مغز یک آرایش پیچیده ای از نورون ها و سیناپس ها می باشد که ظرفیت انسان را برای پردازش، تنظیم، تفسیر تحریک حسی و اجرای فعالیت های ذهنی توسعه می دهد. مهمترین عضو در هر ناحیه مغزی نورون های عصبی هستند که سیگنال ها را از طریق سیناپس شیمیایی منتقل می کنند. تاکنون، مدل های ریاضی و آماری گوناگونی برای تحلیل تعاملات نورونی و بیماری های عصبی ارائه شده است. اخیرا، به دلیل پیشرفت های هوش مصنوعی، مدل های زیادی با استفاده از الگوریتم های آن برای تحلیل تعاملات مغزی مطرح شده است. هدف اصلی این رساله، بازنمایی برخی از تعاملات مغزی و بررسی تأثیر یادگیری بر کارکرد آن ها است. به منظور دستیابی به این هدف، تعاملات مغزی در دو سطح نورونی و تعاملات نواحی مغزی مورد بررسی قرار گرفته اند.
در سطح نورونی، مدل NERL بر اساس تعاملات نورون های دوپامینرژیک برای یک مسئله دسته بندی مطرح شده است. مدل NERL یک شبکه عصبی پیشرو است که در هر لایه اش چندین نورون به عنوان عاملی مستقل و منطقی در نظر گرفته شده اند. بر اساس سیناپس شیمیایی، تعامل نورون های شبکه NERL با استفاده از بازی بیزین مدل سازی شده است. سپس، یک شبکه عصبی NERL برای یک مسئله دسته بندی با استفاده از الگوریتم یادگیری Q آموزش داده شده است. دقت مدل با معماری [4، 4، 1] روی مجموعه داده احراز هویت اسکناس 97/03 درصد شد. همچنین، دقت مدل بهبودیافته روی دو دسته A' و B' از مجموعه داده notMNIST با معماری [64، 4، 4، 1] 91/8 درصد شد. نتایج نشان داد که پیچید ه تر کردن ساختار مدل و افزایش اقدامات نورون ها در ارسال سیگنال به نورون های دیگر، منجر به بهبود کارکرد مدل NERL برای مسئله دسته بندی می شود. کارکرد نورون ها در سطح نورونی منجر به رفتاری متفاوت بین نواحی مغزی مثل سیستم بینایی با دیگر نواحی مغزی می شود. در این رساله، کارکرد نواحی دو جریان بطنی و خلفی سیستم بینایی در سطح نواحی مغزی بررسی و مدل سازی شده است.
%به دلیل نزدیکی ساختارهای شبکه عصبی پیچشی با شبکه های سیستم بینایی، سعی شده است مدل های پیشنهادی بر اساس شبکه عصبی پیچشی باشند. مدل هدف-محور VeDo مبتنی بر شبکه های عصبی پیچشی برای مدل سازی دو جریان بصری سیستم بینایی (برای انجام وظایف دسته بندی، مکان یابی اشیاء و تخمین فاصله بین دو شئ) مطرح شد. سپس، تاثیر اختلال اوتیسم بر کارکرد جریان خلفی در مدل پیشنهادی نشان داده شده است. بعد از دوره آموزش، دقت مدل برای دسته بندی اشیاء و فاصله بین اشیاء 100 درصد شد. نتایج نشان دهنده این واقعیت است که اختلال های جریان خلفی در سطوح اولیه اش با یادگیری قابل بهبود هستند. سپس، بر اساس فیزیولوژی و تعاملات نواحی سیستم بینایی به ویژه در جریان بطنی، مدل Hallu-GAN برای شبیه سازی تعاملات این سیستم به هنگام بروز عارضه توهم پیشنهاد شد. دلیل انتخاب شبکه مولد خصمانه برای مدل پیشنهادی این است که نواحی مغزی درگیر در توهم بینایی یک مکانیزم خصمانه در برابر هم در پیش می گیرند. در مدل
Hallu-GAN، شبکه مولد به عنوان سیستم بینایی با دریافت تصویر محیطی سعی می کند تصویر متناسبی (به عنوان درک تصویر ورودی) را بازسازی کند. شبکه متمایزگر به عنوان نواحی پیشانی مغز سعی در تشخیص واقعی یا تصور بودن تصویر دریافتی از شبکه مولد (سیستم بینایی) را دارد. برای بهبود و همگرا کردن ساختار مدل پیشنهادی به ساختار سیستم بینایی، در ادامه، دو مدل بهبود یافته پیشنهاد شده است. در مدل Hallu-GAN^+ برای مدل سازی تاثیر کارکرد نواحی دیگر مغزی، یک ورودی جدید به عنوان تعیین کننده حالت مغز به شبکه مولد برای تولید داده ارسال می شود. باتوجه به نتایج حاصل از شبیه سازی می توان گفت مدل Hallu-GAN^+ رفتار متوهمی سیستم بینایی در سندرم چارلز بونه را به خوبی بازنمایی کرده است. همچنین، مدل Hallu-GAN^+ توانایی بازنمایی ادراک توهمی و سالم را بر اساس محیط های خارجی را دارد. در مدل Hallu-GAN^(++) برای بازنمایی بهتر تعاملات زیرنواحی سیستم بینایی، یک زیرشبکه به عنوان مبدل ورودی پیشنهاد شده است. این شبکه با دریافت تصویر محیطی یک بردار ویژگی به شبکه مولد ارسال می کند. همچنین، شبکه متمایزگر نیز به دو شبکه مجزا تبدیل شده است. شبکه مدل NERL با معماری [64، 4، 4، 1] روی داده های A' و C' با دقت 91/78 درصد به عنوان تشخیص دهنده توهم از غیر توهم در نظر گرفته شد. باتوجه به نتایج حاصل از شبیه سازی می توان گفت مدل Hallu-GAN^(++) رفتار متوهمی سیستم بینایی در بیماری روان گسیختگی و پارکینسون را توانسته بازنمایی کند. }