APPLICAZIONE DELL'ALGORITMO SINDy PER IDENTIFICARE MODELLI NEURONALI: modello di FitzHugh-Nagumo

Il cervello umano è costituito da circa 100 miliardi di neuroni. Il neurone è l’unità fondamentale del sistema nervoso ed è specializzato nella comunicazione intercellulare. Il neurone è la cellula eccitabile per eccellenza e comunica con le altre grazie alla generazione del potenziale d’azione. I modelli neuronali hanno l’obbiettivo di riprodurre la dinamica del potenziale del singolo neurone. In particolare il modello di FitzHugh-Nagumo è una semplificazione del modello di Hodgkin-Huxley. In questo lavoro di tesi viene usato l’algoritmo SINDy (Sparse Identification of Nonlinear Dynamics) al fine di risalire al modello che ha generato i dati, nel caso specifico il modello di FitzHugh-Nagumo. I risultati sono ottimi almeno per i dati provenienti da simulazioni deterministiche (in assenza di rumore). Meno precisi, sono i risultati che utilizzano dati derivati da simulazioni stocastiche. Da qui si evince come il rumore influenza il lavoro dell’algoritmo, soprattutto perché si utilizza anche la derivata seconda del potenziale, per adattare il più possibile le prove alla realtà. Questo lavoro di tesi rappresenta un punto di partenza per utilizzare l’algoritmo direttamente su dati realmente misurati. Tutto il lavoro di tesi è stato sviluppato in Python.