Bugüne kadar ne yaptık ve bundan sonra ne yapmayı düşünüyoruz?

1. SİNİRBİLİME MERAKLI MÜHENDİSLER SELİN METİN & NESLİHAN S. ŞENGÖR Bugüne kadar ne yaptık ve bundan sonra ne yapmayı düşünüyoruz?

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

3. BUGÜNE KADAR NELER YAPTIK? Araç: Yapay Sinir Ağları Yaklaşım: Deneklerin nöropsikolojik testler süresince davranışlarını modellemek Wisconsin Kart Sıralama Testi Stroop Testi MAVİYEŞİLKIRMIZI SARI YEŞİLMAVİSARIKIRMIZI SARIKIRMIZIYEŞİLMAVİ KIRMIZIYEŞİLMAVİSARI MAVİSARIKIRMIZIYEŞİL YEŞİLMAVİSARIKIRMIZI

4. Wisconsin Kart Sıralama Testi • soyutlama, • hipotez sınama, • zihinsel esneklik. Referans kartlar

5. 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. Referans Kartlar Kart belirleme Çalışma belleği Bir önceki kuralı tutmak veya yeni kuralı belirlemek için uygulayıcının yanıtını tutmak Rule Specifier Hipotez üreteci Uygulayıcının yanıtı”yanlış” ise alternatif kural üretme ve çalışma belleğine sunma Hypothesis Generator

7. Koşul Ham. uzak Hop. eşik #Doğru cevap #Kategori % Pers. hata FMS Yorum 1 3 T 64.6  3.5 6.0  0 9.9  2.8 0 0 Esnek 4 3-2 T 64  1.8 6.0 0 9.5  2.1 0 0 Esnek 7 2 T 67.6  3.7 6.0  0 14.2  4.6 0 0 AzEsnek 10 2-1 T 70.7  5.5 6.0  0 17.9  3.7 0 0 AzEsnek 2 3 T1 73.7  6.1 1.1  0.5 19.7  2.9 3.2  1.6 Zihni dağınık 5 3-2 T1 75.9  6.1 1.6  1.0 17.7  3.4 2.7  1.3 Zihni dağınık 8 2 T1 66.3  9.1 0.4  0.5 24.6  4.9 2.6  2.1 Katı/Dağ. 11 2-1 T1 73.2  6.3 1.3  0.5 21.2  5.0 2.4  1.2 3 3 T2 66.2  8.4 0.3  0.5 26.5  6.4 2.4  1.8 Katı/Dağ. 6 3-2 T2 72.6  7.9 0.8  0.8 25.9  6.2 3.1  1.7 Katı/Dağ. 9 2 T2 66.7  9.9 0.5  0.7 27.9  8.6 2.0  1.5 Katı/Dağ. 12 2-1 T2 59.8  6.3 0.1  0.3 29.1  6.9 2.0  0.9 Katı/Dağ. 14 1 T1 58.8  6.9 1.1  0.4 32.4  6.2 1.1  0.6 Katı 17 0 T1 31.5 4.7 0 0 38.6  4.8 0  0 Katı 15 1 T2 61.9  8.3 0  0 27.7  6.8 2.4  1.2 Katı 18 0 T2 30.4 4.1 0 0 39.4  3.5 0  0 Katı 13 1 T 39.4  0.5 1.0  0 67.8  0.5 0 0 Çok Katı 16 0 T 32.8  2.5 0.1  0.3 73.0 1.5 0  0 Çok Katı Benzetim Sonuçları Katı/Dağ.

8. Stroop Testi MAVİYEŞİLKIRMIZI SARI YEŞİLMAVİSARIKIRMIZI SARIKIRMIZIYEŞİLMAVİ KIRMIZIYEŞİLMAVİSARI MAVİSARIKIRMIZIYEŞİL YEŞİLMAVİSARIKIRMIZI

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

10. Benzetim Sonuçları bastırma süre

11. Korteks arttırıcı azaltıcı arttırıcı azaltıcı korteks SNc Striatum D1D2 STN STN STR Talamus GPi/SNr GPe Talamus Bazal Çekirdekler GPi/SNr Bazal Çekirdekler Davranış seçme işlevinde dopaminin etkisine ilişkin dinamik bir model önerisi BU YAPTIKLARIMIZI DEĞERLENDİRDİK ve ..... Araç: Doğrusal olmayan dinamik sistemlere ilişkin matematik Yaklaşım: Süreçleri modellemek Korteks-Bazal Çekirdekler-Talamus Döngüsü

12. w u f(u) Geri beslemeli sinir hücresi Biraz da Matematik

13. Biraz daha matematik dallanma diyagramları

14. MATEMATİKSEL MODELLEME Hangi seviyede ve nasıl? • Tek bir sinir hücresinin çalışması... • 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

15. DAHA FAZLA MATEMATİK DOĞRUSAL OLMAYAN DİNAMİK SİSTEMLER • Doğadaki süreçler doğrusal değil… • Dinamik sistem temelleri • Bir dinamik sistemin zaman içindeki değişimi • Denge Noktası (Sabit Nokta)

16. x ЄRn ve αЄRm durum değişkeni parametre Türev, zamanla değişimi gösterir • Parametreler değiştikçe … • Değişmiş sistem, orijinal sisteme eşdeğer kalır • Sistem de [f(x)=0 denkleminin çözümü] değişir. 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. DALLANMALAR (BIFURCATIONS) Parametrelere bağlı bir dinamik sistem düşünelim:

17. j j j w w w İmajiner eksendeki denge noktalarını çok az oynatmak bile kararlı/kararsız olmalarına yol açıyor. Kararlı Kararsız ama yapısal kararlı 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?

18. dinamik sisteminin sabit noktası civarındaki yaklaşık davranışını incelemek için bu sistem sabit noktasında doğrusallaştırılır. Bu noktadaki fonksiyon eğrisi yerine fonksiyonun türevi (teğeti) ile yaklaşım yapıyoruz. Doğrusallaştırma, en genel haliyle bir fonksiyona bir noktadaki teğeti, yani türevi ile yaklaşmaktır. 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.

19. 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.

20. Soldaki şekil, farklı r değerleri için sabit noktalar ile bunların kararlılıklarını göstermektedir. Noktaları birleştirdiğimizde elde ettiğimiz eğri ise r = -x2fonksiyonunun grafiğidir. r > 0 r > 0 r = 0 r = 0 r < 0 r < 0 x x r’yi değişken alarak grafiği çizdiğimizde yandaki dallanma diyagramını elde ederiz. Eyer noktası dallanmasını r’nin ayrık değerlerine göre değişen vektör alanları olarak gösterebiliriz.

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

22. … yapılıyor mu, yapılmıyor mu?

23. İki davranıştan birini nasıl seçeriz?

24. İki davranıştan birini nasıl seçeriz? θ = 0.7

25. İki davranıştan birini nasıl seçeriz? θ = 1

26. İki davranıştan birini nasıl seçeriz? θ = 1.3

27. Korteks BASAL GANGLIA STR Talamus STN GPi/SNr C-BG-TH-C çevrimi Stroop testi için ne yaptık?

28. Ne elde ettik ….. θ = 0.6

29. Ne elde ettik ……. θ = 1

30. Ne elde ettik ……. θ = 1.2

31. ....nasıl yorumladık?

32. YSA’DAN DİNAMİK SİSTEMLERE • Sinir hücrelerini modellemek için YSA kullanılıyordu • YSA Yetersizlikleri… • Sonra Dinamik Sistemden yararlanılarak yapılanlar… • Ödül sistemi için bir model • Eylemlere karar vermek için bir model X X • Şimdi Pekiştirmeli Öğrenme ve dinamik sistemler

33. YENİ HEDEFİMİZ • Ödül mekanizmasını anlamak • Karşıt süreçlerin ödül sistemindeki yerini kavramak • Bağımlılığı açıklayan bir hesaplamalı model geliştirmek • Ödül sistemi için bir model • Eylemlere karar vermek için bir model X X • Duygusal süreçler için genel bir sistem ortaya koymak

34. Eylem Seçici Devre Wr DA ri Eylem Değerlendirme Değer Atama Pekiştirmeli Öğrenme NİKOTİN BAĞIMLILIĞI İÇİN KULLANDIĞIMIZ MODEL

35. Bu modelin dallanma diyagramı DAVRANIŞ SEÇMEYE İLİŞKİN MODEL Korteks Talamus Striatum Subthalamic nukleus GPi/S.Nigra

36. Kararsız Kararlı Kararlı Ve kalıcı hal çözümleri

37. Modelde kullanılan limbik altyapılar başlangıçta şunlardı:

38. δ hata işareti ve sigara içme seçimleri SİSTEM DAVRANIŞI - BAĞIMLILIK

39. δ hata işareti ve sigara içmeme seçimleri SİSTEM DAVRANIŞI – BAĞIMLILIK GELİŞTİRMEYEN

40. İki davranış da öğrenilmediğinde δ hata işareti SİSTEM DAVRANIŞI - KARARSIZLIK

41. Bağımlılık halinde: W PARAMETRELERİNİN DEĞERLERİ İlk değerler:

42. W PARAMETRELERİNİN DEĞERLERİ Bağımlılık gelişmeyen durum: İlk değerler:

43. W PARAMETRELERİNİN DEĞERLERİ Kararsızlık durumunda: İlk değerler:

44. 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? 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 Hangi nörotransmiterler önemli?

45. Eylem seçici devre

46. Değer atama döngüsü

47. DEĞER ATAMA SİSTEMİ • En etkili nörotransmiter dopamin • DA salgısı açısından VTA önemli • VTA DA nöronları • Harekete geçirici: PFC → Glu, çok az Ach + PFC • Baskılayıcı: VTA GABA, NAc, VP → GABA - gaba - NAc • VTA GABA nöronları • Harekete geçirici: PPTg → Ach + PPTg - gaba - PFC • Baskılayıcı: GABA, ayrıca PFC → Glu

48. DEĞER ATAMA SİSTEMİ • DA salgısının etkilediği yapılar • Bunların VTA nöronlarına etkileri • Amigdala + Lateral Hipotalamus → aml • Pedunculopontine Tegmental Nukleus + Laterodorsal Tegmental Nukleus → pptg • I → dış dünya uyaranları, sigara içme/içmeme eylemi, artan nikotin seviyesi

49. VTA DA ve GABA NÖRONLARININ ÜRETTİĞİ İŞARET

50. VTA DA ve GABA NÖRONLARININ ÜRETTİĞİ İŞARET