PyNN standard model
nonlinear integrate-and-fire model
leaky integrate-and-fire model
代替了
神经元模型
1、IF_curr_alpha
对应LIF模型,有固定的阈值和突触后电流为
2、IF_curr_exp
对应LIF模型,有固定阈值和突触后电流以指数形式衰减(分兴奋性突触和抑制性突触)
3、IF_cond_alpha
对应LIF模型,有固定的阈值和突触后电导为
4、IF_cond_exp
对应LIF模型,有固定阈值和突触后电导以指数形式衰减
5、HH_cond_exp
6、EIF_cond_alpha_isfa_ista
Exponential Integrate-and-Fire Model
利用最上面 leaky integrate-and-fire model 代替了
求解
当假设初始膜电压
当突然没有输入时,上述方程求解为:
从硬件电路上理解,这是一个RC电路,可以看成一个滤波电路,这在很多论文上也是这里理解,把输入的电流通过“滤波”转换成电压,进一步转化成下一个输出电流(脉冲),RC电路有一个特点就是电压和电流是以指数规律变化的,可以理解成电容充电的速率是以指数变化的,注意这个变化是电压上升越接近阈值时,速度越慢,与我们真实神经元不相似,真实神经元越电压靠近阈值,其电压上升越快,所以我们后面会有自适应阈值的LIF
此前我们利用一个电阻R来替代泄露电流,这是最简单的LIF模型,在真正的神经元上这个R不应该是一个定值而应该R(u),所以我们再引入一个指数项使泄露电流尽量接近真实神经元,这里我们也可以不用指数项而引入一个
指数项或
nonlinear integrate-and-fire model公式
把
得到
通过注入电流画图的
注意横坐标是随时间变化而产生的电压
然后利用实验数据得出方程