Э-гомеостаз - анализ нового метода восстановления функций нервной системы с помощью внешней петли отрицательной обратной связи

Чем этот сайт не является?
Не применимо к используемому в настоящее время фармакологическому агенту.
Это не описание существующего в настоящее время медицинского устройства.
Это не публикация на тему известного в настоящее время метода лечения.
В таком случае, что это?
Это описание восстановления утраченного потока информации между областями человеческого тела, которые находятся в выбранных функциональных отношениях.
При определенных условиях можно разработать новые методы лечения рассеянного склероза (РС) и других заболеваний, при которых требуется восстановление функций нервной системы. Предлагаемый способ основан на использовании временной экстракорпоральной ветви, заменяющей поврежденную ткань, которая ранее правильно передавала стимулы. После гомеостатического восстановления физиологических функций этот внешний обход удаленный из системы. Здесь представлен алгоритм такого процесса.
Это техническое решение не может быть использовано на случаи, когда передача информации происходит только в объеме среды без использования линейной сети.
После краткого анализа стоит ознакомиться с созданной функциональной моделью, которая является самой большой частью публикации.

Jerzy Pikala

Сложные вопросы

Клетки центральной нервной системы поддерживают свою функциональную способность благодаря соответствующим гомеостатическим процессам.
У них нет регенеративных способностей после повреждения нейродегенеративными факторами.
Возможно, естественная гомеостатическая обработка на уровне центральной нервной системы и зависимых от нее объектов намеренно ограничена в этом отношении?
Для лечения таких заболеваний, как рассеянный склероз, остается нам только поведенческое лечение?
Какие отрицательные или положительные эффекты могут быть от внешнего манипулирования соответствующими гомеостатическими отношениями?
Может это создать генеративную систему, которая увеличивает прогрессирование текущего заболевания или начнется новая болезнь?
Может это создать стабилизирующую систему, которая остановит прогрессирование болезни или приведет к выздоровлению?
Представленная ниже априорная модель не способна ответить на такие вопросы. Это возможно только при апостериорном анализе внедрения нового лечебного метода.
Есть за что бороться. Мы ищем варианты лечения заболеваний неизлечимых в настоящее время.

Электронный гомеостаз в двух словах - от анализа до применения

Поведение соответствующих уровней многочисленных динамических параметров в природе обеспечивает отрицательную обратную связь. Это стабилизирующая система, в отличие от генератора, который представляет собой положительную обратную связь. Мы будем использовать упрощенные примеры. Человек сидит рядом с костром в морозной среде. Он может подойти к огню или отойти от него.
В случае отрицательной обратной связи - когда организм перегревается, человек отходит от источника тепла и стабилизирует температуру тела, а в случае ощущения холода человек приближается к источнику тепла и стабилизирует температуру тела.
В случае положительной обратной связи - когда организм перегревается, человек приближается к источнику тепла и получает ожог, а в случае ощущения холода человек отходит от источника тепла и замерзает.
Когда параметры не являются непрерывными, а являются дискретными переменными и не принимают экстремальных значений (например, температуры, которые можно регулировать в физиологическом диапазоне), нам часто помогает бихевиоральное событие без обратной связи. Когда костра и мороза нет, мы подвержены действию солнечного излучения или холодного ветра.
Когда наши тела перегреваются, мы ищем тень.
В случае ощущения холода мы подвергаем наши тела солнечному свету.
При применении одновременно с другими методами лечения бихевиоральные события повышают его эффективность.
Например, это может быть работа такого устройства, как диатермия.

В случае заболевания нервной системы наши возможности приспособиться к более благоприятным условиям посредством внешнего вмешательства сильно ограничены. Большой объем информации, передаваемой нейронной сетью, приводит к тому, что описание ее потока является исключительно сложной задачей. Часто мы имеем дело с отсутствием связи между правильно работающим интерпретатором и областью активации (назовем ее активатором), до которой стимулы не достигают через сеть.
Интерпретатор создает отношения между набором информации о нарушениях в физиологическом процессе и набором управляющих инструкций, которые восстанавливают правильность этого процесса.
Активатор создает функцию (в этой публикации, унарную - для простоты), соответствующий набор значений которой гарантирует стабилизацию в патологически угрожаемой области. Аргументы для этой функции должны надлежащим образом зависеть (создать набор ожидаемых значений) от инструкций интерпретатора, чтобы гарантировать правильность такого действия.
Стоит ознакомиться с предложенным решением проблемы, представленным далее.

Моделируемый физиологический процесс состоит из множества последовательных стабилизирующих процессов.
Это связано с тем, что внешние и внутренние факторы оказывают постоянное влияние на конкретную область организма.
Для каждого процесса принудительной (извне) стабилизации необходимы один или несколько циклов адаптации к новым условиям.
Их количество зависит от точности оценки диапазона допустимых ожидаемых значений выбранного физиологического параметра, который обеспечивает стабилизацию.

В качестве основной системы, представляющей фрагмент биологической нейронной сети между интерпретатором и активатором, мы будем использовать смоделированный замещающий нейрон - аналогично схеме замены, известной из электротехники.
Мы постараемся восполнить недостатки в его обработке с помощью параллельного внешнего э-нейрона.
Э-нейрон будет точной копией основного нейрона, однако значения на его входах будут отличаться из-за ошибок, допущенных при их расчете. Это будет объяснено через некоторое время, когда так называемая функция обработки интерпретации будет определена для нужд презентации.
Внешняя ветвь электронного гомеостаза будет представлять собой мост в обход одной из петель гомеостаза, скомпрометированных болезнью.

После нажатия кнопки Приложение, произойдет перенаправление на соображения, касающиеся одной из гипотетических возможностей использования предложенного решения.
Это предложение о новом методе восстановления функций нервной системы при лечении рассеянного склероза и других заболеваний.

Однако стоит ранее ознакомиться с важными реализациями в функциональной модели, описание которой представлено ниже.
Они касаются соблюдения условий при восстановлении данных от интерпретатора и возможности преобразования их в форму, подходящую для активатора.

Заменяющий нейрон

Смоделированный нейрон замены, представленный на рисунке ниже, обладает способностью к обучению.
В цикле своего обучения атомная единица - это эра k, символически представленная как e_k.
Значение отклика на выходе нейрона wy(e_k) равно сумме произведений значений весов, установленных интерпретатором для текущей эры wa_i(e_k), и соответствующих начальных значений (фиксированных в текущем процессе стабилизации) на входах we_i(e₀). Значение на выходе нейрона, созданное в течение эры, сравнимо с так называемым ожидаемым значением wo, которое в рассматриваемой модели остается выбранным для каждого цикла обучения из закрытого отсека между wp и wk, то есть (здесь для нужд презентации) от 0.9 до 1.1.

Ошибка, сделанная нейроном в ответ на установленные входные значения, представляет собой разницу между ожидаемым значением и значением на выходе: by(e_k)=wo−wy(e_k).
На его основе рассчитываются поправки на удельные веса: kw_i=(e_k)∗wu∗we_i(e₀). Так называемая скорость обучения wu является постоянной величиной и при дальнейших экзаменах она равна 0.9.
Значения новых весов для следующей эры составят: wa_i(e_k+1)=wa_i(e_k)+kw_i.
Процесс обучения нейрона прогрессирует до того момента, когда значение на его выходе будет равно (только теоретически - в нашей модели допустимый модуль разности не больше 0.01) ожидаемому значению, которое затем направляется активатору в качестве аргумента для функции активации. В то же время текущий цикл обучения, который является макроскопической единицей во времени всего процесса стабилизации, заканчивается.

Питание э-нейронных входов

Известно, что случайныйе сигналы интерпретаторов можно регистрировать. Например, импульсы генерируемые мозгом, уже были открыты Гансом Бергером в 1929 году.
Мы видим только результирующие векторы изменений напряжения, и очень трудно отделить (при исключительно ограниченных возможностях сегодня - спустя почти сто лет) точные формы сигнала конкретного интерпретатора. Кроме того, они очень часто подавляются окружающими тканями.

В рассматриваемой модели для простоты было принято, что измеренные значения определяются с помощью соответствующих функций подавления, раздельных для каждого входа главного нейрона: wt_i=ft_i(wa_i(e_k)∗we_i(e₀)).
Подавленные сигналы затем индивидуально усиливаются, и результат такого действия для конкретных входов символизирует функции усиления, приблизительно обратные для соответствующих им функций подавления: fw_i()≅ft_i()⁻¹. Их состав предоставляет практически рассчитанные значения сигналов, генерируемых интерпретатором.
Композиция обеих функций дает функции обработки интерпретации: fw_i(ft_i())=fp_i(wa_i(e_k)∗we_i(e₀)). Восстановленные приблизительные значения на выходах переводчика представлены на рисунке в красных полях. Они используются для питания входов внешнего э-нейрона.
Их относительные ошибки (генерируемые случайным образом для каждого процесса стабилизации), отличающиеся для каждого входа, содержатся в этой публикации в диапазоне от -50% до +50%.

Оценка ожидаемого значения

Функция активации ведет себя как электронный компаратор, что имеет большое значение для возможности использования электронного гомеостаза.
Корректная реакция на выходе активатора модели происходит, когда значение аргумента функции активации находится в закрытом отсеке (окне активации) с шириной s.
Его граничные значения объявляются произвольно для каждого процесса стабилизации.
Когда ожидаемое значение принадлежит этому диапазону, то выполняется условие, достаточное для достижения стабилизации.
Наличие по крайней мере одного общего значения из окна активации и диапазона между wp и wk является в этом случае необходимым условием.

Мы создадим важный параметр (помеченный нами символом m), который рассчитывается как верхний элемент деления разности wk−wp на значение s и увеличивается на 1, то есть m=1+⌈(wk−wp)/s⌉.
Он определяет достаточное количество испытаний для оценки ожидаемого значения для успеха процесса стабилизации.
Например, для wp=0.9 и wk=1.1 и s=0.03, m=8.
Это означает, что для этого случая будет достаточно выполнить максимум 8 учебных циклов, чтобы добиться стабилизации процесса.
При удачной оценке ожидаемого значения будет достаточно только одного учебного цикла; в худшем случае всех, необходимое количество учебных циклов будет равно m.

Достижение стабилизации

Стабилизация - это временное условие.
Переменные внешние и внутренние факторы оказывают постоянное влияние на стабилизированную зону. Физиологические параметры снова достигают значений, которые нуждаются коррекции.
Соответствующие рецепторы определяют новое значение, ожидаемое для Эры 0, начиная следующий процесс стабилизации.

Внешняя петля электронного гомеостаза удаляется после того, как главный нейрон взял на себя управление процессом.
Когда главный нейрон не берет на себя физиологических функций, внешняя петля остается в системе до тех пор, пока такие действия не будут восстановлены.

Для перехода к следующей части нажмите кнопку Эра 0, расположенную под картинкой.