h1

000759039 001__ 759039
000759039 005__ 20230408005928.0
000759039 020__ $$a978-3-95806-390-7
000759039 0247_ $$2HBZ$$aHT020027988
000759039 0247_ $$2Laufende Nummer$$a38088
000759039 0247_ $$2datacite_doi$$a10.18154/RWTH-2019-03326
000759039 037__ $$aRWTH-2019-03326
000759039 041__ $$aEnglish
000759039 082__ $$a530
000759039 1001_ $$0P:(DE-588)1183620039$$aSenk, Johanna$$b0$$urwth
000759039 245__ $$aConstruction and analysis of a spatially organized cortical network model$$cJohanna Senk$$honline, print
000759039 260__ $$aJülich$$bForschungszentrum Jülich GmbH, Zentralbibliothek, Verlag$$c2018
000759039 260__ $$c2019
000759039 300__ $$a1 Online-Ressource ( 245 Seiten) : Illustrationen, Diagramme
000759039 3367_ $$02$$2EndNote$$aThesis
000759039 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000759039 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000759039 3367_ $$2BibTeX$$aPHDTHESIS
000759039 3367_ $$2DRIVER$$adoctoralThesis
000759039 3367_ $$2DataCite$$aOutput Types/Dissertation
000759039 3367_ $$2ORCID$$aDISSERTATION
000759039 4900_ $$aSchriften des Forschungszentrums Jülich. Reihe Schlüsseltechnologien/Key technologies$$v194
000759039 500__ $$aDruckausgabe: 2019. - Onlineausgabe: 2019. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University
000759039 502__ $$aDissertation, RWTH Aachen University, 2018$$bDissertation$$cRWTH Aachen University$$d2018$$gFak01$$o2018-12-20
000759039 5203_ $$aDie Großhirnrinde (Cortex cerebri) ist eines der kompliziertesten natürlich vorkommenden Systeme aufgrund der Vielzahl und Verschiedenartigkeit vernetzter Zellen und der Informationsverarbeitung auf unterschiedlichen zeitlichen und räumlichen Skalen. Kortikale Aktivität auf der mesoskopischen Skala, die Quadratmillimeter bis -zentimeter an kortikaler Oberfläche umfasst, kann mit in Nervengewebe implantierten Multi-Elektroden-Arrays aufgezeichnet werden. Derartige Messungen im extrazellulären Raum ermöglichen die gleichzeitige Erfassung sowohl von Populationssignalen wie lokalen Feldpotentialen (LFPs) als auch von Aktionspotenzial-Sequenzen einzelner Neuronen. Dabei können räumliche und zeitliche Aktivitätsmuster beobachtet werden, die sich parallel zur Oberfläche des Cortex ausbilden. Die lokale neuronale Verbindungsstruktur weist spezifische Charakteristika abhängig von kortikaler Schicht und Neuronentyp auf. Außerdem fällt die Wahrscheinlichkeit, dass zwei benachbarte Neuronen verbunden sind, mit ihrem Abstand ab. Um die Beziehung zwischen Verbindungsstruktur und experimentell aufgezeichneter Aktivität aufzudecken, werden Computermodelle neuronaler Netze mit entsprechender räumlicher Ausdehnung und Vorhersagefähigkeit von Messgrößen benötigt. Die vorliegende Arbeit behandelt die Entwicklung mesoskopischer, räumlich organisierter kortikaler Netzwerkmodelle mit zellulärer Auflösung. Wir entwickeln ein mehrschichtiges Netzwerkmodell mit realistischer Neuronendichte und abstandsabhängiger Verbindungsstruktur, das mit 4x4 mm² eine ähnliche Fläche wie heutzutage verwendete Multi-Elektroden-Arrays einnimmt. Dieses Modell besteht aus vier kortikalen Schichten mit Populationen exzitatorischer und inhibitorischer Einzelneuronen, integriert experimentell ermittelte Daten zur Verbindungsstruktur und kann Merkmale von in-vivo aufgezeichneter Aktivität statistisch reproduzieren. Ein Ergebnis ist, dass das Modell die scheinbar widersprüchlichen experimentellen Beobachtungen schwach korrelierter Aktionspotenzial-Sequenzen und starker, abstandsabhängiger Korrelationen in LFPs in Einklang bringt. Experimentelle Daten zu Struktur und Dynamik kortikaler Netze sind nur innerhalb gewisser Fehlertoleranzen bekannt, die vereinfachende Annahmen erzwingen. Daher ist es erforderlich Molekularfeldtheorie anzuwenden, um Bereiche biologisch realistischer Aktivität zu erforschen und Mechanismen aufzuklären, die die Netzwerkdynamik dominieren. Diese Arbeit entwickelt die Theorie von räumlich organisierten Netzen weiter und erreicht quantitative Übereinstimmungen mit direkten Simulationen gepulster Netze. Da konventionelle High-Performance-Computing-Architekturen nicht für beschleunigte und massiv parallele neurowissenschaftliche Simulationen optimiert sind, wird zweckbestimmte neuromorphe Hardware entwickelt. Wir vergleichen die Performance der Simulations-Software NEST mit der des neuromorphen Hardware-Systems SpiNNaker in Bezug auf Genauigkeit, Laufzeit und Energieverbrauch. Um raumzeitliche Muster in simulierten Aktivitätsdaten zu erfassen, entwerfen wir Konzepte zur visuellen Datenanalyse und entwickeln das interaktive, webbasierte Programm VIOLA (VIsualization Of Layer Activity) als Referenzimplementierung. Des Weiteren untersuchen wir die Integration kollaborativer, interdisziplinärer Simulations- und Analyse-Workflows in Online-Plattformen. Diese Dissertation erarbeitet Grundlagen für eine Modell-Plattform zur schrittweisen Weiterentwicklung mesoskopischer, räumlich strukturierter Netzwerkmodelle und bereitet den Weg, um weiteren Fragestellungen zu Gehirnfunktion, Lernen und Krankheiten nachzugehen.$$lger
000759039 520__ $$aThe cerebral cortex is one of the most intricate natural systems known, due to the multitude and heterogeneity of interconnected cells and its operation on different temporal and spatial scales. Cortical activity on the mesoscopic scale, spanning square millimeters to centimeters of cortical surface area, can be recorded with multi-electrode arrays implanted in neural tissue. Such extracellular recordings provide simultaneous access to population signals like local field potentials (LFPs) as well as spiking activity of individual neurons, and expose spatiotemporal activity patterns emerging parallel to the cortical surface. Local neuronal connectivity is specific with respect to cortical layers and neuron types, and the probability that two neighboring neurons are connected decays with distance. Computational models of neuronal networks with corresponding spatial extents and signal predictions are needed to infer the relationship between connectivity structure and experimentally recorded activity. This thesis focuses on the development of mesoscopic spatially organized cortical network models with cellular resolution. We develop a multi-layer network model with realistic neuron density and distance-dependent connectivity covering 4x4 mm², a similar area as covered by multi-electrode arrays in use today. The model comprises excitatory and inhibitory spiking neuron populations in four cortical layers, integrates experimentally obtained connectivity data, and reproduces features of observed in-vivo spiking statistics. As a finding, the model reconciles the seemingly contradictory experimental observations of weakly correlated spike trains and strong, distance-dependent correlations of LFPs. Experimental data on the structure and dynamics of cortical networks are only known within certain margins of error and severe simplifications need to be made. Therefore, mean-field theory is required to explore regimes of biologically realistic activity and uncover mechanisms governing the network dynamics. This thesis advances the theory of spatially organized networks to a point where predictions are in quantitative agreement with direct simulations of spiking neuronal networks. Since conventional high-performance computing architectures are not optimized for accelerated and massively parallel neuroscientific simulations, the community develops dedicated neuromorphic hardware. We compare the performance of the software simulator NEST to the neuromorphic hardware system SpiNNaker in terms of accuracy, runtime, and energy consumption. To capture spatiotemporal patterns in simulated activity data, we design concepts for visual data analysis and provide the interactive web-based tool VIOLA (VIsualization Of Layer Activity) as a reference implementation. Moreover, we assess the integration of collaborative and interdisciplinary simulation-analysis workflows into online platforms. This thesis discusses the foundations of a model platform for the stepwise refinement of mesoscopic spatially structured network models and paves the way towards tackling further questions on the brain’s function, learning, and diseases.$$leng
000759039 588__ $$aDataset connected to Lobid/HBZ
000759039 591__ $$aGermany
000759039 653_7 $$alarge-scale simulation
000759039 653_7 $$aneuronal networks
000759039 7001_ $$0P:(DE-82)000218$$aDiesmann, Markus$$b1$$eThesis advisor$$urwth
000759039 7001_ $$0P:(DE-82)IDM00462$$aKuhlen, Torsten$$b2$$eThesis advisor$$urwth
000759039 7001_ $$0P:(DE-82)IDM01279$$aFitter, Jörg Ludwig$$b3$$eThesis advisor$$urwth
000759039 8564_ $$uhttps://publications.rwth-aachen.de/record/759039/files/759039.pdf$$yOpenAccess
000759039 8564_ $$uhttps://publications.rwth-aachen.de/record/759039/files/759039_source.tgz$$yRestricted
000759039 8564_ $$uhttps://publications.rwth-aachen.de/record/759039/files/759039.gif?subformat=icon$$xicon$$yOpenAccess
000759039 8564_ $$uhttps://publications.rwth-aachen.de/record/759039/files/759039.jpg?subformat=icon-180$$xicon-180$$yOpenAccess
000759039 8564_ $$uhttps://publications.rwth-aachen.de/record/759039/files/759039.jpg?subformat=icon-700$$xicon-700$$yOpenAccess
000759039 909CO $$ooai:publications.rwth-aachen.de:759039$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery
000759039 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1183620039$$aRWTH Aachen$$b0$$kRWTH
000759039 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)000218$$aRWTH Aachen$$b1$$kRWTH
000759039 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00462$$aRWTH Aachen$$b2$$kRWTH
000759039 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01279$$aRWTH Aachen$$b3$$kRWTH
000759039 9141_ $$y2018
000759039 915__ $$0LIC:(DE-HGF)CCBY4$$2HGFVOC$$aCreative Commons Attribution CC BY 4.0
000759039 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000759039 9201_ $$0I:(DE-82)535500-2_20140620$$k535500-2$$lLehrstuhl für Psychiatrie, Psychotherapie und Psychosomatik$$x0
000759039 9201_ $$0I:(DE-82)535000-7_20140620$$k535000-7$$lLehrstuhl für Computational Neuroscience (FZ Jülich)$$x1
000759039 9201_ $$0I:(DE-82)130000_20140620$$k130000$$lFachgruppe Physik$$x2
000759039 961__ $$c2019-05-03T12:52:22.662485$$x2019-04-03T14:39:33.734021$$z2019-05-03T12:52:22.662485
000759039 9801_ $$aFullTexts
000759039 980__ $$aI:(DE-82)130000_20140620
000759039 980__ $$aI:(DE-82)535000-7_20140620
000759039 980__ $$aI:(DE-82)535500-2_20140620
000759039 980__ $$aUNRESTRICTED
000759039 980__ $$aVDB
000759039 980__ $$abook
000759039 980__ $$aphd