Modelagem de populações de neurônios por sistemas markovianos de muitos componentes com interações de alcance variável

• Processo: 08/08171-0
• Linha de fomento: Bolsas no Brasil - Pós-Doutorado
• Vigência (Início): 01 de fevereiro de 2009
• Vigência (Término): 31 de julho de 2010
• Área do conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Probabilidade e Estatística Aplicadas
• Pesquisador responsável: Jefferson Antonio Galves
• Beneficiário: Daniel Yasumasa Takahashi
• Instituição-sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Neurônios Conectividade cerebral Processos de Markov Dinâmica estocástica

Resumo

Propomos modelar a dinâmica de interação de uma população de neurônios utilizando processos markovianos com muitos componentes para caracterizar determinados estados comportamentais de animais. Desenvolveremos métodos de estimação e inferência para os modelos utilizando ferramentas matemáticas, estatísticas e computacionais adequadas. Os modelos propostos são possíveis generalizações das cadeias estocásticas com memória de alcance variável para processos markovianos de muitos componentes. Neste projeto serão utilizados dados de registros multiunitários de hipocampo para classificar e inferir a dinâmica de interação neuronal nos estágios de sono de ratos Wistar. Esta proposta tem grande interesse neurofisiológico por ser uma possível abordagem para suprir a necessidade de métodos que permitam a inferência da dinâmica da atividade eletrofisiológica de um grande número de neurônios sobretudo da interação das unidades neuronias. O projeto também tem interesse matemático/estatístico independente pois: (a) poucos trabalhos têm investigado o problema de estimação e inferência para processos markovianos de partículas; (b) o problema de estimação das interações implica no desenvolvimento de critérios de escolha de modelos análogos aos critérios AIC, BIC e MDL. (AU)

Publicações científicas

(9)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

BACCALA, LUIZ A.; TAKAHASHI, DANIEL Y.; SAMESHIMA, KOICHI. Directed Transfer Function: Unified Asymptotic Theory and Some of Its Implications. IEEE Transactions on Biomedical Engineering, v. 63, n. 12, p. 2450-2460, DEC 2016. Citações Web of Science: 4.

LERASLE, MATTHIEU; TAKAHASHI, DANIEL Y. Sharp oracle inequalities and slope heuristic for specification probabilities estimation in discrete random fields. BERNOULLI, v. 22, n. 1, p. 325-344, FEB 2016. Citações Web of Science: 2.

GALVES, ANTONIO; ORLANDI, ENZA; TAKAHASHI, DANIEL Y. Identifying interacting pairs of sites in Ising models on a countable set. BRAZILIAN JOURNAL OF PROBABILITY AND STATISTICS, v. 29, n. 2, p. 443-459, MAY 2015. Citações Web of Science: 2.

GALLO, SANDRO; TAKAHASHI, DANIEL Y. Attractive regular stochastic chains: perfect simulation and phase transition. Ergodic Theory and Dynamical Systems, v. 34, n. 5, p. 1567-1586, OCT 2014. Citações Web of Science: 5.

GALLESCO, C.; GALLO, S.; TAKAHASHI, D. Y. Explicit estimates in the Bramson-Kalikow model. Nonlinearity, v. 27, n. 9, p. 2281-2296, SEP 2014. Citações Web of Science: 2.

BACCALA, L. A.; DE BRITO, C. S. N.; TAKAHASHI, D. Y.; SAMESHIMA, K. Unified asymptotic theory for all partial directed coherence forms. PHILOSOPHICAL TRANSACTIONS OF THE ROYAL SOCIETY A-MATHEMATICAL PHYSICAL AND, v. 371, n. 1997, SI AUG 28 2013. Citações Web of Science: 20.

GALLO, S.; LERASLE, M.; TAKAHASHI, D. Y. Markov Approximation of Chains of Infinite Order in the (d)over-bar-metric. Markov Processes and Related Fields, v. 19, n. 1, p. 51-82, 2013. Citações Web of Science: 4.

LERASLE, MATTHIEU; TAKAHASHI, DANIEL Y. An oracle approach for interaction neighborhood estimation in random fields. ELECTRONIC JOURNAL OF STATISTICS, v. 5, p. 534-571, 2011. Citações Web of Science: 3.

TAKAHASHI, DANIEL Y.; BACCALA, LUIZ A.; SAMESHIMA, KOICHI. Information theoretic interpretation of frequency domain connectivity measures. BIOLOGICAL CYBERNETICS, v. 103, n. 6, p. 463-469, DEC 2010. Citações Web of Science: 44.