7、抑制性中间神经元网络中的信号传输与同步检测

抑制性中间神经元网络中的信号传输与同步检测

1. 研究背景与参数设定

在神经科学领域,理解神经元如何处理和传递信息是一个关键问题。本文聚焦于快速放电(FS)中间神经元,研究其对突触输入的响应以及在网络中的同步检测能力。首先,设定了一系列参数,如 $V_e = 0 mV$,$V_i = -75 mV$,$g_{e0} = 0.0121 mS/cm^2$,$g_{i0} = 0.0573 mS/cm^2$,$\sigma_e = 0.025 mS/cm^2$,$\sigma_i = 2.5\sigma_e$,$\tau_e = 10.49 ms$,$\tau_i = 2.728 ms$ 。这些参数为后续的模拟研究提供了基础。

2. 兴奋性突触输入对FS细胞放电率的影响
2.1 EPSC模型与放电率变化

研究首先探讨了兴奋性突触后电流(EPSC)对FS细胞放电率的影响。EPSC被建模为 $I_{EPSC}(t) = g_{EPSC}[\exp(-t/\tau_{Decay}) - \exp(-t/\tau_{Rise})]/\text{Max}{t}[\exp(-t/\tau_{Decay}) - \exp(-t/\tau_{Rise})]$,其中 $\tau_{Rise} = 0.4 ms$ 和 $\tau_{Decay} = 2 ms$ 用于模拟从锥体细胞到FS细胞的EPSC实验时间进程。
为了增加突触背景活动引起的放电率,在没有EPSC的情况下,向FS细胞注入恒定的去极化电流,使其放电频率达到约22 Hz。如图1所示,EPSC的存在导致突触后细胞放电率增加。

参数 <
个人防护装备实例分割数据集 一、基础信息 • 数据集名称:个人防护装备实例分割数据集 • 图片数量: 训练集:4524张图片 • 训练集:4524张图片 • 分类类别: 手套(Gloves) 头盔(Helmet) 未戴手套(No-Gloves) 未戴头盔(No-Helmet) 未穿鞋(No-Shoes) 未穿背心(No-Vest) 鞋子(Shoes) 背心(Vest) • 手套(Gloves) • 头盔(Helmet) • 未戴手套(No-Gloves) • 未戴头盔(No-Helmet) • 未穿鞋(No-Shoes) • 未穿背心(No-Vest) • 鞋子(Shoes) • 背心(Vest) • 标注格式:YOLO格式,适用于实例分割任务,包含边界框或多边形坐标。 • 数据格式:图片数据,来源于监控或相关场景。 二、适用场景 • 工业安全监控系统开发:用于自动检测工人是否佩戴必要的个人防护装备,提升工作场所安全性,减少工伤风险。 • 智能安防应用:集成到监控系统中,实时分析视频流,识别PPE穿戴状态,辅助安全预警。 • 合规性自动化检查:在建筑、制造等行业,自动检查个人防护装备穿戴合规性,支持企业安全审计。 • 计算机视觉研究:支持实例分割、目标检测等算法在安全领域的创新研究,促进AI模型优化。 三、数据集优势 • 类别全面:覆盖8种常见个人防护装备及其缺失状态,提供丰富的检测场景,确保模型能处理各种实际情况。 • 标注精准:采用YOLO格式,每个实例都经过精细标注,边界框或多边形坐标准确,提升模型训练质量。 • 真实场景数据:数据来源于实际环境,增强模型在真实世界中的泛化能力和实用性。 • 兼容性强:YOLO格式便于主流深度学习框架(如YOLO、PyTorch等)集成,支持快速部署和实验。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值