Δίκτυο ελκυστή στη μελέτη της συναισθηματικής ενίσχυσης της μνήμης

An attractor network model for the emotional enhancement of memory (Αγγλική)

  1. MSc thesis
  2. Kertika, Dimitra
  3. Βιοπληροφορική και Νευροπληροφορική (ΒΝΠ)
  4. 31 Ιουλίου 2021 [2021-07-31]
  5. Αγγλικά
  6. 80
  7. Athanasiou, Alkinoos
  8. Adamopoulos, Adam | Hadjinicolaou, Maria
  9. Emotional Enhancement of Memory (EEM) | Bayesian Confidence Propagation Neural Network (BCPNN) | Attractor Network | Amygdala | Neuromodulation | Συναισθηματική Ενίσχυση Μνήμης | Δίκτυο Ελκυστή | Αμυγδαλή | Νευρορύθμιση
  10. 121
  11. tables and figures
    • Αν και η Συναισθηματική Ενίσχυση Μνήμης (ΣΕΜ) έχει διερευνυθεί εκτενώς, η άμεση ΣΕΜ και οι μηχανισμοί που τη διέπουν έχουν λάβει μικρότερη προσοχή. Ο διαχωρισμός, όμως, των υποκείμενων διεργασιών που διέπουν την άμεση ΣΕΜ μπορεί να αποδειχθεί ιδιαίτερα δύσκολος πειραματικά. Ωστόσο, τα νευρουπολογιστικά μοντέλα αποτελούν ένα δυνατό εργαλείο προς αυτή την κατεύθυνση. Σε αυτή την νευρουπολογιστική εργασία, γίνεται η υπόθεση ότι η άμεση ΣΕΜ είναι αποτέλεσμα της συνεργιστικής δράσης της αμυγδαλής και των νευρορυθμιστών, κατά την κωδικοποίηση. Για τον έλεγχο αυτής της υπόθεσης, χρησιμοποιήθηκε ένα δίκτυο ελκυστή που βασίζεται σε βιολογικές αρχές, το Bayesian Confidence Propagation Neural Network (BCPNN), με σκοπό την αναπαραγωγή εμπειρικών παρατηρήσεων που αφορούν την άμεση ΣΕΜ. Η ποιοτική αναπαραγωγή εμπειρικών ευρημάτων από το δίκτυο, όπως το φαινόμενο σύνθεσης λίστας και η ανάστροφη καμπύλη σε σχήμα U, υποστηρίζει την αρχική υπόθεση για την άμεση ΣΕΜ. Περαιτέρω διερεύνηση υποδεικνύει συγκεκριμένους μηχανισμούς που πιθανά εμπλέκονται στην ανάδειξη της. Τέλος, αυτή η διπλωματική διευρύνει την εφαρμογή του BCPNN και σκιαγραφεί τη χρησιμότητα των νευρουπολογιστικών μοντέλων στην ανάπτυξη υποθέσεων.
    • Although the Emotional Enhancement of Memory (EEM) is well documented, the immediate EEM and its underlying neuronal mechanisms has received less attention. However, dissociating the neural underpinnings of immediate EEM could be experimentally challenging. Yet, neurocomputational models can provide a powerful tool towards this direction. In this neurocomputational study, immediate EEM is hypothesized to arise from the synergistic action of amygdala and neuromodulators during encoding. To test this hypothesis, a biologically plausible attractor network, the Bayesian Confidence Propagation Neural Network (BCPNN) was employed, aiming to capture empirical EEM observations. The qualitative replication of empirical findings by the network, such as the list composition phenomenon and the inverted U-shaped curve, supports the initial immediate EEM hypothesis. Further exploration indicates specific mechanisms that are potentially involved in the emergence of the immediate EEM. Last but not least, this work extends the BCPNN applicability and illustrates how neurocomputational models can guide hypothesis development.
  13. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.