Disciplina Discipline MAE5895
Modelos Estocásticos em Neurociências

Área de Concentração: 45133

Concentration area: 45133

Criação: 18/06/2019

Creation: 18/06/2019

Ativação: 18/06/2019

Activation: 18/06/2019

Nr. de Créditos: 8

Credits: 8

Carga Horária:

Workload:

Teórica

(por semana)

Theory

(weekly)

Prática

(por semana)

Practice

(weekly)

Estudos

(por semana)

Study

(weekly)

Duração Duration Total Total
4 2 4 12 semanas 12 weeks 120 horas 120 hours

Docentes Responsáveis:

Professors:

Jefferson Antonio Galves

Aline Duarte de Oliveira

Objetivos:

O objetivo do curso é fazer uma introdução à modelagem estocástica e à análise estatística de dados experimentais em Neurociência, com ênfase na apresentação de resultados recentes de pesquisa. Trata-se de uma área na fronteira da ciência contemporânea, com grandes questões abertas, de indiscutível relevância básico-clínica, e com desafios importantes, tanto do ponto de vista da Teoria das Probabilidades, quanto do ponto de vista da Teoria Estatística

Justificativa:

A grande capacidade de produção de dados experimentais em neurociência exige a criação de um novo quadro probabilístico e estatístico que lhe permita modelar os fenômenos observados e fazer inferência e seleção de modelos a partir de dados experimentais. Essa necessidade vem sendo reconhecida de maneira crescente pela comunidade científica. A demanda por novos modelos probabilísticos e correspondentes ferramentas estatísticas, encontra sua contra-partida em pesquisas recentes em modelos estocásticos com interações espaço-temporais de alcance variável, grafos aleatórios e teoria estatística para modelos gráficos.

Conteúdo:

1. Dados experimentais em neurociências. Registros unitários de neurônios. Registros eletro-encefalográficos. Neuroimagens. Dados de eletro-miografia. 2. Modelos probabilísticos básicos. Cadeias de Markov, cadeias de alcance infinito e cadeias de alcance variável. Cadeias estocásticas ocultas. Estados de Gibbs. Campos aleatórios com interação de alcance variável. Sistemas estocásticos com infinitas componentes e interações de alcance variável no espaço-tempo. Grafos aleatórios. 3. Cadeias ocultas e o problema da identificação de atividade neuronal unitária ("spike sorting"). 4. Sistemas estocásticos com interações de alcance variável e a modelagem de evoluções temporais de populações de neurônios registrados individualmente. Modelos do tipo "integra e dispara" e generalizações. 5. Modelos bayesianos descrevendo cognição neuro-motora. 6. Grafos aleatórios e modelos de redes para o cérebro. 7. Seleção de modelos, plasticidade e aprendizagem. 8. Seleção de modelos e o problema da constituição de memórias. 9. Classificação de dados funcionais e a identificação de estados neuronais.

Forma de Avaliação:

O aproveitamento dos estudantes será avaliado através de trabalhos, seminários, listas de exercícios e provas.

Observação:

Será redigido um texto com notas de aula.

Bibliografia:

1. Brown EN, Kass RE and Mitra PP (2004). Multiple neural spike train data analysis: state-of-the-art and future challenges. Nat. Neurosci. 7: 456-461. 2. Cessac B (2011). Statistics of spike trains in conductance-based neural networks: Rigorous results. Preprint. 3. Doya K, Ishii S, Pouget A, Rao RPN (2007) Bayesian Brain: Probabilistic Approaches to Neural Coding. MIT-Press. 4. Fernández, R., Galves, A. e Ferrari, P. (2001) Coupling, renewal and perfect simulation of chains of infinite order, Notes for a minicourse at the Vth Brazilian School of Probability. 5. Galves A, Galves C, Garcia J, Garcia NL and Leonardi F (2012). Context tree selection and linguistic rhythm retrieval from written texts. Annals Applied Statistics, no prelo. arXiv:0902.3619. 6. Galves, A. e Leonardi, F. (2008) Exponential inequalities for empirical unbounded context trees, Progress in Probability (60) In and out equilibrium, pp. 257-270. 7. Galves, A. e Loecherbach, E. (2008) Stochastic chains with memory of variable length, TICSP Series, 38, Festschrift for Jorma Rissanen, pp. 117-133. 8. GerstnerW, KistlerWM (2002) Spiking Neuron Models. Cambridge: Cambridge University Press. 9. Rolls ET, Deco G (2010) The Noisy Brain: Stochastic Dynamics as a Principle of Brain Function. Oxford University Press. 10. Stevenson IH and Kording KP (2011). How advances in neural recording affect data analysis. Nat. Publ. Group 14(2): 139-142. 11. Truccolo W, Hochberg LR and Donoghue JP (2010). Collective dynamics in human and monkey sensorimotor cortex: predicting single neuron spikes. Nat. Neurosci. 13(1): 105-111