BRAIN NETWORKS (original) (raw)
Related papers
SOBRE REDES E MÓDULOS CEREBRAIS About brain networks and modules
2020
Resumo: Esse texto discute os conceitos de redes neuronais, de redes cerebrais, de rede de estado de repouso e uma visão conexionista sobre a dinâmica cerebral. Por fim o conceito de explicação mecanicista é sumarizado. Abstract: This text discusses the concepts of neural networks, brain networks, resting state network and a connectionist view on brain dynamics. Finally, the concept of mechanistic explanation is summarized. INTRODUÇÃO As estruturas conceituais usadas para entender o cérebro e orientar as investigações empíricas e teóricas evoluíram lentamente ao longo de vários séculos. A frenologia deu lugar a um foco nas interações entre áreas do cérebro ou unidades computacionais menores (conexionismo) e a linguagem simbólica do próprio pensamento (computacionalismo). Durante essa evolução, os psicólogos cognitivos alcançaram estruturas matemáticas desenvolvidas em outras disciplinas-tais como física, matemática e engenharia-para capturar a função do cérebro em modelos formais. As redes neurais artificiais, por exemplo, forneceram um meio inicial de simular paradigmas de processamento de informações inspirados em sistemas neurais biológicos. Os elementos de ligação e de interação no cérebro para diferentes domínios avançou da clássica univariância (uma região e uma tarefa) para bivariância (conectividade e comportamento) para um quadro geral mais multivariado 1-3. Alguns estudos em grande escala sobre a relação entre cérebro e comportamento e sobre dependência entre comportamentos estão ainda na sua infância, mas prometem oferecer uma base rica para o mapeamento das relações entre processos cerebrais e suas contribuições para a percepção, a ação e a cognição 4. Hoje, as relações entre comportamento e cérebro comportam meta-análises de grandes repositórios de experimentos sobre neurônios em humanos, reportando padrões de ativação cerebral em relação a diferentes domínios de comportamento e da cognição, a maior parte desses estudos, contudo, são sobre o chamado "estado de repouso" 5. O cenário de estruturas potenciais e ferramentas matemáticas para examinar sistemas dinâmicos complexos como o cérebro humano mudou drasticamente nas últimas décadas com a popularização e o desenvolvimento da ciência de redes 6. O uso de redes na neuroimagem forneceu novos meios para investigar questões-chave na neurociência cognitiva. Nesse esquema, as regiões do cérebro são tratadas como nós da rede e as conexões anatômicas ou interações funcionais putativas entre essas regiões são tratadas como bordas da rede. A representação em rede fornece uma descrição parcimoniosa de padrões de interação heterogêneos, pensados como subjacentes aos mecanismos de processamento de informações do cérebro humano. Além disso, o formalismo matemático é generalizável (não se limitando a aplicativos para um único
ou redes neurais (português brasileiro) (mais propriamente, redes neurais artificiais) são sistemas computacionais estruturados numa aproximação à computação baseada em ligações. Nós simples (ou neurões, neurônios, processadores ou unidades) são interligados para formar uma rede de nós -daí o termo rede neuronal. A inspiração original para essa técnica advém do exame das estruturas
Redes Cerebrais Para O Desenvolvimento Da Consciência
2019
Todo o conteúdo deste livro está licenciado sob uma Licença de Atribuição Creative Commons. Atribuição 4.0 Internacional (CC BY 4.0). O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva dos autores. Permitido o download da obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterá-la de nenhuma forma ou utilizá-la para fins comerciais.
2000
As Redes Neuronais Artificiais (RNAs), também designadas por sistemas conexionistas, so modelos simplificados do sistema nervoso central do ser humano. Trata-se de uma estrutura extremamente interconectada de unidades computacionais, frequentemente designadas por neur nios ou nodos, com capacidade de aprendizagem. Eis uma definiç o de uma RNA vista como uma máquina adaptativa [12]:
REDES NEURAIS ARTIFICIAIS: PRINCÍPIOS BÁSICOS ARTIFICIAL NEURAL NETWORKS: BASIC PRINCIPLES
Resumo A atual capacidade computacional tem possibilitado o desenvolvimento constante de ferramentas de apoio à melhoria contínua dos processos industriais, onde as Redes Neurais Artificiais (RNAs) merecem especial destaque. Diante disso, o presente artigo tem como objetivo apresentar uma revisão bibliográfica acerca dos principais conceitos, características e princípios relacionados às RNAs, com enfoque em suas aplicações práticas. É possível identificar três classes de arquitetura de redes neurais fundamentalmente diferentes: redes alimentadas adiante com camada única, redes alimentadas diretamente com múltiplas camadas e redes recorrentes, sendo sua definição de fundamental importância para a eficiência do processo ao qual se destina. O processo de aprendizagem de uma RNA pode ocorrer de duas maneiras distintas: aprendizado supervisionado e aprendizado não supervisionado, tendo como principal diferença a presença ou não de um supervisor externo. Uma das principais vantagens da RNA é a capacidade de aprender e generalizar, ou seja, produzir saídas adequadas para entradas inexistentes durante o processo de aprendizagem. Em termos práticos a aplicação de uma RNA não ocorre de maneira simples, uma vez que, inúmeros problemas podem ocorrer durante o processo de implementação. Assim, pesquisas constantes são necessárias a fim de se chegar a uma arquitetura computacional que possibilite ampliar as atividades de modelagem, simulação e controle. Palavras-chave: cérebro humano; inteligência artificial; neurônios; pesos sinápticos. Abstract The current computing power has enabled the constant development of tools to support continuous improvement of industrial processes, where the Artificial Neural Networks (ANN) deserves special focus. Therefore, this article aims to present a bibliographic review on the main concepts, features and principles related to ANNs, focusing on its practical applications. It is possible to identify three classes of architecture of neural networks fundamentally different: networks fed forward with single layer, networks fed directly with multiple layers and recurrent networks, being its definition of fundamental importance for the efficiency of the process to which it is intended. The learning process of ANN can occur in two distinct ways: supervised learning and unsupervised learning, having as main difference the presence or absence of an external supervisor. One of the main advantages of ANN is the ability to learn and generalize, ie, produce appropriate outputs for nonexistent entries during the learning process. In practical terms, the application of an ANN does not occur of simple manner, since several problems may occur during the deployment process. Thus, researches constants are needed in order to reach a computing architecture that enables expanding the activities of modeling, simulation and control.
CRITICIDADE E FISIOLOGIA. 23: REDES CEREBRAIS Criticality and physiology. 23: Brain networks
2021
Resumo: Esse artigo situa a criticidade nas redes cerebrais, apontando alguns pontos históricos relevantes, discute as implicações computacionais da criticidade nas redes cerebrais, o desenvolvimento da atividade da população neuronal até a criticidade e os desafios para o campo. Abstract: This article situates the criticality in the brain networks, pointing out some relevant historical points, discusses the computational implications of the criticality in the brain networks, the development of the activity of the neuronal population until the criticality and the challenges for the field. INTRODUÇÃO Muitos avanços em neurociências ocorreram sobre uma hierarquia de escalas de investigação, da variedade de tipos células e suas biologias moleculares, através das funções de circuitos corticais, e, nos anos mais recentes, sobre a complexa arquitetura das redes cerebrais de trabalho de larga escala. Muito do sucesso desta pesquisa foi atingido em certos silos de pesquisa, com um foco sobre fenômenos em escala, comportando em parte as tecnologias de imagem e as várias disciplinas das neurociências. Este tipo de pesquisa também ocorreu numa visão de mundo dita "big data" 1. Enquanto mecanismos específicos foram elucidados nos domínios básico e clínico das neurociências, importantes desafios ainda permanecem: 1) as correlações entre comportamento e atividade neuronal foram documentadas em cada escala de análise, tal que uma descrição do cérebro numa escala particular seria suficiente para descrever a função cerebral, mas não se sabe como a atividade neural é integrada para gerar a função cognitiva e qual é o mecanismo que liga as atividades entre as escalas; 2) a função cerebral não só depende da execução de funções particulares, mas também de trocas alternativas de uma função para outra, dependendo de contextos e objetivos, mas não se sabe quais os princípios fundamentais desta dinâmica neuronal flexível e dinâmica; 3) não se sabe as grandes estruturas de trabalho que explicam e unificam as propriedades dos grandes volumes de dados sendo acumulados; 4) não se sabe como a informação é codificada pelos neurônios, na entropia de espicas individuais ou através de funções codificadas por distribuições de atividades de populações neuronais. Os princípios que unificam a função cerebral através de escalas espaciais e temporais permanecem desconhecidos. Semelhantes problemas ocorrem em outras disciplinas, como na meteorologia, que comporta escalas de ventos locais com rajadas através de sistemas climáticos regionais até os padrões globais do clima. Cada escala está aninhada dentro de uma escala maior, tal que a variância local nas rajadas de vento depende do clima regional, que é restringido por tendências globais como El Niño. Essas questões levaram ao desenvolvimento de um considerável arsenal de instrumentos analíticos para enfrentar a dinâmica em várias escalas, arsenal esse que foi aplicado em sistemas físicos, químicos e biológicos 2 .
REDES NEURONAIS NA GESTÃO DE RECURSOS HÍDRICOS
O planeamento de recursos hídricos passa antes de mais pelo conhecimento rigoroso/científico de todas as bacias hidrográficas. Será necessário sermos conhecedores o mais exaustivamente possível das formas em que a água se apresenta durante o ciclo hidrológico. A relação precipitação/escoamento é sem dúvida o factor mais importante quando se estuda a secção de uma linha de água. No entanto, outros parâmetros estão envolvidos entre si no ciclo hidrológico de uma bacia hidrográfica, acabando por influenciar essa relação.
Revista de Tecnologia da Informação e Comunicação, 2014
Resumo-Rádio Cognitivo (Cognitive Radio -CR)é uma importante tecnologia para a evolução das comunicações sem fio. O rádio cognitivo permite a verificação da disponibilidade para ocupação oportunística do espectro eletromagnético. Consequentemente, os parâmetros de transmissão e recepção de um dispositivo sem fio podem ser variados de acordo com as características do ambiente. Ao monitorar as faixas de frequência disponíveis, os usuários cognitivos podem ocupar bandas espectrais momentaneamente disponíveis sem interferência (ou obedecendo a limites de interferência) nas transmissões de outros usuários. Neste contexto, as redes veiculares cognitivas constituem-se em uma nova tendência no mercado automotivo e nas comunicações wireless. Automóveis já são lançados com dispositivos reconfiguráveis pré-instalados, como rádio definido por software (Software Defined Radio -SDR), que oferecem novas possibilidades para a transmissão de comandos intra-veiculares e para o acesso dinâmico a redes Wi-Fi e outros serviços sem fio enquanto o veículo estiver em movimento. Este trabalho descreve a tecnologia de rádio cognitivo e suas potenciais aplicações e perspectivas no mercado automotivo.