ़ गया है और उनका सही कार्यान्वयन बहुत पेचीदा है। आप कंप्यूटर प्रौद्योगिकी के विकास के साथ एक सादृश्य आकर्षित कर सकते हैं। एक आधुनिक कंप्यूटर काफी जटिल है, और अगर हम शास्त्रीय कंप्यूटिंग उपकरणों के बुनियादी सिद्धांतों का वर्णन करना शुरू करते हैं, तो यह पता चलता है कि उनके शुद्ध रूप में आधुनिक प्रणालियों में उनसे मिलना लगभग असंभव है। मूल प्रतिनिधित्व - प्रोसेसर मेमोरी से प्रोग्राम और डेटा को पढ़ता है, डेटा पर प्रोग्राम द्वारा निर्धारित क्रिया करता है, और परिणाम को मेमोरी में वापस लिखता है। और अब इसे विभिन्न स्तरों पर कैश के उपयोग में जोड़ें, मल्टीथ्रेडिंग, हाइपरथ्रेडिंग, समानांतर कंप्यूटिंग स्थानीय, समूह और साझा मेमोरी और इसी तरह का उपयोग कर। और यह पता चला है कि वास्तविक कंप्यूटर में सरल नियमों के साथ शाब्दिक अनुपालन खोजना मुश्किल है। दरअसल, वास्तविक मस्तिष्क के काम के साथ निम्नलिखित विवरण की तुलना करते हुए, यह सब ध्यान में रखा जाना चाहिए।

तो, चलो कॉर्टेक्स साइट का एक मॉडल लेते हैं, जिस पर हम प्रेरित गतिविधि का एक कॉम्पैक्ट पैटर्न बनाएंगे। अभी के लिए, इस प्रश्न को छोड़ दें कि यह पैटर्न कैसे उत्पन्न हुआ। हम बस मान लेंगे कि ऐसे तत्व हैं जिन पर एक निरंतर पल्स सिग्नल मौजूद है। नीचे दिए गए आंकड़े में, इस पैटर्न को बनाने वाले न्यूरॉन्स को लाल रंग में चिह्नित किया गया है। वास्तविक कॉर्टेक्स में, यह एक्सोन से मेल खाती है जो पैक गतिविधि को प्रसारित करता है, अर्थात, उच्च आवृत्ति के साथ स्पाइक्स की एक श्रृंखला का उत्पादन करता है। ये अक्षतंतु उसी कॉर्टिकल क्षेत्र के न्यूरॉन्स से संबंधित हो सकते हैं, जो प्रेरित उत्तेजना की स्थिति में हैं, या वे मस्तिष्क के अन्य भागों से आने वाले प्रक्षेपण फाइबर हो सकते हैं।


खाली गतिविधि पैटर्न

अब मुक्त न्यूरॉन्स दुर्लभ यादृच्छिक आवेगों को उत्पन्न करते हैं। इस मामले में, हम यह शर्त लगाते हैं कि यादृच्छिक स्पाइक के लिए आसपास की गतिविधि का एक निश्चित स्तर आवश्यक है। इसका मतलब यह है कि यादृच्छिक स्पाइक्स केवल पहले से ही सक्रिय न्यूरॉन्स के आसपास के क्षेत्र में हो सकते हैं। हमारे मामले में, वे प्रेरित गतिविधि के पैटर्न के आसपास के क्षेत्र में दिखाई देंगे। नीचे दिए गए आंकड़े में, हरे रंग में यादृच्छिक स्पाइक दिखाए गए हैं।

आमतौर पर, सभी न्यूरोनल गतिविधि जो ट्रिगर नहीं होती हैं उन्हें सहज या पृष्ठभूमि कहा जाता है। यह बहुत सफल नहीं है, क्योंकि यह इस सभी गतिविधि की धारणा को यादृच्छिक के रूप में स्थापित करता है। इसके अलावा, हम दिखाते हैं कि, मूल रूप से, पृष्ठभूमि गतिविधि सख्ती से पूर्व निर्धारित है और बिल्कुल यादृच्छिक नहीं है। और इसका केवल एक छोटा सा हिस्सा वास्तव में पूरी तरह से यादृच्छिक स्मारक है। हमने सक्रिय पैटर्न के आसपास ऐसे यादृच्छिक स्पाइक्स बनाए हैं।


मॉडलिंग का पहला कदम। सक्रिय गतिविधि के बीच सहज गतिविधि

हम अपने औपचारिक न्यूरॉन्स पर मेटाबोट्रोपिक रिसेप्टिव क्लस्टर बनाते हैं। ऐसा करने के लिए, हम न्यूरॉन्स को याद करने का अवसर देंगे, जब आवश्यक हो, तत्काल पर्यावरण की गतिविधि की एक तस्वीर। इसके अलावा, हम खुद को एक न्यूरॉन के लिए एक तस्वीर तक सीमित नहीं करेंगे, जैसा कि यह होगा, हम सिंकैप्स पर याद करते हैं, लेकिन प्रत्येक न्यूरॉन को ऐसी तस्वीरों को संग्रहीत करने दें।

हम इसे बनाते हैं ताकि हमारे अपने यादृच्छिक स्पाइक और उच्च आस-पास की गतिविधि की उपस्थिति हर बार आसपास की दालों की तस्वीर (नीचे आंकड़ा) को याद करने का आधार हो। इसके अलावा, हमारे न्यूरॉन्स हर बार सिंगल स्पाइक्स देंगे, जिनमें से एक याद किया हुआ स्थानीय पैटर्न दोहराया जाता है। यादृच्छिक स्पाइक्स के साथ उन्हें भ्रमित न करने के लिए, हम इन स्पाइक्स वेव को कहेंगे।


एक न्यूरॉन्स के लिए गतिविधि निर्धारण का क्षेत्र जिसने एक सहज स्पाइक जारी किया (यह वर्ग के केंद्र में है)। अनुकरण करते समय, वर्गाकार ग्रहणशील क्षेत्र का उपयोग सादगी के लिए किया जाता था, जो कि वास्तविक न्यूरॉन्स के ट्रैकिंग क्षेत्रों के अनुरूप नहीं है, लेकिन परिणाम को गुणात्मक रूप से प्रभावित नहीं करता है

नतीजतन, अगले मॉडलिंग कदम पर (नीचे आंकड़ा) हमें एक तस्वीर मिलती है जिसमें पहले जैसा ही होगा, प्रेरित गतिविधि (लाल), न्यूरॉन्स के साथ न्यूरॉन्स जो पिछले चरण (सफेद) में संग्रहीत स्थानीय छवियों का जवाब देते थे, और न्यूरॉन्स उत्पन्न होते थे। सहज स्पाइक (हरा)।


मॉडलिंग का दूसरा चरण। रेड्स - प्रेरित गतिविधि, सफेद - लहर गतिविधि, हरी - सहज गतिविधि

मॉडलिंग के चरणों को दोहराते हुए, हम एक निश्चित अद्वितीय बेतरतीब ढंग से बनाए गए पैटर्न के साथ प्रांतस्था में फैलने वाली गतिविधि प्राप्त करते हैं।
अब हम न्यूरॉन थकान की स्थिति का परिचय देते हैं। आइए हम इसे बनाते हैं ताकि कई मेटाबोट्रोपिक (वेव) स्पाइक्स के बाद, न्यूरॉन्स विश्राम के लिए आवश्यक समय के लिए नए आवेग उत्पन्न करने की क्षमता खो देंगे। यह इस तथ्य को जन्म देगा कि गतिविधि को एक सतत क्षेत्र द्वारा वितरित नहीं किया जाएगा, लेकिन अपने स्रोत से बिखरे तरंगों को स्पंदित करके।

क्लॉगिंग को रोकने के लिए, हम उन क्षेत्रों में सहज गतिविधि को रोकते हैं जहां आराम करने वाले न्यूरॉन्स की संख्या अधिक है। नतीजतन, हमें प्रेरित गतिविधि (नीचे आंकड़ा) के पैटर्न से बिखरने वाली तरंग गतिविधि के साथ न्यूरॉन्स की एक अंगूठी मिलती है।


वेवफ्रंट प्रोपेगेशन। नीले - विश्राम की स्थिति में न्यूरॉन्स

परिणामस्वरूप तरंग, जैसा कि वह अपने केंद्र से दूर जाती है, सामने के घनत्व को खो देगी और जल्द या बाद में क्षय हो जाएगी। नीचे दिए गए आंकड़े में, आप उसके जीवन के पहले चक्र का पता लगा सकते हैं।


पहचानकर्ता लहर की पहली लहर का प्रसार

विश्राम अवधि बीत जाने के बाद, एक नई लहर शुरू होगी। अब यह उन न्यूरॉन्स द्वारा उठाया जाएगा जो पहले से ही प्रशिक्षित हो चुके हैं, और थोड़ा आगे फैल जाएंगे। प्रत्येक नए चक्र के साथ, लहर अपने प्रसार की सीमाओं का विस्तार करेगी जब तक कि यह जोन के किनारों तक नहीं पहुंचता। तरंग मोर्चे के घनत्व में असीमित वृद्धि को रोकने के लिए, हम एक और प्रतिबंध लगाते हैं: हम न्यूरॉन्स के लिए सहज गतिविधि को प्रतिबंधित करते हैं जब उनके आसपास की कुल गतिविधि एक निश्चित सीमा से अधिक हो जाती है।

कुछ समय बाद, हम एक कॉर्टेक्स को उसके पैटर्न में अद्वितीय गतिविधि की एक लहर का प्रचार करने के लिए प्रशिक्षित करेंगे जो शुरू में निर्धारित गतिविधि (नीचे आंकड़ा) के पैटर्न से मेल खाती है।


पहले से प्रशिक्षित कॉर्टेक्स (200 प्रशिक्षण चक्र के बाद) के साथ वेव प्रसार

नीचे लहर सीखने की प्रक्रिया का एक वीडियो है:



नोट: जब कॉर्टेक्स को पहले से ही एक विशिष्ट पैटर्न से तरंगों को फैलाने के लिए प्रशिक्षित किया जाता है, सहज (यादृच्छिक) कमिस गायब हो जाते हैं। इस तरह की "अनुभवी" लहर लहर, गैर-आयामी स्पाइक्स के कारण बनती है। रैंडम स्पाइक्स केवल प्रशिक्षण के दौरान दिखाई देते हैं, जब लहर सामने अभी भी अप्रशिक्षित या खराब प्रशिक्षित क्षेत्रों तक पहुंचती है। इस समय, स्वतःस्फूर्त आवेग तरंग पैटर्न की एक यादृच्छिक निरंतरता बनाते हैं, जो तुरंत इस लहर में भाग लेने वाले न्यूरॉन्स की सतह पर याद किया जाता है। लेकिन जैसे ही प्रशिक्षण समाप्त होता है, परिचित कोर्टेक्स पैटर्न से तरंग पहले से ही निर्मित लहर पैटर्न के साथ प्रचार करना शुरू कर देती है, प्रत्येक बीट अपने पथ में बिल्कुल समान गैर-यादृच्छिक पैटर्न को दोहराता है।

छाल प्रशिक्षण को चरणबद्ध नहीं करना पड़ता है। मापदंडों का चयन करके मॉडलिंग करते समय, यह सुनिश्चित करना संभव है कि उभरती लहर आत्मनिर्भर हो। यही है, ताकि यह पहले सलाखों में फीका न हो, लेकिन तुरंत पूरे स्थान (नीचे आंकड़ा) पर फैल जाए।


एक प्रशिक्षण लहर के पहले प्रसार की निरंतर लहर का एक उदाहरण

चूंकि लहर सामने की चौड़ाई स्थिर है, इसलिए इसका क्षेत्र स्रोत से दूरी के साथ बढ़ता है। यह इस तथ्य से मेल खाता है कि अधिक से अधिक न्यूरॉन्स गतिविधि के प्रसार में शामिल हैं। यदि हम उनके द्वारा बनाई गई कुल क्षमता का पता लगाते हैं, तो हमें ऐसे ग्राफ़ मिलेंगे, जो उस तरह से मिलते-जुलते हैं, जो हम विश्वकोश (आंकड़ा) में देखते हैं।


एकल-स्रोत मॉडल लयबद्ध गतिविधि ग्राफ

कृपया ध्यान दें कि इस तरह के "एन्सेफेलोग्राम" पर दिखाई देने वाले लय की उपस्थिति कॉर्टेक्स के "श्वसन" की लय नहीं है। यही है, गतिविधि के संयुक्त फटने का नहीं, जैसा कि अधिकांश मौजूदा मॉडलों में अपेक्षित है, लेकिन डायवर्जिंग तरंगों के प्रसार में शामिल न्यूरॉन्स की संख्या में बदलाव। यदि पिछली तरंगों के मोर्चों के गायब होने से पहले नई तरंगों का उत्सर्जन किया जाएगा, तो उनका जोड़ एक चिकनी तस्वीर देगा। मॉडल पर मापदंडों के एक निश्चित चयन के साथ, स्थितियों का पुनरुत्पादन किया जाता है जब तरंगों का प्रसार व्यावहारिक रूप से कुल लयबद्ध गतिविधि के साथ नहीं होता है। इस तथ्य के साथ सहसंबद्ध किया जा सकता है कि इलेक्ट्रोएन्सेफलोग्राम पर लगभग 10 प्रतिशत लोगों में कोई तरंग गतिविधि नहीं है।

यदि हम अब प्रेरित गतिविधि का एक नया पैटर्न लेते हैं, तो क्रस्ट इससे उत्पन्न होने वाली तरंगों का निर्माण करेगा। इसके अलावा, इस तरह के क्रस्ट को प्रेरित गतिविधि के किसी भी स्थिर पैटर्न के लिए लहरें बनाने के लिए प्रशिक्षित किया जाता है। इस तथ्य के कारण कि एक ही न्यूरॉन कई स्थानीय छवियों को संग्रहीत कर सकता है, यह कई अलग-अलग तरंगों का हिस्सा हो सकता है जो विभिन्न पैटर्न के अनुरूप हैं। यदि हम तरंगों की अधिक विशिष्टता चाहते हैं, तो यह पर्याप्त है, क्योंकि न्यूरॉन अपने सहज स्पाइक की संभावना को कम करने के लिए स्थानीय छवियों को संचित करता है जो इसे याद रखता है।

याद की गई स्थानीय छवियों के लिए, यह एक समेकन तंत्र पेश करने के लिए समझ में आता है। यही है, छवि को सदियों तक तुरंत ठीक करने के लिए नहीं, बल्कि उस समय को स्थापित करने के लिए जिसके दौरान छवि को एक निश्चित संख्या में दोहराया जाना चाहिए। चूंकि तरंग प्रसार में प्रशिक्षण और विकसित गतिविधि के स्थिर पैटर्न का गठन समानांतर प्रक्रियाएं हैं, इसलिए समेकन असफल प्रशिक्षण के निशान मिटा सकते हैं।

लेकिन इस सब में सबसे महत्वपूर्ण बात यह है कि प्राप्त तरंग कहानियों में से प्रत्येक की विशिष्टता है। जिस किसी भी जगह से होकर लहर गुजरती है, वह केवल अपनी ड्राइंग के लिए एक अनोखी, विशेषता बनाता है। इसका मतलब यह है कि अगर किसी घटना को एन्कोड करने वाले कॉर्टेक्स की सतह पर प्रेरित गतिविधि का एक पैटर्न है, तो इसके कारण होने वाली तरंग कॉर्टेक्स के पूरे स्थान पर इसके बारे में जानकारी फैलाएगी। प्रत्येक विशिष्ट स्थान में, यह तरंग अपना विशिष्ट पैटर्न बनाएगी, केवल इस घटना के लिए अद्वितीय। इस स्थान पर कोई भी अन्य घटना इसकी लहर से जुड़ा एक अलग पैटर्न बनाएगी। इसका मतलब यह है कि किसी भी स्थान पर होने पर, हम किसी विशेष घटना से लहर के "रिसेप्शन" को ट्यून कर सकते हैं और जब यह इसी पैटर्न के साथ लहर के आगमन पर होगा, तो इसे ठीक कर सकता है।

हमारे मॉडल में, यह पता चला है कि कोर्टेक्स के मूलभूत गुण हैं:

• प्रेरित गतिविधि के पैटर्न से तरंगों को उत्पन्न करने की क्षमता;
• सीखने की क्षमता, प्रत्येक पैटर्न के लिए अद्वितीय और स्थिर लहर पैटर्न का संचालन करने के लिए;
• जब प्रशिक्षित किया जाता है, तो गतिविधि की लहरों को फैलाने की क्षमता जो प्रेरित गतिविधि के लगातार पैटर्न के आसपास पैदा होती है।

प्रेरित गतिविधि का प्रत्येक अद्वितीय पैटर्न अपने पैटर्न में एक लहर अद्वितीय से मेल खाती है, जिसे इस पैटर्न का पहचानकर्ता कहा जा सकता है।

अब सीखने की प्रक्रिया को मोटे तौर पर इस प्रकार दर्शाया जा सकता है:

• सांख्यिकीय रूप से स्थिर सिग्नल न्यूरॉन्स-डिटेक्टरों के गठन की ओर ले जाते हैं, जो कि सिनैप्टिक प्लास्टिसिटी के कारण, निश्चित पैटर्न पर प्रतिक्रिया करने के लिए प्रशिक्षित होते हैं;
• एक पैटर्न से संबंधित डिटेक्टर न्यूरॉन्स एक स्थिर पैटर्न बनाते हैं;
• प्रत्येक स्थिर पैटर्न, जैसा कि यह सक्रिय है, कॉर्टेक्स को एक अनूठी लहर को फैलाने के लिए सिखाता है जो केवल इस पैटर्न से मेल खाती है, जिसे इस पैटर्न के पहचानकर्ता के रूप में व्याख्या की जा सकती है;
• कॉर्टेक्स के प्रत्येक स्थान, जहां इसी तरंगों का प्रसार होता है, यह पता लगाने का अवसर मिलता है कि वर्तमान समय में सामान्य सूचना चित्र क्या है।

ऊपर से यह इस प्रकार है कि अपने पूर्ण कार्य के लिए, मस्तिष्क को न केवल विभिन्न घटनाओं के न्यूरॉन्स-डिटेक्टरों का निर्माण करना चाहिए, बल्कि इसी सूचना तरंगों के प्रसार के लिए प्रांतस्था को प्रशिक्षित करना चाहिए। यह इस तथ्य के साथ अच्छा समझौता है कि बच्चों में लयबद्ध गतिविधि जन्म के तुरंत बाद कमजोर रूप से व्यक्त की जाती है और उम्र के साथ बढ़ जाती है।

जब हम मस्तिष्क की संरचनाओं के बारे में बात करते हैं जो कुछ विशेष घटनाओं पर प्रतिक्रिया करते हैं, तो उनकी स्पष्ट द्वैतता हमारी अवधारणा में उत्पन्न होती है। इन संरचनाओं को विशेष रूप से किसी भी न्यूरॉन्स या न्यूरॉन्स के समूहों द्वारा वर्णित नहीं किया गया है, वे पहचान तरंगों द्वारा पूरक हैं, जो प्रासंगिक जानकारी के प्रसार की अनुमति देते हैं। लेकिन, दिलचस्प रूप से, प्रत्येक विशिष्ट स्थान में जिसके माध्यम से लहर गुजरती है, यह उसी तरीके से व्यवहार करता है जैसे कि इसे उत्पन्न करने वाला पैटर्न। तात्कालिक समय में कटौती, यह खुद एक पैटर्न है जो लहर की निरंतरता उत्पन्न करता है।

यह देखना आसान है कि पहचान तरंगों के इस तरह के प्रसार से ह्यूजेंस-फ्रेस्नेल सिद्धांत दोहराता है, जो प्रकाश तरंगों के प्रसार का वर्णन करता है। इसका सार यह है कि प्रकाश तरंग के सामने के प्रत्येक बिंदु को द्वितीयक अशांति का केंद्र माना जा सकता है। ऐसा प्रत्येक केंद्र माध्यमिक गोलाकार तरंगें उत्पन्न करता है। परिणामी प्रकाश क्षेत्र इन तरंगों का हस्तक्षेप है। द्वितीयक तरंगों का लिफाफा, अगले समय में लहर का अग्र भाग बन जाता है, और इसी तरह आगे भी।


Huygens-Fresnel (नॉर्डमैन) अपवर्तन (बाएं) और हस्तक्षेप (दाएं)

प्रेरित गतिविधि के पैटर्न की प्रकृति और लहर प्रसार की प्रक्रिया में होने वाले पैटर्न में अंतर केवल उन में शामिल न्यूरॉन्स की गतिविधि के कारण का विश्लेषण करके पता लगाया जा सकता है। विकसित गतिविधि के लिए, यह सिनेप्स पर एक चित्र है; प्रसार पैटर्न के लिए, यह मेटाबोप्रोटिक रिसेप्टर्स की प्रतिक्रिया है। यही है, मस्तिष्क द्वारा किसी भी घटना का प्रतिबिंब एक पैटर्न और एक लहर दोनों है, और प्रत्येक विशिष्ट समय में जब हम इस लहर के प्रसार को ठीक करने की कोशिश करते हैं, तो हम एक पैटर्न देखेंगे जो पैटर्न में अलग है, लेकिन संक्षेप में लहर को जन्म नहीं दिया। ।

यह नोटिस करना आसान है कि वर्णित द्वैतवाद प्राथमिक कणों के द्वैतवाद से काफी सटीक मेल खाता है। जैसा कि आप जानते हैं, प्रत्येक कण एक कण और एक लहर है। हम किन परिस्थितियों पर विचार कर रहे हैं, उसके आधार पर एक कण तरंग और कण दोनों गुणों का प्रदर्शन कर सकता है। आधुनिक भौतिकी इस तथ्य को बताती है, लेकिन उसे कोई स्पष्टीकरण नहीं देती है। हमने सूचना छवियों के द्वैतवाद के बारे में जो कुछ भी लिखा, सौभाग्य से, प्राथमिक कणों के द्वैतवाद से कुछ अधिक दृश्य है। बेशक, सवाल यह है कि, क्या इन उपमाओं का विस्तार करना और दुनिया की भौतिक तस्वीर को समझने के लिए उनका उपयोग करना संभव है? यह एक बहुत ही गंभीर सवाल है, और बाद में हम ऐसे संयोग की यादृच्छिकता या गैर-यादृच्छिकता के बारे में बात करेंगे।

महत्वपूर्ण परिणाम सूचनात्मक छवियों के द्वंद्ववाद से उत्पन्न होते हैं। अलग-अलग स्पिन वाले कणों की तरह, अलग-अलग तरंगों से दो पैटर्न एक-दूसरे के साथ हस्तक्षेप किए बिना एक ही स्थानिक क्षेत्र में हो सकते हैं। इसके अलावा, उनमें से प्रत्येक ने पारस्परिक विकृतियों को पेश किए बिना, अपनी स्वयं की लहर की निरंतरता का कारण बनता है। यदि हम कई पैटर्न बनाते हैं और उनमें से प्रत्येक से तरंगों को फैलाने के लिए कॉर्टेक्स सिखाते हैं, तो इन पैटर्नों को एक साथ सक्रिय करते हुए, हम अपनी विशिष्टता (नीचे का आंकड़ा) बनाए रखते हुए एक दूसरे के माध्यम से तरंगों के मार्ग का निरीक्षण कर पाएंगे।


दो स्रोतों से तरंगों के पारित होने का अनुकरण

यह निरंतर तरंग प्रक्रियाओं से बहुत अलग है। उदाहरण के लिए, जब लहरें पानी या हवा में फैलती हैं, तो सभी अणु एक साथ कंपन में भाग लेते हैं। दो तरंगों की टक्कर पूरे संपर्क मात्रा को प्रभावित करती है, जिससे हस्तक्षेप होता है। प्रत्येक अणु का व्यवहार एक ही बार में दोनों तरंगों की क्रिया द्वारा निर्धारित होता है। नतीजतन, हमें एक हस्तक्षेप पैटर्न मिलता है, जो व्यक्तिगत रूप से तरंग पैटर्न में से प्रत्येक के रूप में सरल नहीं है। हमारे मामले में, तरंगों में से प्रत्येक का प्रसार होता है, जो सभी उपलब्ध न्यूरॉन्स के केवल एक छोटे हिस्से को प्रभावित करता है। दो सूचना तरंगों के चौराहे पर, हस्तक्षेप बनाने में सक्षम सामान्य न्यूरॉन्स उनमें से प्रत्येक के प्रसार को प्रभावित करने के लिए बहुत कम हैं। नतीजतन, लहरें अपनी सूचनात्मक तस्वीर को बरकरार रखती हैं, एक और लहर के साथ एक बैठक से कम नहीं।

वर्णित प्रणाली का एक निश्चित लालित्य भी इस तथ्य में निहित है कि न्यूरॉन्स एक साथ दो कार्य कर सकते हैं। प्रत्येक न्यूरॉन एक डिटेक्टर हो सकता है, एक विशिष्ट छवि के लिए अन्तर्ग्रथनी संतुलन को बदलकर ट्यूनिंग कर सकता है। एक ही समय में, एक ही न्यूरॉन, अपने मेटाबोट्रोपिक समूहों पर दर्ज जानकारी के कारण, विभिन्न सूचना तरंगों के प्रसार में भाग ले सकता है।

एक न्यूरॉन के गुणों के बीच अंतर को डिटेक्टर के रूप में और लहर गतिविधि के प्रसार में भागीदार के रूप में महसूस करना सार्थक है। ऐसा लगता है कि दोनों वहाँ और वह अपने पर्यावरण की गतिविधि की एक निश्चित तस्वीर पर प्रतिक्रिया करता है। वास्तव में, ये दो मूलभूत रूप से भिन्न गुण हैं। सिनैप्टिक तराजू का अपेक्षाकृत चिकनी समायोजन न्यूरॉन को छिपे हुए कारकों की पहचान करने का तरीका जानने की अनुमति देता है। गैर-सिनैप्टिक समूहों द्वारा चित्रों का त्वरित निर्धारण अभी जो कुछ भी है, उसका संस्मरण प्रदान करता है। सिनैप्स न्यूरॉन के पूरे ग्रहणशील क्षेत्र से बड़े पैमाने पर चित्र का अनुभव करता है। गतिविधि का एक संक्षिप्त चित्र मेटाबोट्रोपिक रिसेप्टिव समूहों के लिए उपलब्ध है, जो उनके सिनेप्टिक जाल बनाने वाले सिनेप्स तक सीमित है। एक साधारण न्यूरॉन के लिए सिनैप्टिक वेट का केवल एक सेट है, लेकिन यह दसियों और सैकड़ों हजारों पहचान चित्रों को संग्रहीत कर सकता है।सिनैप्टिक मान्यता विकसित गतिविधि उत्पन्न करती है, यानी आवेगों की एक लंबी फट। कई न्यूरॉन डिटेक्टर ऐसे विकसित गतिविधि का एक पैटर्न बनाते हैं। मेटाबोट्रोपिक मान्यता एकल स्पाइक देती है। इस तरह के स्पाइक्स की समग्रता पहचान की लहर का मोर्चा बनाती है।

मॉडलिंग करते समय, यह देखा गया है कि पहचानकर्ता का प्रसार रेंज इस बात पर निर्भर करता है कि तरंग बनाने वाला पैटर्न कितना सक्रिय रूप से प्रकट होता है। समेकन तंत्र को लागू करना, अर्थात् भूलने की कसौटी को पेश करना, जो काम करता है यदि गतिविधि को ठीक से दोहराया नहीं जाता है, तो एक प्रभाव प्राप्त करना संभव है जब अक्सर दोहराते पैटर्न पूरे प्रांतस्था को अपनी लहरों को फैलाने के लिए सिखाते हैं, और दुर्लभ संयोजन स्थानीय वितरण के क्षेत्रों का निर्माण करते हैं। इसके अलावा, इन क्षेत्रों के आकार तय नहीं हैं, लेकिन स्वेच्छा से बढ़ते हैं यदि इसी घटना को स्वयं अधिक बार प्रकट करना शुरू हो जाता है। इस व्यवहार में, आप एक निश्चित कारण पा सकते हैं। यह संभव है कि वास्तविक क्रस्ट एक समान तरीके से व्यवहार करता है।

जब मैं ऊपर वर्णित तरंग सिद्धांतों को बनाने में कामयाब रहा, तो हमारी परियोजना के ढांचे में मॉडलिंग एक नए गुणात्मक स्तर पर चली गई। एक भावना थी कि पत्थर की कुल्हाड़ी के बजाय हमें अचानक एक जैकहैमर मिला। निम्नलिखित भागों में, मैं दिखाऊंगा कि कैसे तरंग तंत्रिका नेटवर्क मॉडल का उपयोग हमें मस्तिष्क के कई पहले के रहस्यमय गुणों की व्याख्या करने की अनुमति देता है।

विस्तार

अगर कहीं बहुत संक्षिप्त, असंगत या स्लाइन है, तो कृपया टिप्पणियों में लिखें।

पिछले भाग:
भाग 1. न्यूरॉन
भाग 2. कारक
भाग 3. अवधारणात्मक, दृढ़ नेटवर्क
भाग 4. पृष्ठभूमि गतिविधि