Содержание

Ученые впервые исследовали и описали механизм активации цепочки нейронов мозга, отвечающих за склонность к агрессии

Нейрофизиологи из госпиталя Маунт-Синай в Нью-Йорке (США) обнаружили в центре удовольствия в человеческом мозге особую зону, активность и структура нейронов которой определяет степень склонности индивида к доминированию и иным формам немотивированной агрессии по отношению к окружающим, сообщает журнал Nature.



Задача, которую ставила перед собой группа Скотта Руссо сводилась к поиску и исследованию механизмов, обуславливающих поведенческие и нервные механизмы цепи, контролирующие агрессивное и неагрессивное социальное поведение. «Наше исследование впервые показало, что травля других людей «включает» цепочку нервных клеток в главном центре удовольствия, что делает подобное времяпровождение приятным для некоторых индивидов. Более того, мы показали, что манипуляции уровнем активности этой цепочки влияют на работу клеток в центре удовольствия и позволяют менять агрессивность поведения человека», — заявил руководитель исследования Скотт Руссо (Scott Russo).

Отследить природу нейронных механизмов, которые непосредственно модулируют мотивационный компонент агрессии учёным удалось на основании результатов наблюдений и экспериментов с несколькими группами взрослых самцов-мышей. Часть из них, уже успев продолжить свой род, третировали представителей подрастающего поколения, только что достигшего половой зрелости и не проявлявших признаков агрессии по отношению к «дедам».

Активность мозга грызунов отслеживалась при помощи энцефалографа. После каждой серии «экзекуций» в отношении молодняка ученые брали у нарушителей спокойствия пробы крови.

Как подтвердили эксперименты, склонность к «дедовщине» проявлялась у 30% самцов, оставшиеся 70% не проявляла никакого желания измываться над молодыми. Объяснить причину склонности к агрессии части самцов помогло сравнение «рисунков» мозговой активности и содержимого образцов крови у «агрессоров» и спокойных мышей.

В целом, как отмечает Скотт на странице сайта своей лаборатории, посвященной проекту, агрессивное социальное поведение является антагонистическим по своей природе, в то время как нормальное социальное поведение является нейтральным. Ряд психических расстройств, включая аутизм, шизофрению и расстройства настроения, характеризуемые нарушениями в социальном поведении, как полагают ученые, частично формируются в результате нарушений функции цепей вознаграждения. Например, гипоталамус, как известно, кодирует инициирование агрессии, в то время как вентральный стриатум контролирует социальное вознаграждение и мотивацию. Соответственно, отклонения в работе звеньев нейронных цепочек в этих сегментах головного мозга неизбежно проявят себя на внешнем уровне.

Эксперименты продемонстрировали, что различия в поведении «доминантов» и нормальных грызунов определялись одной и той же цепочкой нейронов, локализованной в так называемой ножке шишковидного тела — небольшой части нижнего отдела мозга, отвечающей за выработку гормонов, половое поведение и контроль чувства удовольствия. Если точнее, за склонность к доминированию отвечает особая группа нервных клеток, которая «включается» во время актов агрессии и стимулирует у ее обладателя ощущение удовольствия от страдания и боли, доставляемых окружающим. Соответственно, люди или животные, у которых активность этой цепочки нейронов повышена, имеют все шансы стать «агрессорами», в обратном случае агрессия по отношению к окружению проявляется редко.

Серия дальнейших экспериментов показала, что подавить работу этой цепочки можно при помощи универсальной «тормозящей» молекулы мозга – гамма-аминомасляной кислоты (ГАМК). Аналогичным образом, манипулируя работой тех же самых клеток, уровень агрессии можно искусственно повысить. По словам Руссо, активация ГАМК-рецепторов приводила фактически к мгновенному изменению поведения мышей, превращая самцов-«дедов» в спокойных обывателей.

Результаты, полученные учёными, открытые ими нейронные цепочки и понимание механизмов их работы смогут помочь в создании новейших препаратов, способных эффективно гасить и предупреждать вспышки агрессии и желание подавить свое окружение, бороться с другими психологическими расстройствами.

Подробнее здесь



На этом всё, с вами был Dronk.Ru. Не забывайте возвращать деньги за покупки в Китае и подписываться на наш блог, будет ещё много интересного.

Рекомендуем:
— Экономим до 8% с каждой покупки на AliExpress и других интернет-магазинах Китая
— Почему интернет-магазины отдают деньги за покупки?
— Верните свои деньги — Выбираем кэшбэк-сервис для Aliexpress
— История развития Dronk.ru — от выбора квадрокоптеров до возвращения денег за покупки на AliExpress и не только

— Лучший кэшбэк сервис или 5 основных критериев оценки кэшбэк-сервиса

[ В закладки ] Зоопарк архитектур нейронных сетей. Часть 1 / Wunder Fund corporate blog / Habr

Это первая часть, вот вторая.
За всеми архитектурами нейронных сетей, которые то и дело возникают последнее время, уследить непросто. Даже понимание всех аббревиатур, которыми бросаются профессионалы, поначалу может показаться невыполнимой задачей.

Поэтому я решил составить шпаргалку по таким архитектурам. Большинство из них — нейронные сети, но некоторые — звери иной породы. Хотя все эти архитектуры подаются как новейшие и уникальные, когда я изобразил их структуру, внутренние связи стали намного понятнее.

У изображения нейросетей в виде графов есть один недостаток: граф не покажет, как сеть работает. Например, вариационный автоэнкодер (variational autoencoders, VAE) выглядит в точности как простой автоэнкодер (AE), в то время как процесс обучения у этих нейросетей совершенно разный. Сценарии использования различаются еще сильнее: в VAE на вход подается шум, из которого они получают новый вектор, в то время как AE просто находят для входных данных ближайший соответствующий вектор из тех, что они “помнят”. Добавлю еще, что этот обзор не имеет цели объяснить работу каждой из топологий изнутри (но это будет темой одной из следующих статей).

Следует отметить, что не все (хотя и большинство) из используемых здесь сокращений общеприняты. Под RNN иногда понимают рекурсивные нейронные сети (recursive neural networks), но обычно эта аббревиатура означает рекуррентную нейронную сеть (recurrent neural network). Но и это еще не все: во многих источниках вы встретите RNN как обозначение для любой рекуррентной архитектуры, включая LSTM, GRU и даже двунапраленные варианты. Иногда похожая путаница происходит с AE: VAE, DAE и им подобные могут называть просто AE. Многие сокращения содержат разное количество N в конце: можно сказать “сверточная нейронная сеть” — CNN (Convolutional Neural Network), а можно и просто “сверточная сеть” — CN.

Составить полный список топологий практически невозможно, так как новые появляются постоянно. Даже если специально искать публикации, найти их может быть сложно, а некоторые можно просто упустить из виду. Поэтому, хотя этот список поможет вам создать представление о мире искусственного интеллекта, пожалуйста, не считайте его исчерпывающим, особенно, если читаете статью спустя долгое время после ее появления.

Для каждой из архитектур, изображенной на схеме, я привел очень короткое описание. Некоторые из них будут полезны, если вы хорошо знакомы с несколькими архитектурами, но не знакомы конкретно с этой.




Сети прямого распространения (Feed forward neural networks, FF or FFNN) и перцептроны (perceptrons, P)
очень просты — они передают информацию от входа к выходу. Считается, что у нейронных сетей есть слои, каждый из которых состоит из входных, скрытых или выходных нейронов. Нейроны одного слоя между собой не связаны, при этом каждый нейрон этого слоя связан с каждым нейроном соседнего слоя. Простейшая мало-мальски рабочая сеть состоит из двух входных и одного выходного нейрона и может моделировать логический вентиль — базовый элемент цифровой схемы, выполняющий элементарную логическую операцию. FFNN обычно обучают методом обратного распространения ошибки, подавая модели на вход пары входных и ожидаемых выходных данных. Под ошибкой обычно понимаются различные степени отклонения выходных данных от исходных (например, среднеквадратичное отклонение или сумма модулей разностей). При условии, что сеть обладает достаточным количеством скрытых нейронов, теоретически она всегда сможет установить связь между входными и выходными данными. На практике использование сетей прямого распространения ограничено, и чаще они используются совместно с другими сетями.

Rosenblatt, Frank. “The perceptron: a probabilistic model for information storage and organization in the brain.” Psychological review 65.6 (1958): 386.

» Original Paper PDF




Сети радиально-базисных функций (radial basis function, RBF) — это FFNN с радиально-базисной функцией в качестве функции активации. Больше здесь нечего добавить. Мы не хотим сказать, что она не используется, но большинство FFNN с другими функциями активации обычно не выделяют в отдельные группы.

Broomhead, David S., and David Lowe. Radial basis functions, multi-variable functional interpolation and adaptive networks. No. RSRE-MEMO-4148. ROYAL SIGNALS AND RADAR ESTABLISHMENT MALVERN (UNITED KINGDOM), 1988.

» Original Paper PDF



Нейронная сеть Хопфилда — полносвязная сеть (каждый нейрон соединен с каждым), где каждый нейрон выступает во всех трех ипостасях. Каждый нейрон служит входным до обучения, скрытым во время него и выходным после. Матрица весов подбирается таким образом, чтобы все «запомненные» вектора являлись бы для нее собственными. Однажды обученная одному или нескольким образам система будет сходиться к одному из известных ей образов, потому что только одно из этих состояний является стационарным. Отметим, что это не обязательно соответствует желаемому состоянию (к сожалению, у нас не волшебный черный ящик). Система стабилизируется только частично из-за того, что общая “энергия” или “температура” сети во время обучения постепенно понижается. Каждый нейрон обладает порогом активации, соизмеримым с этой температурой, и если сумма входных данных превысит этот порог, нейрон может переходить в одно из двух состояний (обычно -1 или 1, иногда 0 или 1). Узлы сети могут обновляться параллельно, но чаще всего это происходит последовательно. В последнем случае генерируется случайная последовательность, которая определяет порядок, в котором нейроны будут обновлять свое состояние. Когда каждый из нейронов обновился и их состояние больше не изменяется, сеть приходит в стационарное состояние. Такие сети часто называют ассоциативной памятью, так как они сходятся с состоянию, наиболее близкому к заданному: как человек, видя половину картинки, может дорисовать недостающую половину, так и нейронная сеть, получая на входе наполовину зашумленную картинку, достраивает ее до целой.

Hopfield, John J. “Neural networks and physical systems with emergent collective computational abilities.” Proceedings of the national academy of sciences 79.8 (1982): 2554-2558.

» Original Paper PDF




Цепи Маркова (Markov Chains, MC или discrete time Markov Chain, DTMC)
— своего рода предшественники машин Больцмана (BM) и сетей Хопфилда (HN). В цепях Маркова мы задаем вероятности перехода из текущего состояния в соседние. Кроме того, это цепи не имеют памяти: последующее состояние зависит только от текущего и не зависит от всех прошлых состояний. Хотя цепь Маркова нельзя назвать нейронной сетью, она близка к ним и формирует теоретическую основу для BM и HN. Цепи Маркова также не всегда являются полносвязными.

Hayes, Brian. “First links in the Markov chain.” American Scientist 101.2 (2013): 252.

» Original Paper PDF




Машины Больцмана (Boltzmann machines, BM) во многом похожи на сети Хопфилда, но в них некоторые нейроны помечены как входные, а некоторые остаются скрытыми. Входные нейроны становятся выходными, когда все нейроны в сети обновляют свои состояния. Сначала весовые коэффициенты присваиваются случайным образом, затем происходит обучение методом обратного распространения, или в последнее время все чаще с помощью алгоритма contrastive divergence (когда градиент вычисляется при помощи марковской цепи). BM — стохастическая нейронная сеть, так как в обучении задействована цепь Маркова. Процесс обучения и работы здесь почти такой же, как в сети Хопфилда: нейронам присваивают определенные начальные состояния, а затем цепь начинает свободно функционировать. В процессе работы нейроны могут принимать любое состояние, и мы постоянно перемещаемся между входными и скрытыми нейронами. Активация регулируется значением общей температуры, при понижении которой сокращается и энергия нейронов. Сокращение энергии вызывает стабилизацию нейронов. Таким образом, если температура задана верно, система достигает равновесия.

Hinton, Geoffrey E., and Terrence J. Sejnowski. “Learning and releaming in Boltzmann machines.” Parallel distributed processing: Explorations in the microstructure of cognition 1 (1986): 282-317.

» Original Paper PDF




Ограниченная машина Больцмана (Restricted Boltzmann machine, RBM), как ни удивительно, очень похожа на обычную машину Больцмана. Основное отличие RBM от BM в том, что они ограничены, и следовательно, более удобны в использовании. В них каждый нейрон не связан с каждым, а только каждая группа нейронов соединена с другими группами. Входные нейроны не связаны между собой, нет соединений и между скрытыми нейронами. RBM можно обучать так же, как и FFPN, за небольшим отличием: вместо передачи данных вперед и последующего обратного распространения ошибки, данные передаются вперед и назад (к первому слою), а затем применяется прямое и обратное распространение (forward-and-back propagation).

Smolensky, Paul. Information processing in dynamical systems: Foundations of harmony theory. No. CU-CS-321-86. COLORADO UNIV AT BOULDER DEPT OF COMPUTER SCIENCE, 1986.

» Original Paper PDF




Автоэнкодеры (Autoencoders, AE) — нечто подобное FFNN, это скорее другой способ использования FFNN, чем принципиально новая архитектура. Основная идея автоэнкодеров — автоматическое кодирование (как при сжатии, а не при шифровании) информации, отсюда и название. Сеть напоминает по форме песочные часы, так как скрытый слой меньше, чем входной и выходной; к тому же она симметрична относительно средних слоев (одного или двух, в зависимости от четности/нечетности общего количества слоев). Самый маленьких слой почти всегда средний, в нем информация максимально сжата. Все, что расположено до середины — кодирующая часть, выше середины — декодирующая, а в середине (вы не поверите) — код. AE обучают методом обратного распространения ошибки, подавая входные данные и задавая ошибку равной разницу между входом и выходом. AE можно построить симметричными и с точки зрения весов, выставляя кодирующие веса равными декодирующим.

Bourlard, Hervé, and Yves Kamp. “Auto-association by multilayer perceptrons and singular value decomposition.” Biological cybernetics 59.4-5 (1988): 291-294.

» Original Paper PDF




Разреженный автоэнкодер (Sparse autoencoder, AE) — в некоторой степени антипод AE. Вместо того чтобы обучать сеть представлять блоки информации на меньшем “пространстве”, мы кодируем информацию так, чтобы она занимала больше места. И вместо того чтобы заставлять систему сходиться в центре, а затем обратно расширяться до исходного размера, мы, наоборот, увеличиваем средние слои. Сети этого типа могут применяться для извлечения множества маленьких деталей из набора данных. Если бы мы стали обучать SAE тем же методом, что и AE, мы получили бы в большинстве случаев абсолютно бесполезную сеть, где на выходе получается ровно то же, что и на входе. Чтобы этого избежать, мы вместо входных данных выдаем на выходе входные данные плюс штраф за количество активированных нейронов в скрытом слое. Это в какой-то мере напоминает биологическую нейронную сеть (spiking neural network), в которой не все нейроны постоянно находятся в возбужденном состоянии.

Marc’Aurelio Ranzato, Christopher Poultney, Sumit Chopra, and Yann LeCun. “Efficient learning of sparse representations with an energy-based model.” Proceedings of NIPS. 2007.

» Original Paper PDF




Архитектура вариационных автоэнкодеров (VAE) такая же, как и у обычных, но обучают их другому — приблизительному вероятностному распределению входных образцов. Это в какой-то степени возвращение к истокам, так как VAE немножко ближе к машинам Больцмана. Тем не менее, они опираются на Байесовскую математику касательно вероятностных суждений и независимости, которые интуитивно понятны, но требуют сложных вычислений. Базовый принцип можно сформулировать так: принимать в расчет степень влияния одного события на другое. Если в одном месте происходит определенное событие, а другое событие случается где-то еще, то эти события вовсе не обязательно связаны. Если они не связаны, то распространение ошибки должно это учитывать. Это полезный подход, так как нейронные сети — своего рода огромные графы, и иногда бывает полезно исключить влияние одних нейронов на другие, проваливаясь в нижние слои.

Kingma, Diederik P., and Max Welling. “Auto-encoding variational bayes.” arXiv preprint arXiv:1312.6114 (2013).

» Original Paper PDF




Шумоподавляющие (помехоустойчивые) автоэнкодеры (Denoising autoencoders, DAE) — это такое AE, которым на подаем на вход не просто данные, а данные с шумом (например, делая картинку более зернистой). Тем не менее, ошибку мы вычисляем прежним методом, сравнивая выходной образец с оригиналом без шума. Таким образом, сеть запоминает не мелкие детали, а крупные черты, так как запоминание небольших деталей, постоянно меняющихся из-за шума, часто не приводит никуда.

Vincent, Pascal, et al. “Extracting and composing robust features with denoising autoencoders.” Proceedings of the 25th international conference on Machine learning. ACM, 2008.

» Original Paper PDF




Глубокие сети доверия (Deep belief networks, DBN) — сети, представляющие собой композицию нескольких RBM или VAE. Такие сети показали себя эффективно обучаемыми одна за другой, когда каждая сеть должна научиться кодировать предыдущую. Этот метод также называют “жадное обучение”, он заключается в принятии оптимального на данный момент решение, чтобы получить подходящий, но, возможно, не оптимальный результат. DBN могут обучаться методами contrastive divergence или обратным распространением ошибки и учатся представлять данные в виде вероятностной модели, в точности как RBM или VAE. Однажды обученную и приведенную к стационарному состоянию модель можно использовать для генерации новых данных.

Bengio, Yoshua, et al. “Greedy layer-wise training of deep networks.” Advances in neural information processing systems 19 (2007): 153.

» Original Paper PDF




Свёрточные нейронные сети (convolutional neural networks, CNN) и глубокие свёрточные нейронные сети (deep convolutional neural networks, DCNN) кардинально отличаются от других сетей. Они используются в основном для обработки изображений, иногда для аудио и других видов входных данных. Типичным способом применения CNN является классификация изображений: если на вход подается изображение кошки, сеть выдаст «кошка», если картинка собаки — «собака». Такие сети обычно используют «сканер», не обрабатывающий все данные за один раз. Например, если у вас есть изображение 200х200, вы захотите строить слой сети из 40 тысяч узлов. Вместо это сеть считает квадрат размера 20х20 (обычно из левого верхнего угла), затем сдвинется на 1 пиксель и считает новый квадрат, и т.д. Заметьте, что мы не разбиваем изображение на квадраты, а скорее ползем по нему. Эти входные данные затем передаются через свёрточные слои, в которых не все узлы соединены между собой. Вместо этого каждый узел соединен только со своими ближайшими соседями. Эти слои имеют свойство сжиматься с глубиной, причём обычно они уменьшаются на какой-нибудь из делителей количества входных данных (например, 20 узлов в следующем слое превратятся в 10, в следующем — в 5), часто используются степени двойки. Кроме сверточных слоев есть также так называемые слои объединения (pooling layers). Объединение — это способ уменьшить размерность получаемых данных, например, из квадрата 2х2 выбирается и передается наиболее красный пиксель. На практике к концу CNN прикрепляют FFNN для дальнейшей обработки данных. Такие сети называются глубокими (DCNN), но названия их обычно взаимозаменяемы.

LeCun, Yann, et al. “Gradient-based learning applied to document recognition.” Proceedings of the IEEE 86.11 (1998): 2278-2324.

» Original Paper PDF




Развёртывающие нейронные сети (deconvolutional networks, DN), также называемые обратными графическими сетями, — это свёрточные нейронные сети наоборот. Представьте, что вы передаёте сети слово “кошка” и обучаете ее генерировать картинки кошек путем сравнения получаемых картинок с реальными изображениями кошек. DNN тоже можно объединять с FFNN. Стоит заметить, что в большинстве случаев сети передаётся не строка, а бинарный классифицирующий вектор: например, — это кошка, — собака, а — и кошка, и собака. Вместо слоев объединения, которые часто встречаются в CNN, здесь присутствуют аналогичные обратные операции, обычно интерполяцию или экстраполяцию.

Zeiler, Matthew D., et al. “Deconvolutional networks.” Computer Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on. IEEE, 2010.

» Original Paper PDF


Читать продолжение.

О, а приходите к нам работать? 🙂wunderfund.io — молодой фонд, который занимается высокочастотной алготорговлей. Высокочастотная торговля — это непрерывное соревнование лучших программистов и математиков всего мира. Присоединившись к нам, вы станете частью этой увлекательной схватки.

Мы предлагаем интересные и сложные задачи по анализу данных и low latency разработке для увлеченных исследователей и программистов. Гибкий график и никакой бюрократии, решения быстро принимаются и воплощаются в жизнь.

Присоединяйтесь к нашей команде: wunderfund.io

Нейронные сети для начинающих. Часть 1 / Habr

Привет всем читателям Habrahabr, в этой статье я хочу поделиться с Вами моим опытом в изучении нейронных сетей и, как следствие, их реализации, с помощью языка программирования Java, на платформе Android. Мое знакомство с нейронными сетями произошло, когда вышло приложение Prisma. Оно обрабатывает любую фотографию, с помощью нейронных сетей, и воспроизводит ее с нуля, используя выбранный стиль. Заинтересовавшись этим, я бросился искать статьи и «туториалы», в первую очередь, на Хабре. И к моему великому удивлению, я не нашел ни одну статью, которая четко и поэтапно расписывала алгоритм работы нейронных сетей. Информация была разрознена и в ней отсутствовали ключевые моменты. Также, большинство авторов бросается показывать код на том или ином языке программирования, не прибегая к детальным объяснениям.

Поэтому сейчас, когда я достаточно хорошо освоил нейронные сети и нашел огромное количество информации с разных иностранных порталов, я хотел бы поделиться этим с людьми в серии публикаций, где я соберу всю информацию, которая потребуется вам, если вы только начинаете знакомство с нейронными сетями. В этой статье, я не буду делать сильный акцент на Java и буду объяснять все на примерах, чтобы вы сами смогли перенести это на любой, нужный вам язык программирования. В последующих статьях, я расскажу о своем приложении, написанном под андроид, которое предсказывает движение акций или валюты. Иными словами, всех желающих окунуться в мир нейронных сетей и жаждущих простого и доступного изложения информации или просто тех, кто что-то не понял и хочет подтянуть, добро пожаловать под кат.

Первым и самым важным моим открытием был плейлист американского программиста Джеффа Хитона, в котором он подробно и наглядно разбирает принципы работы нейронных сетей и их классификации. После просмотра этого плейлиста, я решил создать свою нейронную сеть, начав с самого простого примера. Вам наверняка известно, что когда ты только начинаешь учить новый язык, первой твоей программой будет Hello World. Это своего рода традиция. В мире машинного обучения тоже есть свой Hello world и это нейросеть решающая проблему исключающего или(XOR). Таблица исключающего или выглядит следующим образом:

a b c
0 0 0
0 1 1
1 0 1
1 1 0
Соответственно, нейронная сеть берет на вход два числа и должна на выходе дать другое число — ответ. Теперь о самих нейронных сетях.

Что такое нейронная сеть?


Нейронная сеть — это последовательность нейронов, соединенных между собой синапсами. Структура нейронной сети пришла в мир программирования прямиком из биологии. Благодаря такой структуре, машина обретает способность анализировать и даже запоминать различную информацию. Нейронные сети также способны не только анализировать входящую информацию, но и воспроизводить ее из своей памяти. Заинтересовавшимся обязательно к просмотру 2 видео из TED Talks: Видео 1, Видео 2). Другими словами, нейросеть это машинная интерпретация мозга человека, в котором находятся миллионы нейронов передающих информацию в виде электрических импульсов.

Какие бывают нейронные сети?


Пока что мы будем рассматривать примеры на самом базовом типе нейронных сетей — это сеть прямого распространения (далее СПР). Также в последующих статьях я введу больше понятий и расскажу вам о рекуррентных нейронных сетях. СПР как вытекает из названия это сеть с последовательным соединением нейронных слоев, в ней информация всегда идет только в одном направлении.

Для чего нужны нейронные сети?


Нейронные сети используются для решения сложных задач, которые требуют аналитических вычислений подобных тем, что делает человеческий мозг. Самыми распространенными применениями нейронных сетей является:

Классификация — распределение данных по параметрам. Например, на вход дается набор людей и нужно решить, кому из них давать кредит, а кому нет. Эту работу может сделать нейронная сеть, анализируя такую информацию как: возраст, платежеспособность, кредитная история и тд.

Предсказание — возможность предсказывать следующий шаг. Например, рост или падение акций, основываясь на ситуации на фондовом рынке.

Распознавание — в настоящее время, самое широкое применение нейронных сетей. Используется в Google, когда вы ищете фото или в камерах телефонов, когда оно определяет положение вашего лица и выделяет его и многое другое.

Теперь, чтобы понять, как же работают нейронные сети, давайте взглянем на ее составляющие и их параметры.

Что такое нейрон?



Нейрон — это вычислительная единица, которая получает информацию, производит над ней простые вычисления и передает ее дальше. Они делятся на три основных типа: входной (синий), скрытый (красный) и выходной (зеленый). Также есть нейрон смещения и контекстный нейрон о которых мы поговорим в следующей статье. В том случае, когда нейросеть состоит из большого количества нейронов, вводят термин слоя. Соответственно, есть входной слой, который получает информацию, n скрытых слоев (обычно их не больше 3), которые ее обрабатывают и выходной слой, который выводит результат. У каждого из нейронов есть 2 основных параметра: входные данные (input data) и выходные данные (output data). В случае входного нейрона: input=output. В остальных, в поле input попадает суммарная информация всех нейронов с предыдущего слоя, после чего, она нормализуется, с помощью функции активации (пока что просто представим ее f(x)) и попадает в поле output.
Важно помнить, что нейроны оперируют числами в диапазоне [0,1] или [-1,1]. А как же, вы спросите, тогда обрабатывать числа, которые выходят из данного диапазона? На данном этапе, самый простой ответ — это разделить 1 на это число. Этот процесс называется нормализацией, и он очень часто используется в нейронных сетях. Подробнее об этом чуть позже.

Что такое синапс?



Синапс это связь между двумя нейронами. У синапсов есть 1 параметр — вес. Благодаря ему, входная информация изменяется, когда передается от одного нейрона к другому. Допустим, есть 3 нейрона, которые передают информацию следующему. Тогда у нас есть 3 веса, соответствующие каждому из этих нейронов. У того нейрона, у которого вес будет больше, та информация и будет доминирующей в следующем нейроне (пример — смешение цветов). На самом деле, совокупность весов нейронной сети или матрица весов — это своеобразный мозг всей системы. Именно благодаря этим весам, входная информация обрабатывается и превращается в результат.

Важно помнить, что во время инициализации нейронной сети, веса расставляются в случайном порядке.

Как работает нейронная сеть?



В данном примере изображена часть нейронной сети, где буквами I обозначены входные нейроны, буквой H — скрытый нейрон, а буквой w — веса. Из формулы видно, что входная информация — это сумма всех входных данных, умноженных на соответствующие им веса. Тогда дадим на вход 1 и 0. Пусть w1=0.4 и w2 = 0.7 Входные данные нейрона Н1 будут следующими: 1*0.4+0*0.7=0.4. Теперь когда у нас есть входные данные, мы можем получить выходные данные, подставив входное значение в функцию активации (подробнее о ней далее). Теперь, когда у нас есть выходные данные, мы передаем их дальше. И так, мы повторяем для всех слоев, пока не дойдем до выходного нейрона. Запустив такую сеть в первый раз мы увидим, что ответ далек от правильно, потому что сеть не натренирована. Чтобы улучшить результаты мы будем ее тренировать. Но прежде чем узнать как это делать, давайте введем несколько терминов и свойств нейронной сети.

Функция активации


Функция активации — это способ нормализации входных данных (мы уже говорили об этом ранее). То есть, если на входе у вас будет большое число, пропустив его через функцию активации, вы получите выход в нужном вам диапазоне. Функций активации достаточно много поэтому мы рассмотрим самые основные: Линейная, Сигмоид (Логистическая) и Гиперболический тангенс. Главные их отличия — это диапазон значений.

Линейная функция


Эта функция почти никогда не используется, за исключением случаев, когда нужно протестировать нейронную сеть или передать значение без преобразований.

Сигмоид


Это самая распространенная функция активации, ее диапазон значений [0,1]. Именно на ней показано большинство примеров в сети, также ее иногда называют логистической функцией. Соответственно, если в вашем случае присутствуют отрицательные значения (например, акции могут идти не только вверх, но и вниз), то вам понадобиться функция которая захватывает и отрицательные значения.

Гиперболический тангенс


Имеет смысл использовать гиперболический тангенс, только тогда, когда ваши значения могут быть и отрицательными, и положительными, так как диапазон функции [-1,1]. Использовать эту функцию только с положительными значениями нецелесообразно так как это значительно ухудшит результаты вашей нейросети.

Тренировочный сет


Тренировочный сет — это последовательность данных, которыми оперирует нейронная сеть. В нашем случае исключающего или (xor) у нас всего 4 разных исхода то есть у нас будет 4 тренировочных сета: 0xor0=0, 0xor1=1, 1xor0=1,1xor1=0.

Итерация


Это своеобразный счетчик, который увеличивается каждый раз, когда нейронная сеть проходит один тренировочный сет. Другими словами, это общее количество тренировочных сетов пройденных нейронной сетью.

Эпоха


При инициализации нейронной сети эта величина устанавливается в 0 и имеет потолок, задаваемый вручную. Чем больше эпоха, тем лучше натренирована сеть и соответственно, ее результат. Эпоха увеличивается каждый раз, когда мы проходим весь набор тренировочных сетов, в нашем случае, 4 сетов или 4 итераций.
Важно не путать итерацию с эпохой и понимать последовательность их инкремента. Сначала n
раз увеличивается итерация, а потом уже эпоха и никак не наоборот. Другими словами, нельзя сначала тренировать нейросеть только на одном сете, потом на другом и тд. Нужно тренировать каждый сет один раз за эпоху. Так, вы сможете избежать ошибок в вычислениях.

Ошибка


Ошибка — это процентная величина, отражающая расхождение между ожидаемым и полученным ответами. Ошибка формируется каждую эпоху и должна идти на спад. Если этого не происходит, значит, вы что-то делаете не так. Ошибку можно вычислить разными путями, но мы рассмотрим лишь три основных способа: Mean Squared Error (далее MSE), Root MSE и Arctan. Здесь нет какого-либо ограничения на использование, как в функции активации, и вы вольны выбрать любой метод, который будет приносить вам наилучший результат. Стоит лишь учитывать, что каждый метод считает ошибки по разному. У Arctan, ошибка, почти всегда, будет больше, так как он работает по принципу: чем больше разница, тем больше ошибка. У Root MSE будет наименьшая ошибка, поэтому, чаще всего, используют MSE, которая сохраняет баланс в вычислении ошибки.

MSE


Root MSE

Arctan

Принцип подсчета ошибки во всех случаях одинаков. За каждый сет, мы считаем ошибку, отняв от идеального ответа, полученный. Далее, либо возводим в квадрат, либо вычисляем квадратный тангенс из этой разности, после чего полученное число делим на количество сетов.

Задача


Теперь, чтобы проверить себя, подсчитайте результат, данной нейронной сети, используя сигмоид, и ее ошибку, используя MSE.

Данные: I1=1, I2=0, w1=0.45, w2=0.78 ,w3=-0.12 ,w4=0.13 ,w5=1.5 ,w6=-2.3.


Решениеh2input = 1*0.45+0*-0.12=0.45
h2output = sigmoid(0.45)=0.61

h3input = 1*0.78+0*0.13=0.78
h3output = sigmoid(0.78)=0.69

O1input = 0.61*1.5+0.69*-2.3=-0.672
O1output = sigmoid(-0.672)=0.33

O1ideal = 1 (0xor1=1)

Error = ((1-0.33)^2)/1=0.45

Результат — 0.33, ошибка — 45%.


Большое спасибо за внимание! Надеюсь, что данная статья смогла помочь вам в изучении нейронных сетей. В следующей статье, я расскажу о нейронах смещения и о том, как тренировать нейронную сеть, используя метод обратного распространения и градиентного спуска.

Использованные ресурсы:
— Раз
— Два
— Три

Нейронная сеть мозга формирует наши привычки

На протяжении многих веков человеческий организм, его жизнеобеспечивающие функции, психика и система восприятия являлись одним из самых трудоёмких объектов для всестороннего и глубокого изучения.  С появлением новых направлений и исследований в медицине, генетике, нейробиологии и психологии стало возможным провести множество параллелей о взаимном влиянии наших психоментальных процессов и биологических функций организма.

В данной статье мы обзорно рассмотрим с позиции нейробиологии и ииссиидиологии взаимосвязи некоторых отделов мозга и проходящих в них нейрональных цепочек с психологическими состояниями и привычками человека.

1.   Немного о нейронах

Нейронная сеть (нервная система человека) – сложная сеть структур, которая обеспечивает взаимосвязанное поведение разных систем в организме. Нейрон – это специальная клетка, состоящая из ядра, тела и многочисленных отростков – дендритов (длинные отростки называют аксонами). Зоны контакта между нейронами называются синапсами. Средний человеческий мозг располагает ресурсом в 100 млрд. нейронов. Каждая клетка, в свою очередь, может дать примерно 200 тыс. синаптических ответвлений. В нейронах происходят сложнейшие процессы обработки информации. С их помощью формируются ответные реакции организма на внешние и внутренние раздражения [1].

Одна из ключевых задач нейрона — передача электрохимического импульса по нейронной сети по доступным (резонационным) связям с другими нейронами. При этом каждая из связей характеризуется некоторой величиной, которая называется синаптической силой. Она определяет, что будет происходить с электрохимическим импульсом при его передаче другому нейрону: усилится он, ослабеет или останется неизменным.

Биологическая нейронная сеть имеет высокую степень связности: на один нейрон приходится порою несколько тысяч связей с остальными нейронами. Однако это приблизительное значение, которое в каждом из конкретных случаев разное. Передача импульсов от нейрона к нейрону порождает некоторое возбуждение всей сети нейронов. Несколько упрощая, можно сказать, что каждая нейронная сеть представляет собой мысль, навык, воспоминание, то есть некий блок информации.

Любая наша мысль меняет работу мозга, прокладывая новые пути для электрических импульсов. При этом электрический сигнал должен преодолеть щель синапса для образования новых связей между нервными клетками. Эту дорогу ему труднее всего пройти первый раз, но по мере повторения, когда сигнал преодолевает синапс снова и снова, связи становятся «шире и прочнее»; растёт число синапсов и связей между нейронами. Образуются новые нейронные микросети, куда «встраиваются» новые знания, убеждения, привычки, модели поведения, навыки человека.

Здесь мне бы хотелось подчеркнуть, что конкретика этих убеждений будет зависеть от того, в каком отделе головного мозга будут чаще всего задействованы нейронные цепочки.

2.   Отделы мозга: неокортекс и лимбическая система

На сегодняшний день считается, что отличительной особенностью человеческого мозга от мозга животных является заметно увеличенные области лобных долей, которые представляют собой один из отделов неокортекса (от лат. neo – новая, cortex- кора). Этот отдел полушарий головного мозга в процессе эволюции был сформирован довольно поздно. И если у хищников он едва намечен, то у современного человека лобные доли занимают около 25% общей площади больших полушарий мозга.

Другими словами, эта — человеческая — часть головного мозга отвечает за то, насколько хорошо мы способны организовывать свои мысли и действия в соответствии с теми целями, которые стоят перед нами. Также полноценное функционирование лобных долей дает каждому из нас возможность сопоставлять свои действия с теми намерениями, для осуществления которых мы их совершаем, выявлять несоответствия и исправлять ошибки.  Это центр концентрации внимания, осознанности, а также контроля инстинктов и эмоций. За поведение, которое повторяется многократно и выполняется на «автопилоте», отвечает левая часть неокортекса. Правая часть «включается», когда человек сталкивается с незнакомой информацией, собирается выполнить новую задачу или делает несвойственный ему выбор.

В тоже время каждый из нас может себя узнать и в таких проявлениях как резкие перепады настроения, окрашенные пессимистичным или негативным взглядом на жизнь, снижение мотивации, устремления, самооценки, усиление чувства вины или беспомощности и многие другие подобные состояния.

Такие модели поведения регулируются архикортексом, или лимбической системой. У «людей» и у животных эта подкорковая мозговая структура участвует в формировании как отрицательных (страх, оборонительное и агрессивное поведение), так и примитивных положительных эмоций. Причём её размер положительно коррелирует с агрессивным поведением: у менее развитых «личностей» она всегда крупнее [2, 11.12161].

Почему же нам, людям, бывает так сложно контролировать степень активности нейронных сетей лимбической системы?

Одной из основных причин является ещё достаточно устойчивая сосредоточенность личности на собственных интересах. По этой причине задействуются отделы мозга, связанные с эмоциями и получением различных видов удовольствий: тактильных, вкусовых, обонятельных, эстетических и других; в корне многих мотиваций лежит получение выгоды и желание комфорта, побуждающее личность идти путём наименьшего сопротивления к данным состояниям.

Лимбическая система обуславливает автоматические (часто неосознаваемые) реакции на уровне инстинктов. Инстинкты – это совокупность сложных наследственно обусловленных шаблонов поведения, которые мы машинально используем в своей повседневной жизни [3]. Однако многие базовые животные инстинкты: стадный, половой, инстинкт самосохранения в процессе эволюционирования были адаптированы под человеческий образ жизни и приобрели несколько иной вид. Например, инстинкт самосохранения может проявляться у людей как склонность к повышенной осторожности, мнительности, нетерпимость к боли, тревожность в отношении всего неизвестного, эгоцентричность. Всё это может стать одной из причин формирования у человека «тяжелого характера», которому присущи чрезмерный эгоизм, подозрительность, истеричность, трусость и прочие качества. Другой пример, это инстинкт продолжения рода, проявляющийся первично в воспроизводстве потомства и межполовых отношениях, однако он также изрядно трансформировался и проявляется у людей как излишнее стремление к нарядам, самоукрашению, паническая зацикленность на своей внешности и фигуре, кокетство, флирт, нарциссизм, стремление обнажать себя. Это всего лишь несколько примеров, демонстрирующих то, что в основе большинства наших повседневных интересов главенствуют нейронные цепочки архаичных животных программ выживания и зацикленности на себе.

Некоторые люди могут даже не предполагать того, что данные проявления не только являются нечеловеческим наследием, но и не позволяют нам полноценно развиваться, преодолевать свои недостатки и несовершенства с лёгкостью. Таким образом, ежедневно подкрепляя различные типы инстинктов, усиливаются и «уплотняются» подобные нейрональные цепи, являясь причиной формирования импульсивных и в большей степени негативных шаблонов поведения.

Здесь важно отметить, что наиболее действенный способ для «торможения» этих нейронных цепочек – научиться анализировать и различать собственные черты и модели поведения, стараясь подключать отделы неокортекса, посредством осознанности и наблюдением за собой. А для этого необходим контроль над своими текущими навыками и эгоистичными состояниями для усиления других нейрональных сетей, отвечающих за «новые» гармоничные шаблоны мышления [4].

3.   Взаимосвязанность нейронных сетей

В добавление ко всему вышесказанному, хотелось бы отметить ещё несколько особенностей нейронных сетей. Одно из фундаментальных правил нейронауки гласит: нейроны, используемые вместе, соединяются. Стоит сделать что-либо один раз, и разрозненная группа нейронов образует сеть, но если вы не повторите это действие достаточное количество раз, то не «протопчете тропинку» в мозге, соответствующую подобному качеству выборов и мышления. Когда мы совершаем определённые действия снова и снова, то связь между нервными клетками укрепляется и «включить» эту нейросеть повторно становится гораздо проще. В результате даже мимолетные мысли и ощущения могут надолго оставить соответствующий след в нашем мозге.

Здесь стоит подумать о том, какие нейрональные цепочки мы закладываем своим мышлением и действиями изо дня в день. Какие тенденции мышления нам больше свойственны: гармония, созидание или деструкция, разрушение? Какую «атмосферу» мы создаём вокруг себя и что полезного и радостного несём другим людям?

Все образующиеся в нашем мозге нейросети не обособлены, а тесно и сложно взаимоувязаны между собой, и именно эти взаимосвязи образуют сложные идеи, глубокие переживания, воспоминания из жизни, образы давно испытанных эмоций. Человеческий мозг взаимодействует с миллионами бит информации каждую секунду, но сознательно мы способны воспринимать только небольшую часть из них.

Например, нейросеть, хранящая понятие «яблока» в информационном простнатсве нашего сознания, — это не один простой комплекс нейронов. Это довольно крупная сеть, соединенная с другими сетями, хранящими такие понятия, как «красный», «фрукт», «круглый», «вкусный», «сочный», «сладкий» и т. д. Эта нейросеть также соединена со многими другими сетями, поэтому, когда мы видим яблоко, зрительная область коры головного мозга (которая тоже подключена сюда) обращается к этой сети, чтобы дать нам образ яблока именно для этой конкретной ситуации. В другой ситуации в зависимости от настроения, текущего психического состояния человека, он к понятию яблока подключит абсолютно другие нейронные сети и получит соответственно другие переживания, например, «кислое», «твёрдое», «несочное» и т.д.

У каждого человека имеется собственная коллекция огромного многообразия переживаний и навыков, представленная в нейросетях его мозга. Доктор медицинских наук Д. Диспенза поясняет: «В какой семье вы росли, сколько у вас было братьев и сестер, где вы учились, какую религию исповедовали ваши близкие, к какой культуре они принадлежали, где вы жили, любили вас и поощряли в детстве или били и обижали — все это и многое другое сказалось на формировании нейросетей вашего мозга» [5].

Согласно концепции автора «Ииссиидиологии», на образование новых нейронных взаимосвязей оказывают влияние не только вышеназванные факторы. Одним из постулатов ииссиидиологии является теория о многовариантном, многомировом существовании всех форм, в том числе и людей. Одновременно с нами существует бесконечное количество Вселенных, миров и наших личностных интерпретаций в них. Из этого вытекает следующий принцип: благодаря постоянным взаимовлияниям друг на друга разных вариантов «нас самих», мы образуем тесную генно-волновую резонационную связь, благодаря чему происходит обмен и поступление информации в систему восприятия для дальнейшего декодирования её через ДНК с помощью нейронов и гормонов [6].

Таким образом происходит формирование «нейронной ткани» нашего мироощущения и в ответ на стимулы из окружающей среды включаются те или иные зоны нейросетей, вызывая определенные биохимические процессы в мозге и гормональной системе. Эти процессы, в свою очередь, влекут за собой соответствующие эмоциональные реакции, окрашивают восприятие, обусловливают отношение к людям и событиям нашей жизни.

Подобное информационное воздействие на нас всегда осуществляется по резонационному (резонанс – усиление частоты колебаний по совпадению некоторых признаков) принципу. В какой-то степени здесь уместно выражение «притяжение подобного подобным». Иными словами, задействовав новые модели поведения, человек начинает постепенно резонировать с соответствующим вариантом убеждений «другого себя», укрепляя тем самым данные нейронные цепочки.

Как уже говорилось выше, если часто реагировать одним образом, активизируется определенная нейронная сеть и соответствующее поведение превращается в устойчивую привычку. Чем чаще используется сеть, тем прочнее она становится и тем проще получить к ней доступ.

Также возможен и обратный процесс: устойчивые связи между нейронами, не используемыми вместе, ослабевают. Всякий раз, когда мы прекращаем или предотвращаем действие, ментальный процесс, оформленный в нейросеть, соединенные между собой нервные клетки и группы клеток ослабляют свою связь. При этом тончайшие дендриты, отходящие от каждого нейрона и связывающие его с другими нейронами, освобождаются для связи с другими. Этот механизм обусловлен нейропластичностью (нейрогенезом) — в зависимости от стимуляции нейронов, одни связи становятся прочнее и эффективнее, а другие ослабевают, высвобождая потенциал для формирования новых.

Авторы книги «Мозг: краткое руководство» Д. Льюис и А. Вебстер утверждают, что человеку необходима ежедневная «встряска»», иначе в мозге не будут формироваться новые нейронные связи, необходимые для сбалансированного ментально-чувственного развития [7].

Когда мозг привыкает не думать, не решать сложных задач и не преодолевать сложности, не трансформировать внутренние и внешние конфликты, то происходит торможение развития и постепенная деградация личности, потому что электрические импульсы задействуют уже знакомые им пути, не прокладывая новых.

В цикле книг по ииссиидиологии для повышения нейрональных взаимосвязей в сторону высокочувственного и высокоинтеллектуального потенциала личности предлагается модель интеллектуально-альтруистичного развития и образа жизни. Это позволяет нам в большей степени задействовать Человеческие отделы мозга и гармонизировать активность эгоистично-импульсивных выборов и программ.    Ииссиидиология и центры МИЦИАР, создаваемые для её практического применения, направлены на радикальное позитивное человеческое переформатирование и трансформацию нейронных сетей, соответствующих модели нашего восприятия себя и мира вокруг нас [8].

4.   Заключение

С точки зрения физиологии, привычки есть не что иное, как образование в мозговых структурах устойчивых нервных взаимосвязей, отличающихся повышенной готовностью к функционированию по сравнению с другими цепочками нейронного реагирования. Чем больше мы повторяем какие-либо действия, мысли, слова, тем более активными и автоматическими становятся соответствующие нейронные пути.

Разные отделы полушарий мозга играют в этом процессе свою необходимую роль. Когда их деятельность синхронизирована между собой, то передача информации между нейронами становится оптимальной.

Для человека огромное значение имеет баланс между чувственно-эмоциональной сферой (контролируется лимбической системой) и высокоинтеллектуальной активностью (отвечают отделы неокортекса). Личность развивается и действует наиболее эффективно, когда дисбаланс между «передовыми» областями мозга и более старыми (примитивными) отсутствует либо его степень незначительна.

Мозг — это более сложная структура, чем просто большой набор разных популяций нейронов, аксонов и глиальных клеток. Это один из главных механизмов адаптации поступающей к нам из внешней среды любого рода информации. Он выступает в роли её «декодировщика» и «интерпретатора» для нашей системы восприятия. Исполнительные функции этого процесса выполняются благодаря гормональной системе, которая и отражает на физиологическом уровне результат внутренней психоментальной активности человека в каждый момент времени.

С другой стороны, наше самосознание является «регулятором» любых биологических процессов и нервной системы, способствуя побуждению к деятельности тех или иных участков головного мозга. Эта закономерность всегда предоставляет нам возможность создавать необходимый образ себя, а также наиболее гармоничные привычки в своей повседневной жизни, которые станут основой для внутренней гармонии.

Известно, что мозг состоит из эмбриональной ткани, поэтому он всегда открыт для развития, обучения и перемен. Учёные убеждены, что наш мозг способен простой мыслью, воображением, визуализацией, изменять структуру и функцию серого вещества, и это может происходить даже без специальных, внешних воздействий, а под влиянием лишь тех мыслей, которыми он наполнен. Всё вышесказанное подводит к пониманию того, что каждому, кто задумывается о качестве своего мышления и привычек, требуется фундаментальное изменение накопленных убеждений – преодоление и смену инстинктивной генетической программы и прежнего воспитания на истинно человеческие представления, основанные на высокоинтеллектуальных и высокочувственных представлениях любого аспекта жизни.

Первоисточники:

[1] Научный журнал «Нейросайнс»

[2] Орис О. В. «Ииссиидиология. Комментарии к Основам» Том 11 — Издательство «Москва», 2010, п.11.12161

[3] Статьи «Инстинктивные или «животные» уровни в структуре сознания человека», Дррааоллдлисс. 

[4] Статьи «Эмоции с точки зрения нейропсихологии и ииссиидиологии», Смаайгллаамсс.

 [5] Джо Диспенза «Сила подсознания, или Как изменить жизнь за 4 недели». Издательство: Эксмо. Москва, 2013 г.

[6] Орис О.В. «Ииссиидиология. Комментарии к Основам» Том 10 — Издательство «Москва», 2010.

[7] Джек Льюис и Адриан Вебстер «Мозг: краткое руководство». Издательство МИФ, 2014.

[8] Официальный сайт ииссиидиологии.

 

Нейронный механизм формирования внутреннего ресурса.

Любой внутренний ресурс имеет нейронную структуру. Он зафиксирован в мозге в виде нейронного образования.

Число нейронов огромно. Ученые называют цифры от 10 до 100 миллиардов. Нейроны – это нервные клетки нашего мозга, которые проводят нервные импульсы. Импульсы несутся с громадной скоростью: расстояние от одного нейрона к другому сообщение пробегает меньше чем за 1/5000 долю секунды. Благодаря этому мы чувствуем, думаем, действуем.

Когда человек рождается, он уже имеет большое количество нейронных образований, отвечающих за работу внутренних органов, систем дыхания, кровоснабжения, выведения отходов организма и других. С рождения до двух лет количество нейронных образований у человека повышается в разы, так как он учится ходить, говорить, распознавать предметы, людей, приобретает опыт знакомства с окружающим миром. Ресурсы, внешние для новорожденного человека, быстро становятся внутренними, неотделимыми от личности.

Как формируются нейронные образования?

Каждый нейрон похож на корневую систему растений, где есть один большой корень (аксон), и есть ответвления от этого корня (дендриты).

Каждый раз, когда по мозгу проходит сообщение, с одного нейрона на другой перескакивает множество нервных импульсов.

Neurons

Передача таких сообщений происходит не напрямую, а через посредника. Посредник – это химическое вещество, называемое медиатором.  При передаче сообщений один нейрон аккумулирует медиаторы на кончике «корня», а затем пускает их в «свободное плавание». Задача медиаторов – перенести нервный импульс к другому нейрону через некий барьер (синапс). Медиаторы могут причаливать только к определенному месту на соседнем нейроне. А точка причаливания принимает только один вид медиаторов. Но сам медиатор может причалить не к одному нейрону.

В зависимости от сообщения, которое несет медиатор, нервный импульс либо продолжает свой путь, либо прямо здесь останавливается. Пока второй нейрон «читает» сообщение и «решает», продолжать ли нервному импульсу свой путь дальше, медиатор остается на причале.

Если нейрон «решил» что делать дальше, происходит либо бег импульса дальше по цепочке, либо нейтрализация информации в нейроне и разрушение медиатора. Такая система переноса импульсов помогает нам фильтровать на самом деле важную входящую информацию от не имеющего значения так называемого «шума».

Если сообщения повторяются, медиаторы быстрее и легче достигают точки причаливания на соседнем нейроне, формируется устойчивая нейронная связь.

Так как дендритов у нейронов много, нейрон одновременно может формировать много медиаторов с разными сообщениями для других нейронов.

Ранее ученые считали, что связи между нейронами закреплены с рождения и не подвержены влиянию человеческого опыта. Сегодня мнение изменилось. На то, сколько таких связей будет создано нервной системой, оказывают огромное влияние события нашей жизни – все огромное многообразие того, что мы впитываем в себя с младенчества. При овладении новыми навыками, при встрече с новыми чувствами в сложной нейронной сети у нас постоянно формируются новые связи. Поэтому межнейронные связи мозга у каждого из нас – структура уникальная.

При этом мы можем перестроить мозг за счет создания новых нейронных связей, эту способность мозга называют  нейропластичностью.

Ресурс как нейронная связь.

Любой внутренний ресурс  – это, по сути, навык, крепкая нейронная связь. А крепкая нейронная связь формируется двумя основными способами:

1. Одномоментно, под воздействием сильных эмоций.

2. Постепенно, путем многократного повторения.

Например, когда человек учится водить машину, никакой структуры и нейронной связи еще нет. Навык вождения  еще не сформирован, ресурс еще внешний.  Для того, чтобы держать руль, нажимать на педали, включать поворотники, реагировать на знаки и дорожную обстановку, регулировать уровень страха и тревоги требуется уйма энергии.

Это энергия внимания и энергия мотивации. Туда руку, сюда ногу, смотреть в зеркала, а там пешеход, а еще знаки и другие машины. Напряжение и тревога с непривычки. Если энергия мотивации израсходована, плюс произошла колоссальная потеря энергии внимания, и они не компенсировались удовольствием от процесса вождения, то часто человек откладывает обучение до лучших времен.

Если же стресс от таких «вождений» не так уж велик и покрывается удовольствием, то человек научится водить. Раз за разом в мозгу человека нейроны будут выстраиваться в определенную конфигурацию, обеспечивающую процесс приобретения навыка вождения.

Чем больше будет повторений, тем быстрее будут формироваться новые нейронные связи. Но только в том случае, если энергия, затрачиваемая на приобретение навыка, будет скомпенсирована с превышением.

Причем нейронные связи будут формироваться не в одном месте, а в нескольких участках мозга, которые задействованы, когда человек водит машину.

В дальнейшем будет нужно меньше энергии для процесса вождения, и тем легче и приятнее будет сам процесс. Нейронные связи сформировалась, и теперь задача  – эти связи «устаканить», вшить в подкорку, чтобы они превратилась в устойчивое нейронное образование.  И чем лучше у человека получается, чем больше он получает удовольствия, положительного подкрепления, тем быстрее идет работа.

Когда нейронное образование сформировано, система получается автономной, энергии требуется все меньше, она начинает не расходоваться, а поступать. Именно тогда внешний ресурс становится внутренним.

И вот уже человек может слушать музыку, разговаривать, думать о своем, и его разум будет следить за дорогой, тело само выполнять нужные действия, и даже в экстремальной ситуации разум и тело справятся сами, без участия сознания, и примут нужные меры. Именно так и было со мной, когда я выпадала из реальности, и не помнила, как приезжала домой. Об этом я писала тут.

А если внести сюда элемент творчества, то нейронная структура в мозгу станет еще более красивой, сложной и гибкой.

Любой ресурс может быть прокачан до такой степени, что станет навыком, встроенным в личность через нейронную структуру.

 

Нейронные связи и внутренний контроль.

Любые действия имеют какой-то развивающий эффект только тогда, когда происходят на грани потери контроля над ситуацией. И чем более выражена эта грань – тем больший эффект. Потеря контроля заставляет нас формировать новые нейронные связи, делая структуру более обширной.

А обширность эта достигается за счет захвата в сеть «открытых» нейронов.

Смотрите, постоянно работающий нейрон со временем покрывается оболочкой из особого вещества, называемого миелин.  Это вещество значительно повышает эффективность нейрона как проводника электрических импульсов. Покрытые миелиновой оболочкой нейроны работают без затраты излишней энергии. Нейроны с миелиновой оболочкой выглядят скорее белыми, чем серыми, поэтому мы разделяем наше мозговое вещество на «белое» и «серое». Обычно покрытие нейронов оболочкой  у человека активно до двух, и снижается к семи годам.
Существуют бедные миелином «открытые» нейроны,  в которых скорость проведения импульса всего 1-2 м/с, то есть в 100 раз медленнее, чем у миелиновых нейронов.

Потеря контроля заставляет мозг «искать» и подключать в свою сеть «открытые» нейроны, чтобы сформировать новый кусок нейронного образования, «ответственного» за новый опыт.
Именно поэтому действия, в которых полностью исключена возможность потери контроля нам просто неинтересно выполнять. Они скучны и рутинны, не требуют особой активности мозга. А если мозг не получает достаточной активности  – он деградирует, незадействованные нейроны отмирают, человек тупеет и глупеет.

Если потеря контроля каждый раз ведет к формированию нужного результата, то говорят о положительном подкреплении.

Так дети учатся ходить, ездить на велосипеде, плавать и так далее. Причем, чем больше часов, затрачиваемых на какое-то занятие, тем больше миелиновых нейронов в мозге, а значит выше его производительность.

 

Одно убедительное доказательство получили после сканирования головного мозга профессионального музыканта. Проводилось много исследований по поводу того, чем мозг музыканта отличается от мозга обычных людей. В ходе этих исследований мозг был просканирован в диффузионном МРТ-аппарате, что дало ученым информацию о ткани и волокнах внутри области сканирования.

Исследование показало, что практика игры на фортепиано способствовала формированию белого вещества в областях мозга, связанных с моторикой пальцев, визуальных и слуховых центров обработки, другие же области мозга ничем не отличались от таких же у “обычного человека”.

 

Внутренний контроль и привычки.

Современной нейрофизиологии известно, что время формирования разветвлённой  структуры отростков нейрона – 40-45 дней, а время, требующееся на формирование новых нейронов – 3-4 месяца.

Следовательно, для того, чтобы ресурс из внешнего превратился во внутренний, достаточно сформировать НОВОЕ нейронное образование под конкретную задачу. На это потребуется не менее 120 дней.

Но при трех условиях.

  1. Прокачка ресурса должна идти ежедневно.
  2. Она должна сопровождаться потерей внутреннего контроля.
  3. Энергия должна компенсироваться с превышением.

Вернусь к примеру с автомобилем. Потеря внутреннего контроля бывает каждый раз, когда водитель садится за руль. Причем от стажа вождения это не зависит. Всегда идет внутренняя подстройка водителя на автомобиль и дорогу, на участников дорожного движения, на погодные условия. Мобилизация внутренних ресурсов идет всегда, даже у самых опытных.

Различия между опытным и начинающим водителем будет в том, что опытный уже приобрел устойчивые нейронные связи и амплитуда потери контроля не ощущается им. А вот неопытный водитель может настолько терять контроль, что нервное напряжение будет видно невооруженным взглядом. Но чем чаще и дольше такой водитель будет ездить, тем быстрее и лучше он будет справляться с ситуацией потери контроля.

Через 120 дней навык вождения войдет в ПРИВЫЧКУ, то есть не будет забирать всю свободную энергию.  Человек уже сможет включать музыку в автомобиле, или вести разговоры с пассажирами. Вновь образованное нейронное образование все еще не стабильно, но уже выполняет функцию под конкретную задачу.

Если человек будет дольше развивать навык вождения, то через некоторое время нейронное образование, отвечающее за этот навык, станет устойчивым, автономным, стабильным. Если же человек не будет пользоваться вновь созданным нейронным образованием, то через некоторое время оно распадется, разрушится. Поэтому часто люди, имеющие права, не могут водить автомобиль.

Любой другой ресурс делается внутренним по такому же принципу. Внутренний ресурс –  есть не что иное, как образование в мозговых структурах устойчивых нервных взаимосвязей, отличающихся повышенной готовностью к функционированию по сравнению с другими цепочками нейронного реагирования.

Чем больше мы повторяем какие-либо действия, мысли, слова, тем более активными и автоматическими становятся соответствующие нейронные пути.

Все это справедливо для формирования «вредных» привычек. И тут я говорю не только об алкоголе и наркотиках, но и о привычке жаловаться на жизнь, ныть, обвинять всех и вся в своей нелегкой жизни, подличать, идти по головам, хитрить и изворачиваться для получения того, что нужно.

Здесь тоже условное «положительное» подкрепление, когда человек такими действиями получает то, что нужно. И запоминает это как «правильный» путь, ведущий к результату.

Есть так же нейронные образования, отвечающие за шаблонные установки, ограничивающие убеждения, устойчивые программы, от которых человек не может избавиться годами. Особенно эти нейронные образования сильны в сфере денег, уверенности в себе, и в сфере человеческих взаимоотношений. Эти нейронные образования формируются задолго до того, как ребенок может осознанно подходить к этим вопросам. Формирование ограничивающих убеждений, различных эмоциональных блоков идет под влиянием родителей, социума.

А еще это очень зависит от окружения, страны, истории, ментальности.

Эти застарелые устойчивые нейронные образования можно разрушить. Требуется на это от 1 до 5 лет ежедневной «работы». «Работы» по формированию НОВЫХ убеждений, НОВЫХ действий, НОВОГО окружения. Тогда на месте одних нейронных образований будут возникать другие.

Если учесть, что ограничивающие убеждения формируются десятилетиями, то возможность убрать их за какие-то три года кажется заманчивой.

 

Да, сказать легко, нелегко сделать. На «подумать» вот вам история.

Представьте, вы получили наследство — участок недр площадью 100 га для добычи алмазов.

Вступили в права наследства и тут к вам обращаются представители Алмазной корпорации. Мол, хотим взять в аренду ваш участок лет на 50, все, что добудем – наше, а вам будем платить фиксированную ренту ежемесячно в течение этих 50 лет.

Вы подумали, и согласились. Ну а что? Деньги на самое необходимое есть, голова не болит о том, где их взять.

Алмазная корпорация нагнала техники, людей, закипела работа.

Вы время от времени смотрите, как оно там у них, работается ли. И через некоторое время понимаете, что, мягко сказать, продешевили. Но договор – есть договор, ни расторгнуть раньше времени, ни отказаться уже нельзя.

Через пару лет вы понимаете, что не то, что продешевили, лоханулись вы с участком то… Судя по отчетам, дела у Алмазной корпорации идут очень хорошо. Вы понимаете, что через 50 лет вряд ли вам удастся откопать там хоть один завалящийся алмазик. Да и ренту вашу инфляция каждый год ест.

Вы нанимаете юриста для переговоров с Алмазной корпораций. Хотите или ренту повысить или, может, долю в прибыли.

Нет проблем, говорят в корпорации, мы готовы пересмотреть условия договора, и повысить вам ренту на те же 50 лет.

И тут ваш юрист говорит вам, что нашел лазейку в договоре, совершенно легальную и договор можно расторгнуть совершенно официально, и без штрафных санкций.

Теперь у вас есть два варианта:

  1. Расторгнуть договор и участок снова переходит в ваше владение;
  2. Промолчать о лазейке и согласиться на ренту.

Что вы сделаете?  Напишите в комментариях или на листочке. Какова ваша логика?

рассыпь алмазов

 

Ну что, написали?

А теперь продолжение.

Алмазный участок – это вы.

И алмазы в нем – ваши внутренние ресурсы. Управление своим развитием, своими привычками – это как управление своим собственным участком с алмазами. И даже если вы думаете, что у вас не участок с алмазами, а пустыня или болото, может вы плохо исследовали?

P.S. Кейс с алмазами утащила у Елены Резановой.

 

☵ Нервные цепи | Селекция привлекательных состояний

Мозг ( brain [breɪn] ) — это сложный, обладающий огромными вычислительными способностями биологический орган, который формирует ощущения, регулирует мысли и чувства, управляет действиями. Мозг отвечает не только за сравнительно простые формы двигательного поведения, такие как бег, дыхание, построение единой теории поля или охоту на мамонтов, но и за те сложные действия, которые воспринимаются как проявления личности: мышление, речь, творчество, поедание шашлыков. В этом аспекте человеческая психика предстает системой операций, выполняемых мозгом, почти так же, как ходьба — это система операций, выполняемых ногами. Только в случае мозга система конечно же сложнее.

Все чувства, желания, фантазии человека, всё то, что называют психикой и интуитивно воспринимают как нечто большее, чем физическое тело, являются функциями мозга. Каждая эта функция выполняется нейронными цепями, состоящими из одних и тех же элементарных сигнальных единиц — нервных клеток.

Именно поэтому знания о устройстве нейронных цепей, способах передачи сигналов внутри них, относящиеся к области физиологии, необходимы для изучения таких функций мозга, как память, мышление, воображение, намазывание паштета на бутерброд. Например, чтобы узнать, как возникают и хранятся воспоминания, необходимо хотя бы что-то запомнить для начала начать с изучения функционирования одной клетки мозга. Принимая во внимание, что человеческий мозг состоит примерно из ста миллиардов нервных клеток, нельзя не удивляться, как много удалось узнать за последние полвека о психической деятельности, изучая отдельные клетки мозга. Клеточные исследования позволили впервые что-то понять о биологических основах восприятия, произвольных движений, внимания, обучения и работы памяти.

Основу современной науки о нервной системе заложил нейроанатом Сантьяго Рамон-и-Кахаль в начале ХХ века. Поначалу он был сапожником и хотел стать живописцем. Чтобы познакомиться со строением человеческого тела, он изучал анатомию, используя кости, выкопанные на древнем кладбище. Кости оказались гораздо интереснее живописи, и сначала Кахаль занялся общей анатомией, а затем перешел к анатомии мозга. Он считал, что для обоснованных предположений о работе человеческой психики необходимо получение подробных сведений о клеточном строении мозга. Его выводы о свойствах живых нервных клеток, сделанные на основании изучения неподвижных изображений мертвых нейронов, поражали сочетанием строгой логики и интуиции. Некоторые из его предположений, для проверки которых у него не было технических возможностей, были подтверждены через много лет.

До того как в этой области начал работать Кахаль, форма нервных клеток приводила биологов в полное замешательство. Большинство клеток нашего тела имеют достаточно простые очертания, а неправильная и разнообразная форма нервных клеток, еще и наличие у них множества чрезвычайно тонких выростов, заставляла ученых понервничать. Биологи не знали, входят ли эти отростки в состав нервных клеток, потому что не было возможности отличить, из какой клетки вырос этот отросток, а к какой он просто присоединен. Были и предположения, что они вообще не принадлежат ни одному нейрону и являются отдельными образованиями. И противоположные гипотезы о том, что эти отростки соединяют цитоплазму всех нейронов, создавая непрерывную нервную сеть, похожую на паутину, по которой сигналы могут передаваться сразу во всех направлениях. А из-за того что эти отростки необычайно тонкие (примерно в сто раз тоньше человеческого волоса), никто не мог увидеть и исследовать их наружную мембрану. Так что многие биологи делали вывод, что у этих отростков наружной мембраны и нет.

В девяностых годах XIX века Кахаль попытался найти лучший способ сделать нервную клетку видимой во всей ее полноте. Для этого он совместил две разные стратегии исследования.

Первая состояла в том, чтобы исследовать мозг новорожденных, а не взрослых животных. У новорожденных сравнительно мало нервных клеток, упакованы они не столь плотно, а их отростки короче. Это позволило Кахалю увидеть отдельные деревья в клеточном лесу мозга.

Вторая стратегия состояла в том, чтобы использовать специальный метод серебряного окрашивания. Этот метод весьма капризен и позволяет маркировать довольно случайным образом какие-нибудь отдельные нейроны — меньше 1 % от их общего числа. Но при этом каждый помеченный нейрон окрашивается целиком, позволяя исследователю увидеть его тело и все отростки. Как только на срезе мозга среди густого темного леса засветился каждым своим отростком один нейрон, гипотеза о существовании общей нервной сети была отброшена.

Эти две стратегии позволили выяснить, что, несмотря на свою сложную форму, нервные клетки представляют собой отдельные упорядоченные единицы. Окружающие нервную клетку отростки не отдельны от нее, а растут непосредственно из ее тела. Кроме того, вся нервная клетка, включая отростки, полностью окружена наружной мембраной, как это и должно быть согласно клеточной теории. Далее Кахаль выделил два типа отростков — аксоны и дендриты. Все нервные клетки мозга, за редким исключением, состоят из тела клетки с ядром внутри, единственного аксона и многих тонких дендритов.

В девяностых годах XIX века Кахаль свел воедино все эти наблюдения и сформулировал четыре принципа, составляющих нейронную доктрину — теорию организации нервной системы, которая с тех пор составляет основу всех наших представлений о мозге.

Первый принцип состоит в том, что нейрон является основным структурным и функциональным элементом мозга, то есть мозг состоит из нейронов, которые служат его элементарными сигнальными единицами. Кроме того, Кахаль предположил, что аксоны и дендриты играют разные роли в процессе передачи сигналов. Дендриты служат для получения сигналов от других нейронов, а аксон — для передачи сигналов к другим нейронам.

Во-вторых, Кахаль предположил, что окончания аксонов одного нейрона передают информацию дендритам другого нейрона только в специальных участках этих отростков, которые впоследствии назвали синапсами ( synapse [‘saɪnæps] ). Позже установили, что синапс может существовать также между окончанием отростка одного нейрона и телом другой клетки. Еще он выдвинул гипотезу о том, что в каждом синапсе имеется небольшая синаптическая щель ( synaptic gap [sʌɪ’nəptɪk gæp] ), где окончание аксона одного нейрона подходит вплотную к дендриту другого, но немного не достигает его.

В итоге информация передается через синапс подобно словам, сказанным на ухо, и ее передача осуществляется тремя основными компонентами: передающим сигнал окончанием аксона (соответствующим губам), синаптической щели (промежутку между губами и ухом) и получающим сигнал участком дендрита (уху).

В-третьих, Кахаль сформулировал принцип специфичности связей, согласно которому нейроны не связываются с другими нейронами без разбора. Если бы этот принцип не соблюдался при построении нервной системы, то в ней наступил бы хаос.

Например, сигнал, предназначенный для узкого круга лиц нейронов, управляющих определенной группой мышц, поступал бы ко всем нейронам мозга, приводя в судорожное движение весь организм. Каждый нейрон формирует синапсы и взаимодействует лишь с определенными нейронами и ни с какими другими. Таким образом нейроны связываются в отдельные, не взаимодействующие друг с другом нервные цепи ( nervous circuit [‘nɜːvəs ‘sɜːkɪt] ), и происходит это так:

=) нейрон-источник передает нервный импульс многим клеткам-мишеням. Его аксон, как видно на картинке ниже, на своем конце разветвляется на множество отростков, оканчивающихся синапсами, которые соединяют его с отдельными клетками-получателями сигнала. Тем самым он может широко распространять получаемую им информацию по различным нейронам, иногда находящимся в разных участках мозга.

=) в то же время каждая клетка-мишень может получать информацию от нескольких нейронов-источников, так как к каждому из ее многочисленных дендритов присоединен аксон какого-либо нейрона. В нейроне, являющемся мишенью нескольких нервных клеток, может суммироваться информация, поступающая из разных частей мозга.

Итогом принципа специфичности связей было предположение о том, что все сигналы в мозге единообразны, одинаковы. А все многообразие функций мозга достигается именно за счет существования отдельных нейронных цепей, отвечающих каждая за свою функцию. Эта гипотеза опровергала существующее тогда представление о мозге как о рассеянной нервной сети, в которой повсюду происходят взаимодействия разнообразных типов, порождая различные сигналы.

Согласно четвертому принципу, который назван принципом динамической поляризации ( dynamic polarization [daɪ’næmɪk pələraɪ’zeɪʃn] ), сигналы движутся по нейронным цепям лишь в одном направлении. Информация передается от дендритов каждой клетки к ее телу, оттуда по аксону к синапсу, а затем через синаптическую щель к дендритам следующей клетки, и так далее. «Обратного хода» в той же самой нервной цепи быть не может.

Попытки намечать контуры нейронных цепей стали еще успешнее, когда Кахаль показал, что такие цепи в головном и спинном мозге содержат три основных класса нейронов, каждый из которых выполняет свою особую функцию:

1. Чувствительные, или сенсорные нейроны ( sensory neuron [‘sensərɪ ‘njuərɔn] ), расположенные в коже и в различных органах чувств. Каждый из них реагирует на специфические внешние раздражители. Осязательные нейроны реагируют на давление, зрительные — на свет, слуховые — на звуковые волны, обонятельные и вкусовые — на определенные химические вещества. Получаемую информацию сенсорные нейроны посылают в мозг (головной или спинной).

2. Двигательные нейроны, или мотонейроны ( motoneuron[ˌməʊtə’njʊərɒn] ), протягивают свои аксоны из головного и спинного мозга к клеткам, не являющимся частью нервной системы, таким как клетки мышц и желез. Таким образом они передают сигналы мозга, управляя работой этих клеток и складывающихся из них органов.

3. Промежуточные нейроны, или интернейроны ( interneuron [ˌɪntə’njʊərɒn] ), являются самым многочисленным классом нейронов в мозгу. Это передатчики, соединяющие сенсорные нейроны с мотонейронами.

Это открытие позволило Кахалю отслеживать пути передачи информации от сенсорных нейронов кожи в спинной мозг и оттуда к интернейронам и мотонейронам, по которым сигнал доходит до мышечных клеток, вызывая их сокращение. На картинке выше изображена схема передачи сигнала из кожи, где его воспринимает сенсорный нейрон, через интернейрон к мотонейрону, который дает команду мышечным клеткам, таким образом реагируя на сигнал от кожи.

Интуитивные выводы Кахаля были окончательно подтверждены только в 1955 году, когда с помощью электронной микроскопии смогли увидеть синаптическую щель. Кроме того, была замечена асимметрия синапса: система, выделяющая химические вещества-передатчики сигнала, имеется лишь в передающей сигнал клетке. Этим и объясняется передача информации по нейронным цепям лишь в одну сторону.

Исследования Кахаля были именно анатомическими, он изучал строение, структуру нейронов, но не наблюдал за их работой в живом организме. Поэтому существенная подробность в работе интернейронов была им не замечена. Чтобы ее обнаружить, было достаточно исследовать рефлекторные движения тела, например — коленный рефлекс. Что это такое, все наверняка знают: достаточно легкого удара медицинским молотком в переднюю часть колена, чтобы нога дернулась вперед, попробовав достать привычно уворачивающегося врача.

Если рассмотреть схему коленного рефлекса, сначала все кажется простым: сенсорный нейрон передает информацию об ударе в спинной мозг мотонейрону, который дает сигнал сократить четырехглавую мышцу бедра, и колено разгибается. Но ты можешь увидеть на картинке и нащупать на собственном (или чьем-то еще бедре) другую мышцу, расположенную внизу бедра. В момент удара эта мышца растягивается, и возникает вопрос — почему? Неужели четырехглавая мышца так сильно тянет ногу вверх, что это приводит к растягиванию двуглавой мышцы бедра, преодолевая ее сопротивление? Вряд ли естественный отбор допустил бы такое неоптимальное функционирование организма. Все устроено гораздо экономичнее: удар, запускающий рефлекс сокращения четырехглавой мышцы, одновременно запускает рефлекс расслабления мышцы с другой стороны ноги.

Это происходит следующим образом: сенсорный нейрон, получающий информацию об ударе, связан своими отростками не только с мотонейроном четырехглавой мышцы, но и с другими нейронами. Один из них — интернейрон (на схеме нарисован зеленым), который играет необычную роль в этой сети: он не просто отказывается передавать возбуждающий сигнал мотонейрону. Получив сигнал о возбуждении, этот интернейрон снижает возбуждение в управляющем двуглавой мышцей бедра мотонейроне, и эта мышца расслабляется. Такие реагирующие на возбуждающий сигнал снижением возбуждения нейроны называются тормозными ( inhibitory neuron [ɪn’hɪbɪtərɪ ‘njuərɔn] ). Из перечисленных здесь видов нейронов (сенсорные, моторные, интернейроны) тормозными чаще всего являются интернейроны. Преобразование возбуждающего сигнала в тормозящий возможно потому, что между собой нейроны могут обмениваться разными сигналами, используя для этого химические вещества, выделяемые и принимаемые в синапсах. И так как существует только один вид сигналов внутри нервных клеток, не существует особого «тормозящего» электрического импульса. Торможение осуществляется за счет снижения возбуждения нейрона: чем больше возбужден нейрон, чем более интенсивный электрический импульс он передает, тем сильнее напряжена мышца, которой он управляет. Снижение возбуждения нейрона приводит к расслаблению мышцы.

Работа тормозных нейронов очень важна для координации рефлексов. Они обеспечивают постоянную, предсказуемую реакцию на каждый конкретный раздражитель, при этом тормозя все несовместимые с нужной реакцией рефлексы. Этот механизм называют сопряженным контролем. Например, разгибание ноги неизменно сопровождается торможением сгибания, а сгибание — торможением разгибания. Путем сопряженного контроля тормозные нейроны осуществляют отбор среди конкурирующих друг с другом рефлексов и гарантируют, что только одна из двух или даже нескольких возможных рефлекторных реакций будет проявлена в ответ на раздражитель. Любая итоговая рефлекторная реакция определяется суммарной, скоординированной деятельностью всех нейронов, участвующих в нервной цепи:

1. каждый мотонейрон суммирует все возбуждающие и тормозные сигналы, поступающие по ведущим к нему аксонам других нейронов

2. в зависимости от рассчитанной суммы нейрон реагирует соответствующим образом:

* если суммарное возбуждение оказывается больше суммарного торможения, то нейрон посылает мышце-мишени вызывающий ее сокращение сигнал

* если суммарное возбуждение меньше суммарного торможения, то напряжение мышцы ослабевает, и она расслабляется.

Тот же самый принцип нейронной интеграции, судя по всему, лежит в основе принятия решений и в ряде функций головного мозга. Каждое наше впечатление, каждая мысль, каждое движение есть результат великого множества принципиально сходных нейронных расчетов.

4.6.Распространение возбуждения в цнс

Все особенности распространения возбуждения в ЦНС объясняются ее нейронным строением: наличием химических синапсов, многократным ветвлением аксонов нейронов, наличием замкнутых нейронных путей. Этими особенностями являются следующие.

1. Иррадиация (дивергенция) возбуждения в ЦНС. Она объясняется ветвлением аксонов нейронов, их способностью устанавливать многочисленные связи с другими нейронами, наличием вставочных нейронов, аксоны которых также ветвятся (рис. 4.4, а).

Иррадиацию возбуждения можно наблюдать в опыте на спинальной лягушке, когда слабое раздражение вызывает сгибание одной конечности, а сильное — энергичные движения всех конечностей и даже туловища. Дивергенция расширяет сферу действия каждого нейрона. Один нейрон, посылая импульсы в кору большого мозга, может участвовать в возбуждении до 5000 нейронов.

Рис. 4.4. Дивергенция афферентных дорсальных корешков на спинальные нейроны, аксоны которых, в свою очередь, ветвятся, образуя многочисленные коллатерали (в), и конвергенция эфферентных путей от различных отделов ЦНС на α-мотонейрон спинного мозга (6)

1. Конвергенция возбуждения (принцип общего конечного пути) — схождение возбуждения различного происхождения по нескольким путям к одному и тому же нейрону или нейронному пулу (принцип шеррингтоновской воронки). Конвергенция возбуждения объясняется наличием многих аксонных коллатералей, вставочных нейронов, а также тем, что афферентных путей в несколько раз больше, чем эфферентных нейронов. На одном нейроне ЦНС может располагаться до 10 000 синапсов. Явление конвергенции возбуждения в ЦНС имеет широкое распространение. Примером может служить конвергенция возбуждения на спинальном мотонейроне. Так, к одному и тому же спинальному мотонейрону подходят первичные афферентные волокна (рис. 4.4, б), а также различные нисходящие пути многих вышележащих центров ствола мозга и других отделов ЦНС. Явление конвергенции весьма важно: оно обеспечивает, например, участие одного мотонейрона в нескольких различных реакциях. Мотонейрон, иннервирующий мышцы глотки, участвует в рефлексах глотания, кашля, сосания, чиханья и дыхания, образуя общий конечный путь для многочисленных рефлекторных дуг. На рис. 4.4, я показаны два афферентных волокна, каждое из которых отдает коллатерали к 4 нейронам таким образом, что 3 нейрона из общего их числа, равного 5, образуют связи с обоими афферентными волокнами. На каждом из этих 3 нейронов конвергируют два афферентных волокна.

На один мотонейрон может конвергировать множество коллатералей аксонов, до 10 000-20 000, поэтому генерация ПД в каждый момент зависит от общей суммы возбуждающих и тормозящих синаптических влияний. ПД возникают лишь в том случае, если преобладают возбуждающие влияния. Конвергенция может облегчать процесс возникновения возбуждения на общих нейронах в результате пространственной суммации подпороговых ВПСП либо блокировать его вследствие преобладания тормозных влияний (см. раздел 4.8).

3. Циркуляция возбуждения по замкнутым нейронным цепям. Она может продолжаться минуты и даже часы (рис. 4.5).

Рис. 4.5. Циркуляция возбуждения в замкнутых нейронных цепях по Лоренто де-Но (а) и по И.С.Беритову (б). 1,2,3- возбуждающие нейроны

Циркуляция возбуждения — одна из причин явления последействия, которое будет рассмотрено далее (см. раздел 4.7). Считают, что циркуляция возбуждения в замкнутых нейронных цепях — наиболее вероятный механизм феномена кратковременной памяти (см. раздел 6.6). Циркуляция возбуждения возможна в цепи нейронов и в пределах одного нейрона в результате контактов разветвлений его аксона с собственными дендритами и телом.

4. Одностороннее распространение возбуждения в нейронных цепях, рефлекторных дугах. Распространение возбуждения от аксона одного нейрона к телу или дендритам другого нейрона, но не обратно объясняется свойствами химических синапсов, которые проводят возбуждение только в одном направлении (см. раздел 4.3.3).

5. Замедленное распространение возбуждения в ЦНС по сравнению с его распространением по нервному волокну объясняется наличием на путях распространения возбуждения множества химических синапсов. Время проведения возбуждения через синапс затрачивается на выделение медиатора в синаптическую щель, распространение его до постсинаптической мембраны, возникновение ВПСП и, наконец, ПД. Суммарная задержка передачи возбуждения в синапсе достигает примерно 2 мс. Чем больше синапсов в нейрональной цепочке, тем меньше общая скорость распространения по ней возбуждения. По латентному времени рефлекса, точнее по центральному времени рефлекса, можно ориентировочно рассчитать число нейронов той или иной рефлекторной дуги.

6. Распространение возбуждения в ЦНС легко блокируется определенными фармакологическими препаратами, что находит широкое применение в клинической практике. В физиологических условиях ограничения распространения возбуждения по ЦНС связаны с включением нейрофизиологических механизмов торможения нейронов.

Рассмотренные особенности распространения возбуждения дают возможность подойти к пониманию свойств нервных центров.

Отправить ответ

avatar
  Подписаться  
Уведомление о