842
个编辑
更改
→动力学机制
| colspan="1" rowspan="1" |静息、混沌簇放电、紧张式发放、簇同步的规则化
| colspan="1" rowspan="1" |静息、混沌簇放电、紧张式发放、簇同步的规则化
|}
|}
== 历史溯源 ==
鲁尔科夫在 2001 年《物理评论快报》（''Physical Review Letters''）的工作中，用一个光滑的二维映射研究了耦合神经元间"同步化混沌簇放电的规则化"现象，即耦合如何使原本混沌的簇发放时刻趋于规整。2002 年，他又在《物理评论 E》提出一个分段（分段线性/不连续）的二维映射，专门用来更干净地再现单个锋电位以及"锋电位—簇放电"之间的不同状态。二者常被分别称为光滑（早期）鲁尔科夫映射与分段（后期）鲁尔科夫映射，使用时需加以区分。
== 模型概述 ==
== 模型概述 ==
与 HH、FHN 等连续时间模型不同，鲁尔科夫映射把时间离散为一步步的迭代。快变量 x_k 由一条关于自身的单峰（倒 U 型）非线性函数加上慢变量 y_k 决定，能够在一步之间产生类似锋电位的大幅跳变；慢变量 y_k 每一步只做极小的调整，像一个缓慢升降的"背景阈值"。当慢变量缓慢扫过敏感区间时，快变量在一段时间内密集发放、随后被抑制，形成一簇一簇的爆发（bursting）。这种"快映射 + 慢调制"的结构，以极简方式复现了真实神经元中由慢电流门控的簇放电节律。
与 HH、FHN 等连续时间模型不同，鲁尔科夫映射把时间离散为一步步的迭代。快变量 x_k 由一条关于自身的单峰（倒 U 型）非线性函数加上慢变量 y_k 决定，能够在一步之间产生类似锋电位的大幅跳变；慢变量 y_k 每一步只做极小的调整，像一个缓慢升降的"背景阈值"。当慢变量缓慢扫过敏感区间时，快变量在一段时间内密集发放、随后被抑制，形成一簇一簇的爆发（bursting）。这种"快映射 + 慢调制"的结构，以极简方式复现了真实神经元中由慢电流门控的簇放电节律。
早期的光滑鲁尔科夫模型用快变量 x_k 与缓慢演化的 y_k 表示为：
早期的光滑鲁尔科夫模型用快变量 x_k 与缓慢演化的 y_k 表示为：
== 动力学机制 ==
== 动力学机制 ==
<nowiki>随 $$\alpha_{\mathrm{R}$$ 由小增大，系统依次经历静息、簇放电与紧张式（连续/混沌）发放。以典型参数为例：$$\alpha_{\mathrm{R}}=1.$$ 时系统收敛到稳定不动点（静息）；$$\alpha_{\mathrm{R}}=4.$$ 时慢变量周期性扫过敏感区，快变量呈现一簇簇爆发；$$\alpha_{\mathrm{R}}=4.$$ 附近则转为密集、连续的快速振荡（紧张式/混沌发放）。下图上栏为簇放电时快、慢变量的配合，下三栏为三种典型模式。具体分岔边界随 $$\sigma_{\mathrm{R}$$、$$\beta_{\mathrm{R}$$ 取值而变化。</nowiki>
<nowiki>随 $$\alpha_{\mathrm{R}$$ 由小增大，系统依次经历静息、簇放电与紧张式（连续/混沌）发放。以典型参数为例：$$\alpha_{\mathrm{R}}=1.$$ 时系统收敛到稳定不动点（静息）；$$\alpha_{\mathrm{R}}=4.$$ 时慢变量周期性扫过敏感区，快变量呈现一簇簇爆发；$$\alpha_{\mathrm{R}}=4.$$ 附近则转为密集、连续的快速振荡（紧张式/混沌发放）。下图上栏为簇放电时快、慢变量的配合，下三栏为三种典型模式。具体分岔边界随 $$\sigma_{\mathrm{R}$$、$$\beta_{\mathrm{R}$$ 取值而变化。</nowiki>
[[文件:Rulkov1.png|无框|456x456像素]]
[[文件:Rulkov2.png|无框|457x457像素]]
== 神经科学意义与典型现象 ==
== 神经科学意义与典型现象 ==