Múltiplas escalas e a modelagem matemática e computacional em neurociência under Capricorn
|
|
- Vítor Mangueira Gonçalves
- 6 Há anos
- Visualizações:
Transcrição
1 Múltiplas escalas e a modelagem matemática e computacional em neurociência under Capricorn alm Laboratório Nacional de Computação Científica LNCC Petrópolis - RJ Inverse days under Capricorn UFSC, Florianópolis 01 e 02 de setembro de 2011
2 Conteúdo 1 Motivação 2 3 4
3 Conteúdo Motivação O cérebro humano Complexidade e Multiescala 1 Motivação O cérebro humano Complexidade e Multiescala 2 3 4
4 O cérebro humano O cérebro humano Complexidade e Multiescala Neurociência Matemática: busca compreender o sistema nervoso via modelagem matemática área multidisciplinar Homer Simpson
5 Complexidade O cérebro humano Complexidade e Multiescala Processamento Cerebral: sistema complexo: unidades simples (neurônios?) agindo em conjunto multiescala: eventos na microescala (no espaço/tempo) com efeitos na macroescala só importa o efeito global, macroscópico Cérebro Masculino
6 Exemplo de multiescala: leitura O cérebro humano Complexidade e Multiescala Descrição da Leitura microescala: lemos letras formando palavras, formando frases, etc. só o que importa é o efeito macroscópico, i.e., a mensagem memória fazendo upscaling Caso de alexia: The mind s eye (O. Sacks, 2010)
7 O cérebro humano Complexidade e Multiescala Outro exemplo de multiescala: Doença de Huntington George Huntington Doença neurodegenerativa sintomas: declínio de coordenação muscular, comportamental, cognitivo, etc causa: disfunção genética tratamento: minimizar sintomas ironia: conhece-se a causa (microescala), os efeitos nos neurônios (mezoescala), e no comportamento (macroescala), mas não se sabe como estes estão ligados
8 Escalas em Neurociência O cérebro humano Complexidade e Multiescala Nível Escala física (metros) Dinâmica Molecular Canais e sinapses Neurônios Redes de neurônios Sistemas cerebrais Cérebro e comportamento Baseado em De Schutter, 2000
9 Conteúdo Motivação Definição, objetivo e idéias principais 1 Motivação 2 Definição, objetivo e idéias principais 3 4
10 Definição, objetivo e idéias principais Definição de Problemas Multiescalas Definição (Física) Provêm de fenômenos físicos que ocorrem em diferentes escalas temporais e/ou espaciais Definição (Matemática) São problemas cujas soluções apresentam derivadas de magnitudes crescentes quando algum parâmetro vai a zero Definição (Computacional) São problemas que demandam capacidade computacional além do disponível.
11 Definição, objetivo e idéias principais Definição de Problemas Multiescalas Definição (Física) Provêm de fenômenos físicos que ocorrem em diferentes escalas temporais e/ou espaciais Definição (Matemática) São problemas cujas soluções apresentam derivadas de magnitudes crescentes quando algum parâmetro vai a zero Definição (Computacional) São problemas que demandam capacidade computacional além do disponível.
12 Definição, objetivo e idéias principais Definição de Problemas Multiescalas Definição (Física) Provêm de fenômenos físicos que ocorrem em diferentes escalas temporais e/ou espaciais Definição (Matemática) São problemas cujas soluções apresentam derivadas de magnitudes crescentes quando algum parâmetro vai a zero Definição (Computacional) São problemas que demandam capacidade computacional além do disponível.
13 Modelagem Multiescala Definição, objetivo e idéias principais Filosofia Incorporar informações da microescala sem acoplar todos os detalhes. Modelagens computacionais: clássica refinada (h ǫ): acoplamento de muitas informações, custo alto, aproximação boa clássica grosseira (h ǫ): acoplamento de poucas informações, custo baixo, aproximação ruim multiescala (h ǫ): muitas informações em paralelo, custo baixo, aproximação boa
14 Modelagem Multiescala Definição, objetivo e idéias principais Filosofia Incorporar informações da microescala sem acoplar todos os detalhes. Modelagens computacionais: clássica refinada (h ǫ): acoplamento de muitas informações, custo alto, aproximação boa clássica grosseira (h ǫ): acoplamento de poucas informações, custo baixo, aproximação ruim multiescala (h ǫ): muitas informações em paralelo, custo baixo, aproximação boa
15 Dados oscilatórios Definição, objetivo e idéias principais Considere: d ( a(x/ǫ) du ) dx dx (x) = 1 em (0, 1), u(0) = u(1) = 0, Gráficos de a( /ǫ) e uǫ, com (ǫ = 1/16):
16 Dados oscilatórios Definição, objetivo e idéias principais Solução por elementos finitos com h = 1/32 (e ǫ = 1/16): solucao exata solucao por elementos finitos Erro de aproximação (norma H 1 ) h/ǫ
17 Algumas Lições Definição, objetivo e idéias principais Problemas multiescalas são de difícil resolução. A modelagem multiescala busca aproximar o comportamento macroscópico da solução a custos razoáveis. Não se pode usar uma aproximação numérica qualquer. Métodos tradicionais com malhas grosseiras não funcionam.
18 Conteúdo Motivação 1 Motivação 2 3 4
19 Um neurônio matemático Não parece complicado:
20 Neurônios de verdade
21 Neurônios digitalizado: Modelagem Matemática: domínio dado por uma árvore em cada galho: sistema não linear de EDOs e EDPs acopladas problema multiescalas: modelagem fina de redes de neurônios
22 Como os neurônios funcionam Sinal neuronal: informação via disparos elétricos gradiente de concentração iônica gera diferença de potencial elétrico (Voltagem) Portões iônicos: permitem passagem de íons pela membrana abertos ou fechados dependendo da voltagem
23 Dinâmica do disparo Disparo: comportamento não-linear controlando aberturas e fechamentos de canais
24 Lula e seu axônio gigante
25 Modelo de Hodgkin Huxley c M V t = ǫ 2 V x 2 ḡ K n 4 (V E K ) ḡ Na m 3 h(v E Na ) ḡ L (V E L ) dn = α n (V)(1 n) β n (V)n dt dm = α m (V)(1 n) β m (V)m dt dh = α h (V)(1 n) β h (V)h dt Determinados experimentalmente: α n (V) = 0.001(V + 55)/{1 exp[ (V + 55)/10]}, β n (V) = exp[ (V + 65)/80],... Constantes: ǫ, c M, ḡ K, E K, ḡ Na, E Na, ḡ L, E L
26 Um modelo mais simples: Fitzhugh-Nagumo dv = V V 3 dt 3 w + I dw = ǫ(v w) dt para pequenas estímulos, a voltagem cresce para evitar explosões, subtraímos termo cúbico w: regula a recuperação do fluxo iônico
27 Um modelo mais simples: Fitzhugh-Nagumo dv = V V 3 dt 3 w + I dw = ǫ(v w) dt para pequenas estímulos, a voltagem cresce para evitar explosões, subtraímos termo cúbico w: regula a recuperação do fluxo iônico
28 Um modelo mais simples: Fitzhugh-Nagumo dv = V V 3 dt 3 w + I dw = ǫ(v w) dt para pequenas estímulos, a voltagem cresce para evitar explosões, subtraímos termo cúbico w: regula a recuperação do fluxo iônico
29 Modelo de Fitzhugh-Nagumo dv = V V 3 dt 3 w + I dw = ǫ(v w) dt Espaço de fase: bidimensional: espaço de fase mais fácil de analisar teoria matemática mais robusta análise qualitativa de sistemas dinâmicos: estabilidades, bifurcações concentra grande parte da neurociência matemática
30 Problema multiescala: dendritos com sinapses Seja a voltagem V solução de V τ M ǫ 2 V + (1 + G)V = f, t x 2 N i σ in = gl i δ N e xl i σ ex = gl e δ x e l l=1 l=1 G = σ in + σ ex, f = V i σ in + V e σ ex, onde τ M, ǫ, g i l, ge l, V i, V e são constantes, e x l denotam a posição das sinapses (deltas de Dirac).
31 Domínio espacial
32 Sinapses
33 Por que este problema é interessante? Problemas numéricos: métodos tradicionais não são robustos Custo computacional: considere uma árvore dendritica com enorme número de detalhes fisiológicos Análise numérica: analisar métodos numéricos inovadores em domínios estranhos
34 Métodos de elementos finitos multiescalas (MsFEM) Métodos de elementos finitos tradicionais projetam a solução exata num espaço de funções lineares por partes O MsFEM projeta a solução exata num espaço de soluções que capturam o comportamento local da EDP Problemas locais são resolvidos (em paralelo) e a informação da pequena escala é computada Ocorre uma homogeneização numérica, similar à homogeneização do problema contínuo A análise do método usa teoria da homogeneização e as propriedades de EDP para estimar o erro numérico
35 Multinível
36 Elementos Finitos Multiescalas (caso estacionário) Considere a energia: Então E(w) = ( ) dw 2 1 ǫ + Gw 2 dx fw dx. dx V = arg min w H 1 0 (0,1) E(w). Após discretização espacial, considere o espaço multiescala W ms h = {w H0 1 (0, 1) : w resolve (1) localmente (cada elemento)}, ǫ 2 w + Gw = 0. (1) x 2 A solução de elementos finitos multiescala é o minimizante V V ms h = arg min E(w h ) w h Wh ms 0
37 Funções de base multiescalas Casos de ǫ grande e pequeno, e três sinapses no domínio: basis functions basis functions x x funções multiescalas capturam as propriedades das EDPs é assim que o upscaling ocorre elementos finitos clássicos usam as lineares por partes.
38 Exemplo estacionário: baixa difusão iônica ǫ pequeno Seja dendritos finos ou longos, ou baixa condutância longitudinal dependência de V em ǫ: expansões assintóticas V(x) V 0 (x) + ǫv 1 (x) + ǫ 2 V 2 (x) +..., (2) onde V j são desconhecidos. Substitua (2) na EDP: ( ( ) V 0 +GV 0 +ǫ 2 V 0 x 2 +V 1+GV 1 )+ǫ 2 2 V 1 x 2 +V 2+GV 2 + = f. Considerando o termo ǫ = 0, V 0 + GV 0 = f
39 Multiplicando por uma função contínua φ: 1 0 Ne σ m V 0 φ dx + gl i V 0(xl i )φ(x l i ) + gl e V 0 (xl e )φ(xl e ) N i l=1 l=1 l=1 Ni in = V gl i φ(x l i ) + V ex N e l=1 g e l φ(x e l ). Considerando finalmente uma sequência de funções (φ n ): 0 if x / {x1 i,..., x i, x N i 1 e,..., x N e }, e V 0 (x) = V V ex if x {x1 i,..., x i }, N i if x {x1 e,..., x N e }. e Conclusões: V 0 em L 2, e V(x) V 0 (x) nas sinapses, se ǫ 0; camadas limites: V contínua, V 0 discontínua
40 Potencial da Membrana (mv) x
41 Comentários: Solução exata próxima de zero exceto em torno das sinapses Elementos finitos clássicos fornecem resultado errado O elemento finito multiescala é nodalmente exato Necessários muitos pontos para se obter soluções razoáveis com método clássico (129 pontos para 10% de erro nos nós)
42 Exemplo estacionário: grande quantidade de sinapses Seja N i = N e, α = 1/(2N i ) 1, e a formulação de energia mínima V = arg min w H 1 0 (0,1) [ J(w) + α 1 I α (w) ], onde I α (V) = α 2 N i l=1 J(V) = g i l V 2 (x i l ) + α 2 ( ) dv 2 ǫσ m + σ m V 2 dx, dx N e l=1 Advinhe: o que acontece se α 0? g e l V 2 (x e l ) Ni in αv gl i V(x l i ex ) αv gl e V(xl e ). l=1 N e l=1
43 Exemplo estacionário: grande quantidade de sinapses Seja N i = N e, α = 1/(2N i ) 1, e a formulação de energia mínima V = arg min w H 1 0 (0,1) [ J(w) + α 1 I α (w) ], onde I α (V) = α 2 N i l=1 J(V) = g i l V 2 (x i l ) + α 2 ( ) dv 2 ǫσ m + σ m V 2 dx, dx N e l=1 Advinhe: o que acontece se α 0? g e l V 2 (x e l ) Ni in αv gl i V(x l i ex ) αv gl e V(xl e ). l=1 N e l=1
44 As α 0, I α dominates the total energy. Thus lim α 0 V = W 0, where W 0 = arg min lim α 0 I α. For constant g i l and g e l W 0 = V in g i l + V ex g e l g i l + g e l. Numerical test 350 inhibitory and excitatory synapses, g i l = , g e l = 10 2, V in = 10, and V ex = 65 In this case, W 0 = 5
45 7 6 5 Membrane Potential(mV) x
46 Exemplo estacionário: domínio em Y Membrane Potential (mv) Main Cable x Membrane Potential (mv) Membrane Potential (mv) First Branch x Second Branch x
47 Exemplo transiente 70 t =10 70 t = Membrane Potential (mv) Membrane Potential (mv) x x
48 Exemplo transiente: custo computacional 10 2 Computing time (s) Error in the maximum norm
49 Conteúdo 1 Motivação 2 3 4
50 Fantástico: neurociência matemática funciona! Desafio: múltiplas escalas temporais e espaciais escales Futuro: aumentar o tamanho das redes de neurônios e incluir aspectos da fisiologia Avanços devido a melhores computadores e melhor modelagem matemática
51 Fantástico: neurociência matemática funciona! Desafio: múltiplas escalas temporais e espaciais escales Futuro: aumentar o tamanho das redes de neurônios e incluir aspectos da fisiologia Avanços devido a melhores computadores e melhor modelagem matemática
52 Fantástico: neurociência matemática funciona! Desafio: múltiplas escalas temporais e espaciais escales Futuro: aumentar o tamanho das redes de neurônios e incluir aspectos da fisiologia Avanços devido a melhores computadores e melhor modelagem matemática
53 Fantástico: neurociência matemática funciona! Desafio: múltiplas escalas temporais e espaciais escales Futuro: aumentar o tamanho das redes de neurônios e incluir aspectos da fisiologia Avanços devido a melhores computadores e melhor modelagem matemática
54 Ferramentas matemáticas em multiescala: análise assintótica (homogeneização, expansões matching e multiescalas, perturbações singulares, redução de dimensão) junto com argumentos neurocientíficos Métodos tradicionais não são suficientes. Técnicas numéricas modernas acopladas com boa matemática, e com conhecimentos multidisciplinares, são a saída. Esta é uma ativa e promissora área de pesquisa, com vários aspectos matemáticos e de aplicações a serem investigados.
55 Ferramentas matemáticas em multiescala: análise assintótica (homogeneização, expansões matching e multiescalas, perturbações singulares, redução de dimensão) junto com argumentos neurocientíficos Métodos tradicionais não são suficientes. Técnicas numéricas modernas acopladas com boa matemática, e com conhecimentos multidisciplinares, são a saída. Esta é uma ativa e promissora área de pesquisa, com vários aspectos matemáticos e de aplicações a serem investigados.
56 Ferramentas matemáticas em multiescala: análise assintótica (homogeneização, expansões matching e multiescalas, perturbações singulares, redução de dimensão) junto com argumentos neurocientíficos Métodos tradicionais não são suficientes. Técnicas numéricas modernas acopladas com boa matemática, e com conhecimentos multidisciplinares, são a saída. Esta é uma ativa e promissora área de pesquisa, com vários aspectos matemáticos e de aplicações a serem investigados.
57 Bibliografia Bibliografia Bibliografia I Gerstner, Kistler, Spiking Neuron Models, Cambridge (2006) psy.jhu.edu course1.winona.edu mbklab/index.html
58 Bibliografia Bibliografia E os problemas inversos?
59 Bibliografia Bibliografia FIM Obrigado!
Modelagem matemática e computacional de neurônios
Modelagem matemática e computacional de neurônios www.lncc.br/ alm Laboratório Nacional de Computação Científica LNCC Petrópolis - RJ Jornada em Neuropsiquiatria Computacional LNCC 02 e 03 de fevereiro
Leia maisModelagem matemática e computacional em neurociência
Modelagem matemática e computacional em neurociência Alexandre L. Madureira www.lncc.br/ alm Laboratório Nacional de Computação Científica LNCC Petrópolis - RJ VII Bienal da SBM - 2014 Conteúdo Motivação
Leia maisAnálise e Métodos Numéricos em EDPs com Múltiplas Escalas
Análise e Métodos Numéricos em EDPs com Múltiplas Escalas Parte III: Métodos Numéricos para EDPs com Coeficientes oscilatórios Alexandre L. Madureira www.lncc.br/ alm Laboratório Nacional de Computação
Leia maisDesenvolveram a Equação para a propagação do impulso nervoso e suas generalizações para outros tecidos.
Desenvolveram a Equação para a propagação do impulso nervoso e suas generalizações para outros tecidos. Um modelo de equações diferenciais originalmente proposto para a propagação de sinais elétricos no
Leia maisAs aulas anteriores trataram do modelo de Hodgkin-Huxley e do formalismo de Hodgkin- Huxley para modelar neurônios.
Modelos de neurônios do tipo integra-e-dispara Introdução As aulas anteriores trataram do modelo de Hodgkin-Huxley e do formalismo de Hodgkin- Huxley para modelar neurônios. Como a estratégia de Hodgkin
Leia maisAnálise e Métodos Numéricos em EDPs com Múltiplas Escalas
Análise e Métodos Numéricos em EDPs com Múltiplas Escalas Parte I: Modelagem de placas o encontro entre o contínuo e o discreto Alexandre L. Madureira www.lncc.br/ alm Laboratório Nacional de Computação
Leia maisDinâmica das Células Excitáveis
Faculdade de Ciências e Tecnologia Universidade de Coimbra Eng. Biomédica Dinâmica das Células Excitáveis Modelos dos Processos Fisiológicos no Homem Junho 2005 1 Realizado por: Carla S. Silva Pereira
Leia maisQuarta Lista de Exercícios (data de entrega: 11/05/2018)
Quarta Lista de Exercícios (data de entrega: 11/05/018) 1. A partir da análise do modelo de Hodgkin-Huxley no plano de fase rápido-lento (veja a aula 1), FitzHugh propôs um modelo bi-dimensional muito
Leia maisIntrodução à Neurociência Computacional
Introdução à Neurociência Computacional Antonio C. Roque USP, Ribeirão Preto, SP Aula 3 A base iônica do potencial de ação Qual o mecanismo responsável pela geração de um potencial de ação? O mecanismo
Leia maisIntrodução à Neurociência Computacional (Graduação) Prof. Antônio Roque Aula 6
Variações do modelo integra-e-dispara Nesta aula vamos apresentar algumas variações do modelo LIF visto na aula passada. Modelo integra-e-dispara com adaptação Estudos in vitro mostram que muitos tipos
Leia mais4 Canais Iônicos Estocásticos
4 Canais Iônicos Estocásticos 4.1 Processos Estocásticos e o Modelo de Hodgkin e Huxley O modelo de Hodgkin e Huxley clássico, macroscópico, tem como fundamento a variação dos valores das condutâncias
Leia maisPrático de Modelagem Computacional em Neurociência. Dia 25 de Julho. Redes
Prático de Modelagem 1o Curso Computacional em Neurociência Dia 25 de Julho Redes Rodrigo FO Pena Doutorando Por que redes? Neurociência: ciência complexa ~86 bilhões de neurônios Trilhões de sinapses
Leia maisModelo de Hodgkin-Huxley resolvido pelo método de Runge-Kutta
Modelo de Hodgkin-Huxley resolvido pelo método de Runge-Kutta Hodgkin-Huxley model solved by Runge-Kutta method ISSN 2316-9664 Volume 11, dez. 2017 Edição Iniciação Científica Anderson Ferreira Sepulveda
Leia maisSetor de Tecnologia - TC Engenharia Ambiental Prova Final. Matemática Aplicada II
Universidade Federal do Paraná Matemática Aplicada II Setor de Tecnologia - TC Engenharia Ambiental 2015-1 Curitiba, 10.07.2015 Prova Final Matemática Aplicada II Tobias Bleninger Departamento de Engenharia
Leia maisTerceiro Projeto Computacional (data de entrega: 02/05/18)
Terceiro Projeto Computacional (data de entrega: 0/05/18) 1. Nesta questão, você deverá aproveitar o código escrito no Projeto Computacional em que implementou a solução numérica do modelo de Hodgkin-Huxley.
Leia maisPotencial de Repouso e Potencial de Ação. Profa. Dra. Eliane Comoli Depto de Fisiologia da FMRP-USP
Potencial de Repouso e Potencial de Ação Profa. Dra. Eliane Comoli Depto de Fisiologia da FMRP-USP ROTEIRO: POTENCIAL DE REPOUSO E POTENCIAL DE AÇÃO 1. Potencial de Membrana de Repouso Papel da bomba de
Leia maisDefinição analítica para o Limiar de Potencial e para os Períodos Refratários Absoluto e Relativo do modelo de Hodgkin-Huxley.
Definição analítica para o Limiar de Potencial e para os Períodos Refratários Absoluto e Relativo do modelo de Hodgkin-Huxley. Peterson Taylor C. Barbosa, Depto. de Matemática Aplicada, IMECC, UNICAMP,
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisPOTENCIAIS DE MEMBRANA: POTENCIAL DE REPOUSO E POTENCIAL DE AÇÃO. MARIANA SILVEIRA
POTENCIAIS DE MEMBRANA: POTENCIAL DE REPOUSO E POTENCIAL DE AÇÃO. MARIANA SILVEIRA COLETA, DISTRIBUIÇÃO E INTEGRAÇÃO DE INFORMAÇÃO Para o cérebro Medula espinhal Corpo celular do neurônio motor Corpo celular
Leia mais3 Canais Iônicos Clássicos
3 Canais Iônicos Clássicos São proteínas que agem como um poro na membrana celular e permitem a passagem seletiva de íons (como íons de Potássio, os íons de Sódio e íons de Cálcio), por meio do qual passa
Leia maisASPECTOS MATEMÁTICOS DAS EQUAÇÕES
ASPECTOS MATEMÁTICOS DAS EQUAÇÕES Classificações: Ordem: definida pela derivada de maior ordem Dimensão: em função de x, y e z (Ex. 1D, D ou 3D) Tipos de fenômenos 1. Transiente; e. Estacionário, ou permanente.
Leia maisAnálise Numérica para Um Problema de Difusão Termoelástica em Domínios Não-Cilíndricos
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Análise Numérica para Um Problema de Difusão Termoelástica
Leia maisMÉTODO DE ELEMENTOS FINITOS (MEF) -UMA INTRODUÇÃO-
MÉTODO DE ELEMENTOS FINITOS (MEF) -UMA INTRODUÇÃO- Curso de Transferência de Calor 1 - FEN03-5190 Prof. Gustavo R. Anjos gustavo.anjos@uerj.br 17 e 23 de junho de 2015 EXEMPLOS - VÍDEOS Escoamento de fluido
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisEulerian-Lagrangian Simulation of a Turbulent Evaporating Spray
Eulerian-Lagrangian Simulation of a Turbulent Evaporating Spray Rodrigo B. Piccinini e-mail: rbpiccinini@gmail.com Apresentação de Tese de Mestrado Instituto Tecnológico de Aeronáutica Programa de Engenharia
Leia maisRedes Neurais. Conexionismo. Redes Neurais, IA e IC. Abordagem Simbólica. Apresentação da disciplina Inteligência Computacional e conexionismo
Redes Neurais, IA e IC Redes Neurais Apresentação da disciplina Inteligência Computacional e conexionismo No âmbito da Ciência da Computação, as Redes Neurais são estudadas na grande área de Inteligência
Leia maisExcitabilidade elétrica
Excitabilidade elétrica O que é uma célula excitável? É uma célula que altera ativamente o potencial da membrana em resposta a algum estímulo (elétrico, físico ou químico). Exemplos: Neurônios e células
Leia maisAula de Processamento de Sinais I.B De Paula. Tipos de sinal:
Tipos de sinal: Tipos de sinal: Determinístico:Sinais determinísticos são aqueles que podem ser perfeitamente reproduzidos caso sejam aplicadas as mesmas condições utilizadas sua geração. Periódico Transiente
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia maisCapa do programa da cerimônia de entrega do Prêmio Nobel de Medicina e Fisiologia de 1963.
Os mecanismos iônicos responsáveis pela geração de um potencial de ação foram elucidados pelos trabalhos de Hodgkin e Huxley com o axônio gigante de lula na primeira metade do Século XX. Capa do programa
Leia maisPREVISÃO DO TEMPO/CLIMA COMO UM PROBLEMA MATEMÁTICO E PRINCÍPIOS FÍSICOS
PREVISÃO DO TEMPO/CLIMA COMO UM PROBLEMA MATEMÁTICO E PRINCÍPIOS FÍSICOS Importância atual da previsão do tempo e da previsão climática Um sonho desde... que dura até hoje A previsão numérica do tempo
Leia maisMétodo de Diferenças Finitas
Método de Diferenças Finitas Câmpus Francisco Beltrão Disciplina: Professor: Jonas Joacir Radtke Aplicações Quase todos os problemas em ciências físicas e engenharia podem ser reduzidos a uma equação diferencial.
Leia maisRoteiro MetaNeuron. Problemas sobre bioeletrogênese
Roteiro MetaNeuron Vá em http://www.metaneuron.org/ e baixe o software MetaNeuron. Baixe também o manual do programa. Potencial de membrana (Lesson 1). Problemas sobre bioeletrogênese Essa lição simula
Leia maisObservações e modelos O trabalho de Hodgkin e Huxley como exemplo
LNCC LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA PIBIC Programa Integrado de Bolsas de Iniciação Científica Observações e modelos O trabalho de Hodgkin e Huxley como exemplo Relatório de pesquisa e desenvolvimento
Leia maisModelagem Multiescala em Materiais e Estruturas
Modelagem Multiescala em Materiais e Estruturas Parte II: Homogeneização e aproximação de equações elíticas (1 D) Alexandre L. Madureira Laboratório Nacional de Computação Científica (LNCC) Minicurso no
Leia mais2º Curso Prático de Modelagem Computacional em Neurociência. Neurossimuladores. Renan O. Shimoura Doutorando
2º Curso Prático de Modelagem Computacional em Neurociência Neurossimuladores Renan O. Shimoura Doutorando O que são? Linguagens computacionais ou pacotes para uma linguagem já existente desenvolvidos
Leia maisExcitabilidade elétrica
Excitabilidade elétrica O que é uma célula excitável? É uma célula que altera ativamente o potencial da membrana em resposta a algum estímulo (elétrico, físico ou químico). Exemplos: Neurônios e células
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisFigura 4.1: Distribuição da malha e nomenclatura dos pontos.
4 Método Numérico O estudo numérico da influência do regime turbulento no fenômeno da deposição foi realizado através da solução das equações de conservação apresentadas no Capítulo 3. Um módulo referente
Leia mais1-Introdução ao Cálculo Numérico
1-Introdução ao Cálculo Numérico Laura Goulart UESB 14 de Novembro de 2018 Laura Goulart (UESB) 1-Introdução ao Cálculo Numérico 14 de Novembro de 2018 1 / 9 1.1-Fases na resolução de um problema 1 Denição
Leia maisComputação Evolutiva e Cognitiva Simulação de Vida Artificial e Cognição
Computação Evolutiva e Cognitiva Simulação de Vida Artificial e Cognição PROVA DIDÁTICA Tema 01 Neurônios ESCOLA POLITÉCNICA DA USP Engenharia de Sistemas Eletrônicos Especialidade 1 PROVA DIDÁTICA Tema
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisO POTENCIAL DE AÇÃO 21/03/2017. Por serem muito evidentes nos neurônios, os potenciais de ação são também denominados IMPULSOS NERVOSOS.
O POTENCIAL DE AÇÃO 1 2 0 amplitude duração tempo 0 repouso 1 2 Por serem muito evidentes nos neurônios, os potenciais de ação são também denominados IMPULSOS NERVOSOS. O potencial de ação é causado pela
Leia maisModelos integra-e-dispara não-lineares com duas variáveis
Modelos integra-e-dispara não-lineares com duas variáveis Assim como no caso do modelo LIF, os modelos integra-e-dispara não-lineares podem ser estendidos para reproduzir o fenômeno de adaptação nos disparos
Leia maisCAOS EM REDES NEURAIS BIOLÓGICAS (parte 1) Reynaldo Daniel Pinto Laboratório de Fenômenos Não-Lineares Depto. Física Geral IFUSP
CAOS EM REDES NEURAIS BIOLÓGICAS (parte 1) Reynaldo Daniel Pinto Laboratório de Fenômenos Não-Lineares Depto. Física Geral IFUSP No princípio era o CAOS... Papiro cirúrgico do Egito antigo (3000-1700 AC)
Leia maisPotencial de Membrana.
1 de 5 06/06/2007 08:28 Potencial de Membrana. O potencial de Nernst: Como é possível separar cargas através da membrana para se ter uma diferença potencial? Vamos ver um exemplo. Vamos assumir que temos
Leia maisUma breve introdução ao Curso de Computação Científica / Algoritmos Numéricos II
Uma breve introdução ao Curso de Computação Científica / Algoritmos Numéricos II Lucia Catabriga luciac@inf.ufes.br March 28, 2017 Lucia Catabriga (UFES) ANII e CC DI/PPGI/PPGEM March 28, 2017 1 / 27 Contextualizando
Leia mais1º Curso Prático de Modelagem Computacional em Neurociência. Neurossimuladores. Renan O. Shimoura Doutorando
1º Curso Prático de Modelagem Computacional em Neurociência Neurossimuladores Renan O. Shimoura Doutorando O que são? Linguagens computacionais ou pacotes para uma linguagem já existente desenvolvidos
Leia maisProcessamento de Sinais e Inteligência Computacional. Prof. Emilio del Moral Hernandez
Processamento de Sinais e Inteligência Computacional Prof. Emilio del Moral Hernandez SIIAM Um Projeto Interdisciplinar Demonstradores de Sistemas Aplicáveis nas áreas ambiental e biomédica / análise multissensorial:
Leia mais6 MÉTODO DE ELEMENTOS FINITOS - MEF
6 MÉTODO DE ELEMENTOS FINITOS - MEF O Método de Elementos Finitos é uma técnica de discretização de um problema descrito na Formulação Fraca, na qual o domínio é aproximado por um conjunto de subdomínios
Leia maisSistema Nervoso e Potencial de ação
Sistema Nervoso e Potencial de ação ELYZABETH DA CRUZ CARDOSO. PROFA TITULAR DA UNIVERSIDADE FEDERAL FLUMINENSE - UFF INSTITUTO DE SAÚDE DE NOVA FRIBURGO. DISCIPLINAS DE FISIOLOGIA HUMANA CURSOS DE ODONTOLOGIA
Leia maisModelagem Computacional. Aula 5 2
Mestrado em Modelagem e Otimização - RC/UFG Modelagem Computacional Aula 5 2 Prof. Thiago Alves de Queiroz 2 [Cap. 5] BURDEN, R. L.; FAIRES, J. D. Numerical Analysis (9th ed). Cengage Learning, 2010. Thiago
Leia maisModelos de neurônios baseados na taxa de disparos
Modelos de neurônios baseados na taxa de disparos Devido à complexidade dos chamados modelos realistas de neurônios e redes neurais, baseados no formalismo de Hodgkin-Huxley, muitos autores preferem usar
Leia maisUm breve estudo sobre Dinâmica dos Fluidos Computacional
Um breve estudo sobre Dinâmica dos Fluidos Computacional Lucia Catabriga luciac@inf.ufes.br March 9, 2016 Lucia Catabriga (UFES) ANII e CC DI/PPGI/PPGEM March 9, 2016 1 / 17 Aspectos Gerais - Definição
Leia maisc= εa/d C m = ε/d Q = CV
http://www.icb.ufmg.br/biq/neuronet/grupoa/.html 1 de 8 06/06/2007 08:36 Balanço eletroquímico em bicamadas Introdução: Os axônios são responsáveis pela transmissão de informação entre diferentes pontos
Leia maisFísica de Plasmas Introdução. Carlos Alexandre Wuensche Processos Radiativos I
Física de Plasmas Introdução Carlos Alexandre Wuensche Processos Radiativos I 1 1 Introdução Onde Podemos Encontrar Plasmas? No Planeta Terra: Ionosfera e Laboratórios de Pesquisa em Fusão Nuclear; Nas
Leia maisIntrodução à Neurociência Computacional
Introdução à Neurociência Computacional Antonio C. Roque USP, Ribeirão Preto, SP Aula 2 Potenciais de membrana e de ação Membrana neuronal Membrana neuronal: fina membrana (60-70 Å de espessura) que recobre
Leia maisSUMÁRIO PARTE 1 MODELAGEM, COMPUTADORES E ANÁLISE DE ERROS 3. PT1.1 Motivação... 3 Pt1.2 Fundamentos Matemáticos... 5 Pt1.3 Orientação...
PARTE 1 MODELAGEM, COMPUTADORES E ANÁLISE DE ERROS 3 PT1.1 Motivação... 3 Pt1.2 Fundamentos Matemáticos... 5 Pt1.3 Orientação... 7 CAPÍTULO 1 Modelagem matemática e resolução de problemas de engenharia...10
Leia maisModelagem da influência da nicotina no foco de atenção
Trabalho apresentado no III CMAC - SE, Vitória-ES, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Modelagem da influência da nicotina no foco de atenção Karine
Leia maisMEC204 Dinâmica de Fluidos Computacional. Prof. Juan Avila
MEC204 Dinâmica de Fluidos Computacional Prof. Juan Avila http://professor.ufabc.edu.br/~juan.avila Bibliografia Versteeg, H.K. and Malalasekera, An Introduction to Computacional Fluid Dynamics: The Finite
Leia maisHHSim Dr. Walter F. de Azevedo Jr. Prof. Dr. Walter F. de Azevedo Jr.
HHSim 2018 Dr. Walter F. de Azevedo Jr. Prof. Dr. Walter F. de Azevedo Jr. 1 O modelo de Hodgkin-Huxley foi proposto em 1952 para modelar o potencial de ação do axônio de sépia. Os dados sobre a corrente
Leia mais13/08/2016. Movimento. 1. Receptores sensoriais 2. Engrama motor
Movimento 1. Receptores sensoriais 2. Engrama motor 1 Movimento Componentes Celulares e Funcionamento do Sistema Nervoso 2 O Sistema nervoso desempenha importantes funções, como controlar funções orgânicas
Leia maisRedes Neurais INTELIGÊNCIA ARTIFICIAL
Redes Neurais INTELIGÊNCIA ARTIFICIAL 1 2 Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos cerca. Durante anos e anos os homens trabalharam para fazer computadores
Leia maisPRINCÍPIOS DE NEUROCOMPUTAÇÃO
PRINCÍPIOS DE NEUROCOMPUTAÇÃO Neurocomputação Funcionamento do cérebro humano e os neurônios Formação das conexões e como se concebe teoricamente a aquisição do conhecimento, formalizando-os em procedimentos
Leia maisVERIFICAÇÃO DAS EQUAÇÕES DE NAVIER-STOKES UTILIZANDO FORMULAÇÃO TOTALMENTE IMPLÍCITA EM MALHA ADAPTATIVA BLOCO-ESTRUTURADA
Faculdade de Engenharia Mecânica Universidade Federal de Uberlândia 1 e 2 de Dezembro, Uberlândia, Minas Gerais, Brasil VERIFICAÇÃO DAS EQUAÇÕES DE NAVIER-STOKES UTILIZANDO FORMULAÇÃO TOTALMENTE IMPLÍCITA
Leia maisIntrodução aos Métodos Numéricos
Métodos Numéricos para Mecânica dos Fluidos Introdução aos Métodos Numéricos Introdução aos Métodos Numéricos Bibliografia: J. H. Ferziger and M. Peric, 'Computational Methods for Fluid Dynamics', Springer
Leia maisSIMULAÇÃO DE UM ESCOAMENTO BIFÁSICO ÓLEO- ÁGUA EM RESERVATÓRIO DE PETRÓLEO
SIMULAÇÃO DE UM ESCOAMENTO BIFÁSICO ÓLEO- ÁGUA EM RESERVATÓRIO DE PETRÓLEO T. B. FORTUNATO 1, J. C. S. DUTRA 2 e W. B. da SILVA 3 LAMCES Laboratório de Métodos Computacionais, Controle e Estimação Universidade
Leia maisEletroencefalograma no controlo de sistemas biónicos
Eletroencefalograma no controlo de sistemas biónicos Trabalho realizado no âmbito da cadeira Introdução à Eletrónica Médica Por: Inês Barradas, 36146, Bioengenharia Introdução-O que é o eletroencefalograma?
Leia mais4 Formulação Numérica
4 Formulação Numérica As simulações numéricas oram realizadas no sotware FLUENT, versão 6.3.26, a partir de geometria/ malha criadas no sotware GAMBIT, versão 2.2.30. O FLUENT é um sotware comercial capaz
Leia maisSIMULAÇÃO DA ATIVIDADE ELETROFISIOLÓGICA DE NEURÔNIOS
1 SIMULAÇÃO DA ATIVIDADE ELETROFISIOLÓGICA DE NEURÔNIOS O Programa AXOVACS [baseado no modelo proposto por Hodgkin e Huxley (1952) (J.Physiol. 117, 500)], que permite simular a atividade eletrofisiológica
Leia maisCURSO DE EXTENSÃO. Neurofisiologia. Profa. Ana Lucia Cecconello
CURSO DE EXTENSÃO Neurofisiologia Profa. Ana Lucia Cecconello Transmissão Sináptica Informação sensorial (dor) é codificada Comportamento: erguer o pé Neurônio pré-sináptico Neurônio pós-sináptico sinapse
Leia maisFAIXA DINÂMICA EM REDES NEURONAIS MODELADAS POR AUTÔMATOS CELULARES
Universidade Estadual de Ponta Grossa Programa de Pós-Graduação em Ciências Área de concentração - Física FAIXA DINÂMICA EM REDES NEURONAIS MODELADAS POR AUTÔMATOS CELULARES FERNANDO DA SILVA BORGES PONTA
Leia maisx exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Leia maisDAFIS/DAQBI - PPGFCET. Sistemas Complexos. [ M.S. Freitas / UTFPR ] Prof. Mário Sérgio Freitas, Dr. - UTFPR/DAFIS.
DAFIS/DAQBI - PPGFCET Sistemas Complexos Prof. Mário Sérgio Freitas, Dr. - UTFPR/DAFIS msergio58@gmail.com [ M.S. Freitas / UTFPR ] Ementa 0 INTRODUÇÃO 1 REDES BOOLEANAS E AUTÔMATOS CELULARES 2 AUTOSSIMILARIDADE
Leia mais3 SPH. 3.1 Introdução
3 SPH 3.1 Introdução Smoothed Particle Hydrodynamics (SPH) é um método puramente Lagrangiano desenvolvido por Lucy (1977) e Gingold (1977) em um estudo do campo da astrofísica voltado para colisão entre
Leia maisSetor de Tecnologia - TC Engenharia Ambiental Avaliação 2. Matemática Aplicada II
Universidade Federal do Paraná Matemática Aplicada II Setor de Tecnologia - TC Engenharia Ambiental 214-1 Curitiba, 6.6.214 Avaliação 2 Matemática Aplicada II Tobias Bleninger Departamento de Engenharia
Leia maisO neurônio. Alguns íons podem utilizar esses poros para passar através da membrana (para dentro ou para fora da célula).
O neurônio O objetivo desta aula é fazer uma rápida revisão sobre as propriedades essenciais dos neurônios, utilizados como inspiração para os modelos de unidades das redes neurais artificiais. Ela servirá
Leia maisIntrodução ao Curso de Algoritmos Numéricos II /
Introdução ao Curso de Algoritmos Numéricos II / Computação Científica Andrea M. P. Valli, Lucia Catabriga avalli@inf.ufes.br, luciac@inf.ufes.br March 19, 2018 Andrea M. P. Valli, Lucia Catabriga (UFES)
Leia maisSetor de Tecnologia - TC Engenharia Ambiental Prova Final. Matemática Aplicada II
Universidade Federal do Paraná Matemática Aplicada II Setor de Tecnologia - TC Engenharia Ambiental 2014-1 Curitiba, 14.07.2014 Prova Final Matemática Aplicada II Tobias Bleninger Departamento de Engenharia
Leia maisGil de Oliveira Neto
Gil de Oliveira Neto 1. Motivações; 2. Relatividade Geral Quântica; 3. Cosmologia Quântica; 4. Um Modelo para o Início do Universo; 5. Conclusões. 1. Relatividade Geral Clássica; 2. Cosmologia Moderna;
Leia maisEMERGÊNCIA DE SINCRONICIDADE EM GRUPOS DE NEURÔNIOS PULSANTES ACOPLADOS
EMERGÊNCIA DE SINCRONICIDADE EM GRUPOS DE NEURÔNIOS PULSANTES ACOPLADOS Geraldo Magela Couto Oliveira - magela@lsi.cefetmg.br Henrique Elias Borges - henrique@lsi.cefetmg.br Centro Federal de Educação
Leia maisEscoamento em Regime Turbulento
http://www.youtube.com/watch?v=xoll2kediog&feature=related http://br.youtube.com/watch?v=7kkftgx2any http://br.youtube.com/watch?v=vqhxihpvcvu 1. Flutuações caóticas com grandes gamas de frequência
Leia maisIntrodução. SPH p.2/20. Lucy e Gingold & Monaghan, 1977.
SPH p.1/20 Introdução SPH p.2/20 Lucy e Gingold & Monaghan, 1977. Introdução SPH p.2/20 Lucy e Gingold & Monaghan, 1977. Formulado inicialmente para resolver problemas em astrofísica como formação de galáxias.
Leia maisMétodos Numéricos em Equações Diferenciais Aula 01 - Problema de Valor Inicial
Métodos Numéricos em Equações Diferenciais Aula 01 - Problema de Valor Inicial Profa. Vanessa Rolnik curso: Matemática Aplicada a Negócios Modelagem Exemplo: Determinação do valor de revenda de uma máquina
Leia maisUNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM FÍSICA REGIMES DE ATIVIDADE E SINCRONIZAÇÃO EM NEURÔNIOS DE RULKOV
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM FÍSICA REGIMES DE ATIVIDADE E SINCRONIZAÇÃO EM NEURÔNIOS DE RULKOV Everton João Agnes Dissertação elaborada sob orientação do Professor
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 6 Resolução Numérica de Equações Diferenciais Ordinárias Objetivo: Resolver Equações Diferenciais Ordinárias utilizando métodos
Leia maisFundamentos IV. Introdução a análise de erros. Gustavo Vinhal. August 12, Escola de Ciências Exatas e Computação
Fundamentos IV Introdução a análise de erros Gustavo Vinhal Escola de Ciências Exatas e Computação August 12, 2016 Como aparecem os erros na matemática? Objetivos da ciência Entender, modelar e simular
Leia maisMODELOS MATEMÁTICOS E SIMULAÇÕES COMPUTACIONAIS DE FENÔMENOS BIOLÓGICOS
MODELOS MATEMÁTICOS E SIMULAÇÕES COMPUTACIONAIS DE FENÔMENOS BIOLÓGICOS Prof. Dr. Robson Rodrigues da Silva robson.silva@umc.br Mogi das Cruzes Março de 2017 TÉCNICAS DE MODELAGEM 1. REGRESSÃO OU AJUSTE
Leia maisPOTENCIAL DE MEMBRANA E POTENCIAL DE AÇÃO
POTENCIAL DE MEMBRANA E POTENCIAL DE AÇÃO AULA 3 DISCIPLINA: FISIOLOGIA I PROFESSOR RESPONSÁVEL: FLÁVIA SANTOS Potencial de membrana Separação de cargas opostas ao longo da membrana plasmática celular
Leia maisConceitos e Princípios Gerais
Conceitos e Princípios Gerais Conceitos e Princípios Gerais Fases na resolução de problemas físicos Resolução do Modelo Matemático Conceitos Básicos de Cálculo Numérico Erros em Processos Numéricos Fases
Leia maisAs bases da Dinâmica Molecular - 2
As bases da Dinâmica Molecular - 2 Alexandre Diehl Departamento de Física - UFPel Um pouco de história... SCEF 2 Um pouco de história... A pré-história da Dinâmica Molecular A ideia da Dinâmica Molecular
Leia maisSIMULAÇÃO DO COMPORTAMENTO CRÍTICO DE UM MODELO DE ATIVIDADE NEURONAL EM UMA REDE MODULAR HIERÁRQUICA
D ANGELES LÉ PEREIRA DE LIMA SIMULAÇÃO DO COMPORTAMENTO CRÍTICO DE UM MODELO DE ATIVIDADE NEURONAL EM UMA REDE MODULAR HIERÁRQUICA BELO HORIZONTE 2016 D ANGELES LÉ PEREIRA DE LIMA SIMULAÇÃO DO COMPORTAMENTO
Leia maisSinapse. Permitem a comunicação e funcionamento do sistema nervoso. Neurónio pré-sináptico (envia a informação)
Sinapse Medeia a transferência de informação de um neurónio para o seguinte, ou de um neurónio para uma célula efectora (ex.: célula muscular ou glandular); Permitem a comunicação e funcionamento do sistema
Leia maisOrigens do potencial de membrana Excitabilidade celular
Origens do potencial de membrana Excitabilidade celular Algumas medidas elétricas Potencial (E,V) V (volt) Carga C (coulomb) Corrente (I) A (ampere = C/s) Resistência (R) W (ohm = V/A) Condutância (G)
Leia mais21/08/2016. Fisiologia neuromuscular
Fisiologia neuromuscular 1 2 Potencial de ação Junção neuromuscular - Sinapse 3 Junção neuromuscular TERMINAÇÕES NERVOSAS Ramificações nervosas na extremidade distal do axônio PLACAS MOTORAS TERMINAIS
Leia maisde equações diferenciais
Método de otimização para resolução de equações diferenciais José Mario Martínez Fedor Pisnitchenko Sandra Augusta Santos Matemática Aplicada - IMECC/UNICAMP, 13083-859 Campinas, SP, Brasil E-mail: martinez@ime.unicamp.br,
Leia maisCinemática Inversa (numérica) Douglas Wildgrube Bertol DEE - Engenharia Elétrica CCT
Cinemática Inversa (numérica) Douglas Wildgrube Bertol DEE - Engenharia Elétrica CCT AS2ROB1 Fundamentos de Robótica Joinville 01/10/2018 Cinemática Inversa sumário Modelo cinemático inverso métodos analíticos
Leia maisTECIDO NERVOSO. Detectar, transmitir e processar as informações geradas por estímulos sensoriais do ambiente interno e externo
TECIDO NERVOSO TECIDO NERVOSO Detectar, transmitir e processar as informações geradas por estímulos sensoriais do ambiente interno e externo Coordenação das funções dos órgãos especializados SN somático
Leia maisFundamentos IV. Introdução a análise de erros. Clarimar J. Coelho. August 14, Departamento de Computação
Fundamentos IV Introdução a análise de erros Clarimar J. Coelho Departamento de Computação August 14, 2014 Clarimar (Departamento de Computação) Aula 2 August 14, 2014 1 / 40 Como aparecem os erros em
Leia mais