Redes Neurais Artificiais

1. Neurônio Biológico

1
Roteiro

1.1 Introdução e História

1.2 O Potencial de Ação

1.3 Integração Espacial-Temporal dos Estímulos

1.4 Neurônios e suas Propriedades Computacionais

1.5 Exemplos Matlab

1.1 Introdução e História

2
• 1875 – Camilo Golgi –
 Método para corar porção de
neurônios
 Isolamento e observação do
neurônio

• 1894 – Ramón y Cajal –

 Usou método para corar
partes do sistema nervoso
 Identificação anatômica dos
neurônios

3
 7

• Final século XIX – Dubois Reynold –

 Empregou galvanômetros para observação de manifestações
elétricas de neurônios biológicos

• Década (19)20 – Erlanger e Gasser –

 Depois da invenção dos raios catódicos, melhor entendimento do
funcionamento da célula
 Nobel de Fisiologia em 1944

• Duas décadas seguintes – vários pesquisadores –

 Neurônio dispositivo computacional elementar do sistema nervoso,
com muitas entradas e uma saída

4
Neurônio é o dispositivo computacional elementar do
sistema nervoso, com muitas entradas e uma saída.

10

5
1.2 O Potencial de Ação

11

Região exterior e
interior à membrana
celular que delimita o
axônio (tubo filamentar)

Dentro e fora da célula,

concentrações
diferentes de Na+, K-, Cl-

12

6
• Estados da Membrana

1. Membrana em repouso
 interior está a um potencial eletronegativo em relação ao exterior
 potencial de repouso = -70 mv

2. Membrana depolarizada
 potencial da membrana > potencial de repouso

3. Membrana hiperpolarizada
 potencial da membrana < potencial de repouso

13

• 1953 – Hodgkin e Huxley –

 Se a membrana sofrer uma depolarização acentuada, cruzando o limiar
de disparo do neurônio, então ocorrerá a formação de um potencial de
ação na membrana axonal do neurônio

Obs: Durante Ta não é

possível produzir um
impulso no axônio;
entretanto, pode ocorrer
durante Tr, se a
membrana sofrer uma
depolarização acentuada.

14

7
 Depolarização
acentuada: efeito
cumulativo das
depolarizações (+) nas
regiões pós-sinápticas
excitatórias (+) e/ou das
hiperpolarizações (-) nas
regiões pós-sinápticas
inibitórias (-).

15

1.3 Integração Espacial-Temporal dos

Estímulos

16

8
1. Estímulos chegam à membrana pré-sináptica
2. Membrana pós-sináptica é polarizada rapidamente
 Sinal depende do tipo de neurotransmissor
 Magnitude depende: concentração de neurotransmissores, dimensão
geométrica da sinapse, distância até o axônio do neurônio

17

3. Formação do Potencial
 Integração Espacial: efeito combinado de todos os estímulos que
chegam às sinapses da árvore dendrital do neurônio
 Integração Temporal: ocorre pois a membrana mantém a memória da
atividade sináptica

apesar da membrana
se depolarizar
rapidamente (μs), a
polarização pós-
sináptica decai de
maneira exponencial
com uma constante de
tempo (ms-s)

18

9
19

20

10
Conclusão
 Neurônio codifica em frequência de pulsos o resultado da integração
espacial-temporal
 Frequência máxima de pulsos no axônio:
fmax = 1/(Tn+Ta)

21

1.4 Neurônios e suas Propriedades

Computacionais

22

11
• Modelo de primeira ordem para o neurônio

fT  g(v) fT – freqüência média de

impulsos no intervalo de
tempo T
v    wi(t).xi(t)dt v – depolarização da
T i membrana – integração
da atividade de entrada na
árvore dendrital

g(v) – função de ativação do

neurônio – características:
a) comportamento
monotônico em uma
faixa de v
b) saturação fora da faixa
dinâmica

23

• Esquema de um Neurônio Artificial (i) – Modelo de Ordem Zero

yi  g(vi)
vi   wij.xj
j
24

12
• Funções de ativação nos neurônios artificiais
Linear g(v) = αv Sinal
v>0 g(v) = 1

v
v
v0 g(v) = -1

Sigmoid Tangente
Hiperbólica

g(v) = (1–e-αv)/(1+e-αv)
g(v) = 1/(1 + e-αv)

25
v

1.5 Exemplos: Demos Matlab

6.0.0.88 Release 12

26

13
27

28

14
29

30

15
31

16