Нейронная система: Что такое нейронная сеть? Руководство по искусственному интеллекту и машинному обучению

Содержание

Что такое нейронная сеть? Руководство по искусственному интеллекту и машинному обучению — AWS

Что такое нейронная сеть?

Нейронная сеть — это метод в искусственном интеллекте, который учит компьютеры обрабатывать данные таким же способом, как и человеческий мозг. Это тип процесса машинного обучения, называемый глубоким обучением, который использует взаимосвязанные узлы или нейроны в слоистой структуре, напоминающей человеческий мозг. Он создает адаптивную систему, с помощью которой компьютеры учатся на своих ошибках и постоянно совершенствуются. Таким образом, искусственные нейронные сети пытаются решать сложные задачи, такие как резюмирование документов или распознавание лиц, с более высокой точностью.

В чем заключается важность нейронных сетей?

Нейронные сети помогают компьютерам принимать разумные решения с ограниченным участием человека. Они могут изучать и моделировать отношения между нелинейными и сложными входными и выходными данными. Например, нейронные сети могут выполнять следующие задачи.

Обобщать и делать выводы

Нейронные сети могут понимать неструктурированные данные и делать общие наблюдения без специального обучения. Например, они могут распознать, что два разных входных предложения имеют одинаковое значение:

Не подскажете как произвести оплату?
Как мне перевести деньги?

Нейронная сеть поймет, что оба предложения означают одно и то же. Также она может определить, что Бакстер-роуд — это место, а Бакстер Смит — это имя человека.

Для чего используются нейронные сети?

Нейронные сети распространены во множестве отраслей. В их числе:

Диагностика с помощью классификации медицинских изображений
Целевой маркетинг с помощью фильтрации социальных сетей и анализа поведенческих данных
Финансовые прогнозы с помощью обработки исторических данных финансовых инструментов
Прогнозирование электрической нагрузки и потребности в энергии
Контроль соответствия требованиям и качества
Определение химических соединений

Ниже представлены четыре важнейших задачи, которые помогают решить нейронные сети.

Машинное зрение

Машинное зрение — это способность компьютеров извлекать информацию и смысл из изображений и видео. С помощью нейронных сетей компьютеры могут различать и распознавать изображения так, как это делают люди. Машинное зрение применяется в нескольких областях, например:

Визуальное распознавание в беспилотных автомобилях, чтобы они могли реагировать на дорожные знаки и других участников движения
Модерация контента для автоматического удаления небезопасного или неприемлемого контента из архивов изображений и видео
Распознавание лиц для идентификации людей и распознавания таких атрибутов, как открытые глаза, очки и растительность на лице
Маркировка изображения для идентификации логотипов бренда, одежды, защитного снаряжения и других деталей изображения

Распознавание речи

Нейронные сети могут анализировать человеческую речь независимо от ее речевых моделей, высоты, тона, языка и акцента. Виртуальные помощники, такие как Amazon Alexa и программное обеспечение для автоматической транскрипции, используют распознавание речи для выполнения следующих задач:

Помощь операторам колл-центра и автоматическая классификация звонков
Преобразование клинических рекомендаций в документацию в режиме реального времени
Точные субтитры к видео и записям совещаний для более широкого охвата контента

Обработка естественного языка

Обработка естественного языка (NLP) — это способность обрабатывать естественный, созданный человеком текст. Нейронные сети помогают компьютерам извлекать информацию и смысл из текстовых данных и документов. NLP имеет несколько сфер применения, в том числе:

Автоматизированные виртуальные агенты и чат-боты
Автоматическая организация и классификация записанных данных
Бизнес-аналитика длинных документов: например, электронных писем и форм
Индексация ключевых фраз, указывающих на настроение: например, положительных и отрицательных комментариев в социальных сетях
Обобщение документов и генерация статей по заданной теме

Сервисы рекомендаций

Нейронные сети могут отслеживать действия пользователей для разработки персонализированных рекомендаций. Они также могут анализировать все действия пользователей и обнаруживать новые продукты или услуги, которые интересуют конкретного потребителя. Например, стартап из Филадельфии Curalate помогает брендам конвертировать сообщения в социальных сетях в продажи. Бренды используют службу интеллектуальной маркировки продуктов (IPT) Curalate для автоматизации сбора и обработки контента пользователей социальных сетей. IPT использует нейронные сети для автоматического поиска и рекомендации продуктов, соответствующих активности пользователя в социальных сетях. Потребителям не нужно рыться в онлайн-каталогах, чтобы найти конкретный продукт по изображению в социальных сетях. Вместо этого они могут использовать автоматическую маркировку Curalate, чтобы с легкостью приобрести продукт.

Как работают нейронные сети?

Архитектура нейронных сетей повторяет структуру человеческого мозга. Клетки человеческого мозга, называемые нейронами, образуют сложную сеть с высокой степенью взаимосвязи и посылают друг другу электрические сигналы, помогая людям обрабатывать информацию. Точно так же искусственная нейронная сеть состоит из искусственных нейронов, которые взаимодействуют для решения проблем. Искусственные нейроны — это программные модули, называемые узлами, а искусственные нейронные сети — это программы или алгоритмы, которые используют вычислительные системы для выполнения математических вычислений.

Архитектура базовой нейронной сети

Базовая нейронная сеть содержит три слоя взаимосвязанных искусственных нейронов:

Входной слой

Информация из внешнего мира поступает в искусственную нейронную сеть из входного слоя. Входные узлы обрабатывают данные, анализируют или классифицируют их и передают на следующий слой.

Скрытый слой

Скрытые слои получают входные данные от входного слоя или других скрытых слоев. Искусственные нейронные сети могут иметь большое количество скрытых слоев. Каждый скрытый слой анализирует выходные данные предыдущего слоя, обрабатывает их и передает на следующий слой.

Выходной слой

Выходной слой дает окончательный результат обработки всех данных искусственной нейронной сетью. Он может иметь один или несколько узлов. Например, при решении задачи двоичной классификации (да/нет) выходной слой будет иметь один выходной узел, который даст результат «1» или «0». Однако в случае множественной классификации выходной слой может состоять из более чем одного выходного узла.

Архитектура глубокой нейронной сети

Глубокие нейронные сети или сети глубокого обучения имеют несколько скрытых слоев с миллионами связанных друг с другом искусственных нейронов. Число, называемое весом, указывает на связи одного узла с другими. Вес является положительным числом, если один узел возбуждает другой, или отрицательным, если один узел подавляет другой. Узлы с более высокими значениями веса имеют большее влияние на другие узлы.
Теоретически глубокие нейронные сети могут сопоставлять любой тип ввода с любым типом вывода. Однако стоит учитывать, что им требуется гораздо более сложное обучение, чем другим методам машинного обучения. Таким узлам нужны миллионы примеров обучающих данных, а не сотни или тысячи, как в случае с простыми сетями.

Какие типы нейронных сетей существуют?

Искусственные нейронные сети можно классифицировать по тому, как данные передаются от входного узла к выходному узлу. Ниже приведены несколько примеров.

Нейронные сети прямого распространения

Нейронные сети прямого распространения обрабатывают данные в одном направлении, от входного узла к выходному узлу. Каждый узел одного слоя связан с каждым узлом следующего слоя. Нейронные сети прямого распространения используют процесс обратной связи для улучшения прогнозов с течением времени.

Алгоритм обратного распространения

Искусственные нейронные сети постоянно обучаются, используя корректирующие циклы обратной связи для улучшения своей прогностической аналитики. Проще говоря, речь идет о данных, протекающих от входного узла к выходному узлу по множеству различных путей в нейронной сети. Правильным является только один путь, который сопоставляет входной узел с правильным выходным узлом. Чтобы найти этот путь, нейронная сеть использует петлю обратной связи, которая работает следующим образом:

Каждый узел делает предположение о следующем узле на пути.
Он проверяет, является ли предположение правильным. Узлы присваивают более высокие значения веса путям, которые приводят к более правильным предположениям, и более низкие значения веса путям узлов, которые приводят к неправильным предположениям.
Для следующей точки данных узлы делают новый прогноз, используя пути с более высоким весом, а затем повторяют шаг 1.

Сверточные нейронные сети

Скрытые слои в сверточных нейронных сетях выполняют определенные математические функции (например, суммирование или фильтрацию), называемые свертками. Они очень полезны для классификации изображений, поскольку могут извлекать из них соответствующие признаки, полезные для распознавания и классификации. Новую форму легче обрабатывать без потери функций, которые имеют решающее значение для правильного предположения. Каждый скрытый слой извлекает и обрабатывает различные характеристики изображения: границы, цвет и глубину.

Как обучать нейронные сети?

Обучение нейронной сети — это процесс обучения нейронной сети выполнению задачи. Нейронные сети обучаются путем первичной обработки нескольких больших наборов размеченных или неразмеченных данных. На основе этих примеров сети могут более точно обрабатывать неизвестные входные данные.

Контролируемое обучение

При контролируемом обучении специалисты по работе с данными предлагают искусственным нейронным сетям помеченные наборы данных, которые заранее дают правильный ответ. Например, сеть глубокого обучения, обучающаяся распознаванию лиц, обрабатывает сотни тысяч изображений человеческих лиц с различными терминами, связанными с этническим происхождением, страной или эмоциями, описывающими каждое изображение.

Нейронная сеть медленно накапливает знания из этих наборов данных, которые заранее дают правильный ответ. После обучения сеть начинает делать предположения об этническом происхождении или эмоциях нового изображения человеческого лица, которое она никогда раньше не обрабатывала.

Что такое глубокое обучение в контексте нейронных сетей?

Искусственный интеллект — это область компьютерных наук, которая исследует методы предоставления машинам возможности выполнять задачи, требующие человеческого интеллекта. Машинное обучение — это метод искусственного интеллекта, который дает компьютерам доступ к очень большим наборам данных для дальнейшего обучения. Программное обеспечение для машинного обучения находит шаблоны в существующих данных и применяет эти шаблоны к новым данным для принятия разумных решений. Глубокое обучение — это разновидность машинного обучения, в котором для обработки данных используются сети глубокого обучения.

Машинное обучение и глубокое обучение

Традиционные методы машинного обучения требуют участия человека, чтобы программное обеспечение работало должным образом. Специалист по работе с данными вручную определяет набор соответствующих функций, которые должно анализировать программное обеспечение. Это ограничение делает создание и управление программным обеспечением утомительным и трудозатратным процессом.

С другой стороны, при глубоком обучении специалист по работе с данными предоставляет программному обеспечению только необработанные данные. Сеть глубокого обучения извлекает функции самостоятельно и обучается более независимо. Она может анализировать неструктурированные наборы данных (например, текстовые документы), определять приоритеты атрибутов данных и решать более сложные задачи.

Например, при обучении программного обеспечения с алгоритмами машинного обучения правильно идентифицировать изображение домашнего животного вам потребуется выполнить следующие шаги:

Найти и вручную отметить тысячи изображений домашних животных: кошек, собак, лошадей, хомяков, попугаев и т. д.
Сообщить программному обеспечению с алгоритмами машинного обучения, какие функции необходимо найти, чтобы оно могло идентифицировать изображение методом исключения. Например, оно может подсчитать количество ног, а затем проверить форму глаз, ушей, хвоста, цвет меха и так далее.
Вручную оценить и изменить помеченные наборы данных, чтобы повысить точность программного обеспечения. Например, если в вашем тренировочном наборе слишком много изображений черных кошек, программное обеспечение правильно определит черную кошку, но не белую.
При глубоком обучении нейронные сети будут обрабатывать все изображения и автоматически определять, что сначала им требуется проанализировать количество ног и форму морды, а уже после посмотреть на хвосты, чтобы правильно идентифицировать животное на изображении.

Что такое сервисы глубокого обучения в AWS?

Сервисы глубокого обучения AWS используют возможности облачных вычислений, чтобы вы могли масштабировать свои нейронные сети глубокого обучения с меньшими затратами и оптимизировать их для повышения скорости. Вы также можете использовать подобные сервисы AWS для полного управления конкретными приложениями глубокого обучения:

Amazon Rekognition для добавления предварительно обученных или настраиваемых функций машинного зрения в ваше приложение.
Amazon Transcribe для автоматического распознавания и точной расшифровки речи.
Amazon Lex для создания интеллектуальных чат-ботов, которые понимают намерения, поддерживают диалоговый контекст и автоматизируют простые задачи на разных языках.

Начните работу с нейронными сетями глубокого обучения в AWS с помощью Amazon SageMaker, чтобы быстро и легко создавать, обучать и развертывать модели в любом масштабе. Также можно использовать решение AMI глубокого обучения AWS для разработки пользовательских сред и рабочих процессов для глубокого обучения.

Создайте бесплатный аккаунт AWS, чтобы начать работу уже сегодня.

Нейронные сети для начинающих. Часть 1 / Хабр

Привет всем читателям Habrahabr, в этой статье я хочу поделиться с Вами моим опытом в изучении нейронных сетей и, как следствие, их реализации, с помощью языка программирования Java, на платформе Android. Мое знакомство с нейронными сетями произошло, когда вышло приложение Prisma. Оно обрабатывает любую фотографию, с помощью нейронных сетей, и воспроизводит ее с нуля, используя выбранный стиль. Заинтересовавшись этим, я бросился искать статьи и «туториалы», в первую очередь, на Хабре. И к моему великому удивлению, я не нашел ни одну статью, которая четко и поэтапно расписывала алгоритм работы нейронных сетей. Информация была разрознена и в ней отсутствовали ключевые моменты. Также, большинство авторов бросается показывать код на том или ином языке программирования, не прибегая к детальным объяснениям.

Поэтому сейчас, когда я достаточно хорошо освоил нейронные сети и нашел огромное количество информации с разных иностранных порталов, я хотел бы поделиться этим с людьми в серии публикаций, где я соберу всю информацию, которая потребуется вам, если вы только начинаете знакомство с нейронными сетями. В этой статье, я не буду делать сильный акцент на Java и буду объяснять все на примерах, чтобы вы сами смогли перенести это на любой, нужный вам язык программирования. В последующих статьях, я расскажу о своем приложении, написанном под андроид, которое предсказывает движение акций или валюты. Иными словами, всех желающих окунуться в мир нейронных сетей и жаждущих простого и доступного изложения информации или просто тех, кто что-то не понял и хочет подтянуть, добро пожаловать под кат.

Первым и самым важным моим открытием был плейлист американского программиста Джеффа Хитона, в котором он подробно и наглядно разбирает принципы работы нейронных сетей и их классификации. После просмотра этого плейлиста, я решил создать свою нейронную сеть, начав с самого простого примера. Вам наверняка известно, что когда ты только начинаешь учить новый язык, первой твоей программой будет Hello World. Это своего рода традиция. В мире машинного обучения тоже есть свой Hello world и это нейросеть решающая проблему исключающего или(XOR). Таблица исключающего или выглядит следующим образом:

a	b	c
0	0	0
0	1	1
1	0	1
1	1	0

Соответственно, нейронная сеть берет на вход два числа и должна на выходе дать другое число — ответ. Теперь о самих нейронных сетях.

Что такое нейронная сеть?

Нейронная сеть — это последовательность нейронов, соединенных между собой синапсами. Структура нейронной сети пришла в мир программирования прямиком из биологии. Благодаря такой структуре, машина обретает способность анализировать и даже запоминать различную информацию. Нейронные сети также способны не только анализировать входящую информацию, но и воспроизводить ее из своей памяти. Заинтересовавшимся обязательно к просмотру 2 видео из TED Talks: Видео 1, Видео 2). Другими словами, нейросеть это машинная интерпретация мозга человека, в котором находятся миллионы нейронов передающих информацию в виде электрических импульсов.

Какие бывают нейронные сети?

Пока что мы будем рассматривать примеры на самом базовом типе нейронных сетей — это сеть прямого распространения (далее СПР). Также в последующих статьях я введу больше понятий и расскажу вам о рекуррентных нейронных сетях. СПР как вытекает из названия это сеть с последовательным соединением нейронных слоев, в ней информация всегда идет только в одном направлении.

Для чего нужны нейронные сети?

Нейронные сети используются для решения сложных задач, которые требуют аналитических вычислений подобных тем, что делает человеческий мозг. Самыми распространенными применениями нейронных сетей является:

Классификация — распределение данных по параметрам. Например, на вход дается набор людей и нужно решить, кому из них давать кредит, а кому нет. Эту работу может сделать нейронная сеть, анализируя такую информацию как: возраст, платежеспособность, кредитная история и тд.

Предсказание — возможность предсказывать следующий шаг. Например, рост или падение акций, основываясь на ситуации на фондовом рынке.

Распознавание — в настоящее время, самое широкое применение нейронных сетей. Используется в Google, когда вы ищете фото или в камерах телефонов, когда оно определяет положение вашего лица и выделяет его и многое другое.

Теперь, чтобы понять, как же работают нейронные сети, давайте взглянем на ее составляющие и их параметры.

Что такое нейрон?

Нейрон — это вычислительная единица, которая получает информацию, производит над ней простые вычисления и передает ее дальше. Они делятся на три основных типа: входной (синий), скрытый (красный) и выходной (зеленый). Также есть нейрон смещения и контекстный нейрон о которых мы поговорим в следующей статье. В том случае, когда нейросеть состоит из большого количества нейронов, вводят термин слоя. Соответственно, есть входной слой, который получает информацию, n скрытых слоев (обычно их не больше 3), которые ее обрабатывают и выходной слой, который выводит результат. У каждого из нейронов есть 2 основных параметра: входные данные (input data) и выходные данные (output data). В случае входного нейрона: input=output. В остальных, в поле input попадает суммарная информация всех нейронов с предыдущего слоя, после чего, она нормализуется, с помощью функции активации (пока что просто представим ее f(x)) и попадает в поле output.

Важно помнить, что нейроны оперируют числами в диапазоне [0,1] или [-1,1]. А как же, вы спросите, тогда обрабатывать числа, которые выходят из данного диапазона? На данном этапе, самый простой ответ — это разделить 1 на это число. Этот процесс называется нормализацией, и он очень часто используется в нейронных сетях. Подробнее об этом чуть позже.

Что такое синапс?

Синапс это связь между двумя нейронами. У синапсов есть 1 параметр — вес. Благодаря ему, входная информация изменяется, когда передается от одного нейрона к другому. Допустим, есть 3 нейрона, которые передают информацию следующему. Тогда у нас есть 3 веса, соответствующие каждому из этих нейронов. У того нейрона, у которого вес будет больше, та информация и будет доминирующей в следующем нейроне (пример — смешение цветов). На самом деле, совокупность весов нейронной сети или матрица весов — это своеобразный мозг всей системы. Именно благодаря этим весам, входная информация обрабатывается и превращается в результат.

Важно помнить, что во время инициализации нейронной сети, веса расставляются в случайном порядке.

Как работает нейронная сеть?

В данном примере изображена часть нейронной сети, где буквами I обозначены входные нейроны, буквой H — скрытый нейрон, а буквой w — веса. Из формулы видно, что входная информация — это сумма всех входных данных, умноженных на соответствующие им веса. Тогда дадим на вход 1 и 0. Пусть w1=0.4 и w2 = 0.7 Входные данные нейрона Н1 будут следующими: 1*0.4+0*0.7=0.4. Теперь когда у нас есть входные данные, мы можем получить выходные данные, подставив входное значение в функцию активации (подробнее о ней далее). Теперь, когда у нас есть выходные данные, мы передаем их дальше. И так, мы повторяем для всех слоев, пока не дойдем до выходного нейрона. Запустив такую сеть в первый раз мы увидим, что ответ далек от правильно, потому что сеть не натренирована. Чтобы улучшить результаты мы будем ее тренировать. Но прежде чем узнать как это делать, давайте введем несколько терминов и свойств нейронной сети.

Функция активации

Функция активации — это способ нормализации входных данных (мы уже говорили об этом ранее). То есть, если на входе у вас будет большое число, пропустив его через функцию активации, вы получите выход в нужном вам диапазоне. Функций активации достаточно много поэтому мы рассмотрим самые основные: Линейная, Сигмоид (Логистическая) и Гиперболический тангенс. Главные их отличия — это диапазон значений.

Линейная функция

Эта функция почти никогда не используется, за исключением случаев, когда нужно протестировать нейронную сеть или передать значение без преобразований.

Сигмоид

Это самая распространенная функция активации, ее диапазон значений [0,1]. Именно на ней показано большинство примеров в сети, также ее иногда называют логистической функцией. Соответственно, если в вашем случае присутствуют отрицательные значения (например, акции могут идти не только вверх, но и вниз), то вам понадобиться функция которая захватывает и отрицательные значения.

Гиперболический тангенс

Имеет смысл использовать гиперболический тангенс, только тогда, когда ваши значения могут быть и отрицательными, и положительными, так как диапазон функции [-1,1]. Использовать эту функцию только с положительными значениями нецелесообразно так как это значительно ухудшит результаты вашей нейросети.

Тренировочный сет

Тренировочный сет — это последовательность данных, которыми оперирует нейронная сеть. В нашем случае исключающего или (xor) у нас всего 4 разных исхода то есть у нас будет 4 тренировочных сета: 0xor0=0, 0xor1=1, 1xor0=1,1xor1=0.

Итерация

Это своеобразный счетчик, который увеличивается каждый раз, когда нейронная сеть проходит один тренировочный сет. Другими словами, это общее количество тренировочных сетов пройденных нейронной сетью.

Эпоха

При инициализации нейронной сети эта величина устанавливается в 0 и имеет потолок, задаваемый вручную. Чем больше эпоха, тем лучше натренирована сеть и соответственно, ее результат. Эпоха увеличивается каждый раз, когда мы проходим весь набор тренировочных сетов, в нашем случае, 4 сетов или 4 итераций.

Важно не путать итерацию с эпохой и понимать последовательность их инкремента. Сначала n

раз увеличивается итерация, а потом уже эпоха и никак не наоборот. Другими словами, нельзя сначала тренировать нейросеть только на одном сете, потом на другом и тд. Нужно тренировать каждый сет один раз за эпоху. Так, вы сможете избежать ошибок в вычислениях.

Ошибка

Ошибка — это процентная величина, отражающая расхождение между ожидаемым и полученным ответами. Ошибка формируется каждую эпоху и должна идти на спад. Если этого не происходит, значит, вы что-то делаете не так. Ошибку можно вычислить разными путями, но мы рассмотрим лишь три основных способа: Mean Squared Error (далее MSE), Root MSE и Arctan. Здесь нет какого-либо ограничения на использование, как в функции активации, и вы вольны выбрать любой метод, который будет приносить вам наилучший результат. Стоит лишь учитывать, что каждый метод считает ошибки по разному. У Arctan, ошибка, почти всегда, будет больше, так как он работает по принципу: чем больше разница, тем больше ошибка. У Root MSE будет наименьшая ошибка, поэтому, чаще всего, используют MSE, которая сохраняет баланс в вычислении ошибки.

MSE

Root MSE

Arctan

Принцип подсчета ошибки во всех случаях одинаков. За каждый сет, мы считаем ошибку, отняв от идеального ответа, полученный. Далее, либо возводим в квадрат, либо вычисляем квадратный тангенс из этой разности, после чего полученное число делим на количество сетов.

Задача

Теперь, чтобы проверить себя, подсчитайте результат, данной нейронной сети, используя сигмоид, и ее ошибку, используя MSE.

Данные: I1=1, I2=0, w1=0.45, w2=0.78 ,w3=-0.12 ,w4=0.13 ,w5=1.5 ,w6=-2.3.

Решение

h2input = 1*0. 2)/1=0.45

Результат — 0.33, ошибка — 45%.

Большое спасибо за внимание! Надеюсь, что данная статья смогла помочь вам в изучении нейронных сетей. В следующей статье, я расскажу о нейронах смещения и о том, как тренировать нейронную сеть, используя метод обратного распространения и градиентного спуска.

Использованные ресурсы:

— Раз

— Два

— Три

Neural Systems — Neuroscience — NCBI Bookshelf

Цепи, выполняющие схожие функции, сгруппированы в нейронные системы
которые служат более широким поведенческим целям. Наиболее общее функциональное определение
делит нервные системы на сенсорные системы, такие как зрение или слух, которые приобретают и
обрабатывать информацию из окружающей среды и двигательные системы, которые позволяют организму
реагировать на такую информацию, генерируя движения. Однако существуют большие
количество ячеек и цепей, лежащих между этими относительно четко определенными входными
и системы вывода. В совокупности они называются ассоциативный
системы , и они выполняют наиболее сложные и наименее хорошо охарактеризованные
функции мозга.

В дополнение к этим широким функциональным различиям нейробиологи и неврологи
условно разделили нервную систему позвоночных анатомически на центральные
и периферийные компоненты ().
центральная нервная система включает головного мозга (головной мозг, мозжечок и
ствол головного мозга) и спинной мозг. К периферической нервной системе относятся сенсорные
нейроны, связывающие сенсорные рецепторы на поверхности тела, а также в специализированных
рецепторные структуры, такие как ухо, с цепями обработки в центральной нервной
система. Двигательная часть периферической нервной системы состоит из двух
составные части. Моторные аксоны, соединяющие головной и спинной мозг со скелетными мышцами
составить сомато-двигательный отдел периферической нервной системы.
Висцеральный или автономный двигательный отдел состоит из клеток и аксонов
которые иннервируют гладкую мускулатуру, сердечную мышцу и железы.

Рисунок 1.8

Основные компоненты нервной системы и их функции
отношения. (A) Цифровая трехмерная реконструкция человеческого тела,
иллюстрирует положение головного, ствола и спинного мозга в
неповрежденный человек. (B) Схема основных компонентов (подробнее…)

В периферической нервной системе нервные клетки расположены в ганглиях ,
которые представляют собой просто локальные скопления тел нервных клеток (и опорных клеток).
Периферические аксоны собраны в нервы, представляющие собой пучки аксонов, многие из которых
окружены глиальными клетками периферической нервной системы — шванновскими клетками. В центральной нервной системе нервные клетки располагаются в двух разных
конфигурации. Ядра представляют собой компактные скопления нейронов,
примерно одинаковые соединения и функции; эти концентрированные скопления нервов
клетки находятся по всему головному и спинному мозгу. Напротив, кора (множественное число,
кора) описывает листообразные массивы нервных клеток. Кора головного мозга
полушарий и мозжечка дают ярчайший пример этого
организационный принцип. Аксоны в центральной нервной системе собираются в
тракта . Внутри тракта глиальные клетки центральной нервной
система — астроциты и олигодендроциты — окружают центральную
аксоны. Наконец, два грубых гистологических термина, примененных к центральной нервной системе.
различать области, богатые телами нейронов, и области, богатые аксонами. Серый
Материя относится к любому скоплению клеточных тел и нейропиля в головном мозге и
спинной мозг (например, ядра или кора), тогда как белое вещество относится к аксонам
тракты.

В сенсорной части периферической нервной системы сенсорные ганглии прилегают к
либо к спинному мозгу (где они называются ганглиями задних корешков; см.
) или ствол мозга (где они
называются ганглии черепных нервов; см. вставку А). Нервные клетки сенсорных ганглиев посылают аксоны к
периферии, которые заканчиваются на (или на) специализированных рецепторах, которые передают информацию о
большое разнообразие раздражителей. Центральные отростки этих сенсорных ганглиозных клеток
попасть в спинной или ствол головного мозга. В соматодвигательной части периферического
нервная система, аксоны мотонейронов спинного мозга дают начало периферическим
двигательные аксоны, которые иннервируют поперечно-полосатые мышцы, контролируя скелетные движения и,
следовательно, наиболее произвольное поведение. Организация автономного отдела
периферической нервной системы несколько сложнее. преганглионарный
висцеральные моторные нейроны в стволе головного и спинном мозге образуют синапсы
с периферическими двигательными нейронами, лежащими в вегетативных ганглиях .
мотонейроны вегетативных ганглиев иннервируют гладкую мускулатуру, железы и сердечную
мышцы, таким образом контролируя большую часть непроизвольного (висцерального) поведения. в
симпатический отдел вегетативной двигательной системы, ганглии
вдоль или впереди позвоночного столба и посылают свои аксоны к различным
периферийные цели. В парасимпатический отдел ганглии
обнаруживаются в органах, которые они иннервируют. Другой компонент висцеральной двигательной системы, называемый кишечной системой , состоит из небольших ганглиев.
рассеяны по всей стенке кишки.

Box A

Ствол головного мозга и его значение в клинической нейроанатомии.

Нервная система — Канал лучшего здоровья

Резюме

Читать полный информационный бюллетень

Нервная система использует электрические и химические средства, чтобы помочь всем частям тела общаться друг с другом.
Головной и спинной мозг составляют центральную нервную систему.
Нервы во всем теле являются частью периферической нервной системы.

Нервная система помогает всем частям тела взаимодействовать друг с другом. Он также реагирует на изменения как снаружи, так и внутри организма. Нервная система использует как электрические, так и химические средства для отправки и получения сообщений.

Нейроны являются строительными блоками

Основным строительным блоком нервной системы является нервная клетка или нейрон. Нейроны имеют разную форму в зависимости от того, где они находятся в организме и какую роль играют. Все нейроны имеют пальцевидные отростки, называемые дендритами, и длинное волокно, называемое аксоном.

Во многих случаях аксон покрыт специальной мембраной, называемой миелиновой оболочкой. Аксон выпячивается и имеет несколько бугорков на нем. Каждая шишка находится рядом с дендритом другого нейрона. Пространство между бугорком и дендритом называется синапсом. Сообщения передаются по синапсу от одного нейрона к другому с помощью специальных химических веществ, называемых нейротрансмиттерами.

В отличие от других клеток в организме, нейроны нелегко заменить, если они погибают или повреждаются инфекцией или травмой.

Центральная нервная система

Головной и спинной мозг составляют центральную нервную систему. Они покрыты тонкой оболочкой, называемой мозговыми оболочками, и омываются спинномозговой жидкостью (ЦСЖ).

Мозг

Мозг является электростанцией тела, несмотря на то, что он составляет всего 2 процента массы тела. Этот мягкий желеобразный орган имеет бесчисленные миллиарды нейронных перекрестных связей. Мозг наблюдает за работой тела, а его высшие функции дают нам сознание и личность.

Спинной мозг

Спинной мозг соединен с головным мозгом и проходит по всей длине тела. Его защищают кости позвоночника (позвонки). Нервы ответвляются от спинного мозга в руки, ноги и туловище.

Периферическая нервная система

Нервы соединяют головной и спинной мозг с периферической нервной системой, так называется нервная ткань вне центральной нервной системы. Она состоит из двух основных частей: вегетативной и соматической нервной системы.

Вегетативная нервная система

Вегетативная нервная система является частью периферической нервной системы. Одной из его основных функций является регулирование работы желез и органов без каких-либо усилий со стороны нашего сознания.

Вегетативная нервная система состоит из двух частей: симпатической и парасимпатической . Эти системы действуют на организм противоположным образом. Вместе они координируют множество корректировок, необходимых для наших меняющихся личных потребностей по мере того, как мы перемещаемся в окружающей среде. Например, размер наших зрачков регулируется автоматически, чтобы обеспечить правильное количество света для оптимального зрения, наши потовые железы включаются, когда нам становится слишком жарко, а наши слюнные железы производят слюну, когда мы едим пищу (или даже думаем о ней). об этом!).

Соматическая нервная система

Соматическая нервная система также является частью периферической нервной системы. Одной из его функций является передача информации от глаз, ушей, кожи и мышц в центральную нервную систему (головной и спинной мозг). Он также подчиняется командам центральной нервной системы и заставляет мышцы сокращаться или расслабляться, позволяя нам двигаться.

Проблемы с нервной системой

Некоторые распространенные проблемы с нервной системой включают:

Эпилепсия – бури аномальной электрической активности в мозгу, вызывающие судороги.
Менингит – воспаление оболочки, покрывающей головной мозг.
Рассеянный склероз – поражается миелиновая оболочка, защищающая электрические кабели центральной нервной системы.
Болезнь Паркинсона — гибель нейронов в части головного мозга, называемой средним мозгом. Симптомы включают дрожь и проблемы с движением.
Ишиас – сдавление нерва, вызванное грыжей диска в позвоночнике или артритом позвоночника, а иногда и другими факторами.
Опоясывающий лишай – инфекция чувствительных нервов, вызванная вирусом ветряной оспы.
Инсульт – недостаточность кровоснабжения части головного мозга.

Где можно получить помощь

Всегда вызывайте скорую помощь в экстренных случаях (три нуля) Тел. 000
Ваш терапевт (врач)

Нервная система, Интернет-книга по биологии, Общественный колледж Эстрелла-Маунтин, США.