Нейронная система это: НЕЙРОННЫЕ СЕТИ • Большая российская энциклопедия

Искусственные нейронные сети | Computerworld Россия

Определение

Искусственная нейронная сеть (ANN — artificial neural network) представляет собой вычислительную архитектуру для обработки сложных данных с помощью множества связанных между собой процессоров и вычислительных путей. Искусственные нейронные сети, созданные по аналогии с человеческим мозгом, способны обучаться и анализировать большие и сложные наборы данных, которые с помощью более линейных алгоритмов обработать крайне сложно.

Традиционный цифровой компьютер способен успешно решать множество различных задач. Он делает это достаточно быстро и в точном соответствии с указаниями пользователя. К сожалению, он бессилен в ситуациях, когда сам пользователь не до конца понимает проблему, которую ему предстоит решить. Хуже того, стандартные алгоритмы не могут работать с «зашумленными» или неполными данными, при том что в реальной жизни зачастую приходится иметь дело именно с такой информацией. Здесь может помочь искусственная нейронная сеть — способная к обучению вычислительная система.

Первая искусственная нейронная сеть была создана в 1958 году психологом Френком Розенблатом. Она получила название Perceptron и была предназначена для моделирования деятельности мозга человека при обработке визуальных данных и при обучении распознаванию объектов. Впоследствии были разработаны аналогичные искусственные нейронные сети с целью изучения процесса познания.

Со временем стало понятно, что помимо анализа деятельности мозга человека они могут выполнять и другие очень полезные функции. Благодаря способности устанавливать соответствия шаблонам и обучаться эти сети нашли применение для анализа многих проблем, которые крайне сложно или невозможно решить с помощью традиционных вычислительных или статистических методов. В конце 80-х началось активное использование искусственных нейронных сетей в самых разных целях.

Искусственные нейронные сети часто для простоты называют нейронными сетями, однако это выражение относится к головному мозгу биологических существ, деятельность которого сети ANN первоначально были призваны моделировать.

Структура

Принцип действия искусственной нейронной сети состоит в формировании связей между множеством различных обрабатывающих элементов, каждый из которых служит аналогом одного нейрона в головном мозге биологического существа. Нейроны могут быть воспроизведены физически или смоделированы с помощью цифрового компьютера. Каждый нейрон получает множество входных сигналов, а затем, с учетом внутренней системы весовых коэффициентов, порождает один выходной сигнал, который, как правило, служит входным для другого нейрона.

Нейроны тесно взаимосвязаны друг с другом и организованы в несколько различных уровней. Входной уровень получает входные данные, а выходной — порождает конечный результат. Обычно между этими двумя уровнями находятся один или несколько скрытых уровней. В такой структуре невозможно предсказать или точно узнать, как именно передаются данные.

Обучение

Сначала для искусственных нейронных сетей, как правило, создается система случайным образом назначенных весовых коэффициентов. Это значит, что сети ничего «не знают», и для решения конкретной проблемы их требуется обучить. Вообще говоря, существуют два метода обучения, которые применяются в зависимости от того, для решения какой проблемы предназначена данная сеть.

Самоорганизующаяся искусственная нейронная сеть (ее часто называют сетью Кохонена по имени создателя) рассчитана на обработку больших объемов данных и должна находить закономерности и определять взаимосвязи между ними. Ученые часто применяют такого рода сети для анализа экспериментальных данных.

Сеть с обратным распространением ошибки, наоборот, обучается человеком для выполнения конкретных задач. Во время обучения человек оценивает, корректен ли результат, полученный искусственной нейронной сетью. Если он корректен, увеличиваются те весовые коэффициенты, которые использовались при его получении. Если результат некорректен, эти весовые коэффициенты уменьшаются. Сети такого типа часто применяются для изучения процесса познания и для приложений, решающих конкретные задачи.

Искусственная нейронная сеть, созданная на базе одного компьютера, как правило, работает медленнее, чем более традиционное алгоритмическое решение. Однако параллельная природа подобной вычислительной среды дает возможность использовать для обработки несколько процессоров и получать значительно более высокую скорость при очень низких затратах на разработку. Параллельная архитектура также позволяет очень эффективно обрабатывать большие объемы данных. При работе с крупными непрерывными потоками информации, как в случае распознавания речи или обработки данных, поступающих с машинных датчиков, искусственные нейронные сети могут действовать значительно быстрее, чем их линейные «конкуренты».

Искусственные нейронные сети оказываются полезными в самых разных приложениях, где используются сложные и часто неполные данные. Так, они применяются для распознавания образов и речи. Кроме того, искусственные нейронные сети используются и в последних версиях программ, выполняющих преобразование текстов в речь. На них базируются, в частности, многие программы анализа рукописных текстов (к примеру, применяемые в популярных карманных компьютерах).

Мониторинг автоматизированного производства также выполняется с помощью искусственных нейронных сетей, которые контролируют работу машин, следят за температурным режимом, диагностируют неисправности и т. д. Эти искусственные нейронные сети расширят возможности работников или позволят частично заменять опытных рабочих, благодаря чему усилиями меньшего числа сотрудников можно выполнять больший объем работ.

Применение в экономике

Использование искусственных нейронных сетей в экономике может дать самые невероятные результаты.

Крупные финансовые институты используют их для увеличения производительности в таких областях, как оценка платежеспособности эмитента, расчет скидок, целевой маркетинг и оценка кредитов. Эти системы, как правило, обеспечивают лишь на несколько процентов более высокую точность, чем их предшественники, но учитывая, о каких суммах идет речь, оказываются весьма рентабельными. Искусственные нейронные сети теперь применяются для анализа транзакций с кредитными картами для выявления сделок, которые с большой долей вероятности могут оказаться мошенническими.

Используют их и для выявления других видов преступлений. Они применяются в детекторах, установленных во многих западных аэропортах для анализа микроэлементов на присутствие взрывчатых химических веществ. В чикагском полицейском управлении искусственные нейронные сети помогают выявлять коррупцию среди сотрудников полиции.

Иерархическая нейронная сеть

Здесь приведен один из возможных способов объединения процессоров в нейронную сеть. В этой многоуровневой иерархии каждый процессор передает свой результат всем процессорам следующего уровня. Как следствие в такой структуре невозможно определить, каков был путь обработки данных, позволивший получить конкретный результат

Применение нейронных сетей для решения задач автоматического целеуказания в системах видеонаблюдения

В рубрику «Видеонаблюдение (CCTV)» | К списку рубрик  |  К списку авторов  |  К списку публикаций

Применение нейронных сетей для решения задач автоматического целеуказания в системах видеонаблюдения

Теодор В. Бергер
Профессор Университета Южной Калифорнии (США)

Что такое нейронная сеть

В последнее время все чаще стали говорить о нейронных сетях. Развиваются целые сегменты математики, изучающие нейронные сети, а на основе созданных моделей строятся различные автоматические системы анализа и распознавания информации. Остановимся кратко на тех принципах, которые заложены в автоматических нейронных сетях.

Нервная система и мозг человека состоят из нейронов, соединенных между собой нервными волокнами. Нервные волокна способны передавать электрические импульсы между нейронами. Все процессы передачи раздражений от нашей кожи, ушей и глаз к мозгу, процессы мышления и управления действиями — все это реализовано в живом организме как передача электрических импульсов между нейронами. Рассмотрим строение биологического нейрона. Каждый нейрон имеет отростки нервных волокон двух типов: дендриты, посредством которых принимаются импульсы, и аксон (он единственный), по которому нейрон может передавать импульс. Аксон контактирует с дендритами других нейронов через специальные образования — синапсы, которые влияют на силу импульса. Можно считать, что при прохождении синапса сила импульса меняется определенное число раз, которое называют весом синапса. Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются. Если суммарный импульс превышает некоторый порог, нейрон возбуждается, формирует собственный импульс и передает его далее по аксону. Важно отметить, что веса синапсов могут изменяться со временем, а значит, меняется и поведение соответствующего нейрона.

Таким образом, создание автоматических систем на основе нейронной сети заключается в выборе архитектуры сети и подборе весов сети. Подбор весов — это «обучение» сети. Получается, что нейронные сети представляют собой нечто среднее между центральным процессором и человеческим мозгом.

Основные понятия

Сведем воедино основные понятия, применяемые в нейронных сетях. Нейронная сеть — это вычислительная или логическая схема, построенная из однородных процессорных элементов, являющихся упрощенными функциональными моделями нейронов. Как правило, передаточные функции всех нейронов в нейронной сети фиксированы, а веса являются параметрами нейронной сети и могут изменяться.

Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы — как внешние выходы. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами нейронной сети. Формальный нейрон в нейронных сетях — это процессорный элемент, преобразователь данных, получающий входные данные и преобразующий их в соответствии с заданной функцией и параметрами. Формальный нейрон работает с дискретным временем.

Синапс в нейронных сетях — это связь между формальными нейронами. Выходной сигнал от нейрона поступает в синапс, который передает его другому нейрону. Сложные синапсы могут иметь память. Синапсов в нейронной сети, как правило, достаточно много (до нескольких сотен).

Сумматор в нейронных сетях — это блок, суммирующий сигналы, поступающие от нейронов через синапсы. В общем случае сумматор может преобразовывать сигналы и передавать их нейронам или сумматорам тоже через синапсы.

Краткая история исследования нейронных сетей

История исследования нейронных сетей помнит взлеты и падения. Первый всплеск исследовательского энтузиазма приходится на 1940-1960-е гг. Его можно связать с работами Дж. фон Неймана по концептуальному сравнительному анализу работы биологических нейронных сетей и компьютеров и по разработке принципов построения надежных вычислительных систем из ненадежных компонент (фактически формальных нейронов). Сравнительно небольшой прогресс нейрокибернетики (особенно в области практического применения) 1940-1960-х гг. привел к тому, что период энтузиазма сменился периодом спада активности исследований искусственных нейронных сетей. Многие исследователи ушли в те области, которые показались им более привлекательными. Однако в середине 1980-х гг. снова возник нейросетевой бум. Причиной бума, по-видимому, послужил постоянный интерес человечества к изучению работы нервной системы и ряд новых интересных моделей, разработанных к этому времени. Одной из таких «стимулирующих» моделей стали работы, которые позволили привлечь методы теоретической физики к исследованию нейронных сетей. Во второй половине 1980-х гг. был предложен целый ряд интересных и содержательных моделей нейронных сетей. В моделях строятся нейросети, выполняющие различные алгоритмы обработки информации: ассоциативная память, категоризация, то есть разбиение множества образов на кластеры, состоящие из подобных друг другу, топологически корректное картирование, распознавание зрительных образов, инвариантное относительно деформаций и сдвигов в пространстве решение задач комбинаторной оптимизации. Хотя ряд исследований и был посвящен анализу характеристик нейронных сетей с целью понимания свойств естественных нейронных систем, однако, в отличие от первой волны, подавляющее количество работ относилось к исследованию алгоритмов нейросетей с прагматическими целями, что позволило привлечь дополнительные финансовые ресурсы для их поддержки. Все это привело к тому, что в 1990-х гг. нейросетевые автоматические системы прочно вошли в инженерный обиход, и сейчас продолжается активная работа по их реализации для различных задач анализа и распознавания информации.

Динамическая синапсовая нейронная сеть (DSNN)

Дерзание свойственно человеку еще со времен мифологического Прометея. Почему бы нам не улучшить решение, найденное природой? Еще раз напомним, что традиционная нейронная сеть, созданная на основе биологического прототипа, имеет единственный выход от каждого нейрона. А что если перейти к модели, когда каждый нейрон имеет много выходов? Так родилась идея построения динамической синап-совой нейронной сети (DSNN), которая показана на рис. 1.

В DSNN отдельные нейроны передают обработанную информацию в виде изменения в целой серии точечных событий (логика «все или ничего»), а соединения между отдельными нейронами моделируются как динамический процесс с различными временными параметрами, полученными на основании экспериментальных исследований в ходе «обучения» системы распознаванию той или иной информации. Эти временные параметры определяют динамику изменений в каждом синаптическом соединении и в конечном результате синаптический выход всей системы становится временной функцией, зависящей от происходящих на входе сети событий.

Таким образом, каждая последовательность событий на входе сети приводит к соответствующей последовательности событий на ее выходе. Поскольку каждый нейрон имеет несколько соединений и поскольку все они различны, DSNN позволяет нейрону кодировать и передавать пространственно-временной сигнал, который в принципе дает экспоненциальный рост информационной емкости системы по сравнению с традиционной.

Мы разработали алгоритм обучения, позволяющий оптимизировать передаточную функцию с каждым повтором входного события, что позволяет выявить неизменные составляющие в этом событии и «настроить» сеть на надежное распознавание этого события вне зависимости от влияния посторонних событий (шумов) на входе сети. Таким образом, концепция и архитектура DSNN ярко контрастирует с формализмом традиционных нейронных сетей (Artificial Neural Network -ANN), который оперирует со статическими коэффициентами (синаптическими весами), что позволяет с помощью обучения автоматически оптимизировать статические веса и каждому нейрону передавать одинаковые сигналы на все нейроны, соединенные с ним. Преимущества рассматриваемой модели можно продемонстрировать на основе проведенного нами эксперимента. Мы обучили распознаванию определенного звука системы, построенные на DSNN- и ANN- (best alternative) моделях, и измерили коэффициент распознавания ими этого звука при различных уровнях шумов. Результат наших измерений показан на рис. 2 (Human — коэффициент распознавания этого звука человеком). Думаю, никто не станет возражать, что преимущество DSNN-архитектуры очевидно.

Автоматическое целеуказание в системах видеонаблюдения

Одним из практических применений процессоров, построенных по архитектуре DSNN, является использование их для реализации автоматического целеуказания в системах видеонаблюдения. Мы «обучили» такой процессор распознаванию звука выстрела из различных видов огнестрельного оружия и разработали на его основе устройство, имеющее входы для параболического микрофона и выход для управления поворотной телевизионной камерой. Структурная схема этой системы показана на рис. 3.

Система устанавливается в местах возможных инцидентов с применением огнестрельного оружия, и в случае криминальной ситуации она автоматически распознает звук и направление выстрела, разворачивая камеру к источнику выстрела. Одновременно посылается сигнал в соответствующие компетентные органы. Таким образом, мы получили круглосуточного полицейского, которому не требуется ни пища, ни отдых. Мы совместно с местными инсталляторами систем безопасности установили нашу систему в ряде криминогенных городских зон США и получили впечатляющее снижение уровня уличной преступности. Экспериментальный радиус устойчивого действия системы достигал двух городских кварталов.

Разумеется, это только одно из возможных практических применений технологии DSNN. Сеть можно «обучить» распознаванию практически любой необходимой последовательности входных событий. От сложности решаемой задачи зависит в основном только время, которое необходимо потратить на «обучение» системы (отсчет здесь начинается от нескольких месяцев), поскольку именно в процессе обучения сеть оптимизирует себя под выявление конкретного события.

В заключение можно добавить, что возможности применения технологии DSNN огромны, они ограничиваются только человеческим воображением.

Опубликовано: Журнал «Системы безопасности» #1, 2006
Посещений: 17707

В рубрику «Видеонаблюдение (CCTV)» | К списку рубрик  |  К списку авторов  |  К списку публикаций

Что такое нервная система?

Пуджа Тошнивал Пахариа Рецензент: Бенедетт Куффари, M.Sc.

Введение в центральную нервную систему (ЦНС)
Головной мозг
Ствол головного мозга
Головной мозг
Мозжечок
Промежуточный мозг
Спинной мозг
Мозговые оболочки
Нейроны
ПНС
Соматическая нервная система 9005 Соматическая нервная система 900
Дополнительная литература

Введение в центральную нервную систему (ЦНС)

Нервная система представляет собой сложную сеть нервов и клеток, передающих сообщения от головного и спинного мозга к различным частям тела. Правильное функционирование этих нервов гарантирует, что каждая система органов, такая как сердечно-сосудистая, желудочно-кишечная и иммунная системы, может адекватно общаться друг с другом.

Нервная система включает центральную нервную систему (ЦНС) и периферическую нервную систему (ПНС). ЦНС состоит из головного и спинного мозга, тогда как ПНС состоит из соматической и вегетативной нервной системы.

Изображение предоставлено VectorMine / Shutterstock.com

Мозг

В среднем мозг весит от 1,3 до 1,4 кг, причем около 60% мозга состоит из жира. Остальные 40% мозга состоят из белков, воды, углеводов и солей.

Головной мозг можно разделить на четыре отдельные области: ствол мозга, большой мозг, мозжечок и промежуточный мозг. В совокупности эти различные области мозга контролируют мышление, память, эмоции, осязание, двигательные навыки, зрение, дыхание, чувство голода, температуру и все другие процессы, происходящие в организме.

Мозг состоит из серого и белого вещества. Серое вещество более темного цвета, окружающее белое вещество, состоит из сомы нейронов и круглых тел центральных клеток. И наоборот, белое вещество, более светлое по цвету и составляющее внутреннюю часть мозга, в основном состоит из аксонов — длинных стеблей, соединяющих нейроны.

Серое вещество обычно обрабатывает и интерпретирует информацию, тогда как белое вещество передает информацию в другие области нервной системы.

Изображение предоставлено: ShadeDesign / Shutterstock.com

Ствол головного мозга

Ствол головного мозга, расположенный в середине головного мозга, представляет собой стеблеобразную часть головного мозга, которая соединяет головной мозг со спинным мозгом и составляет около один дюйм длиной. Эта область регулирует основные функции, такие как артериальное давление, дыхание, сердечный ритм и глотание.

Ствол головного мозга можно разделить на средний мозг, мост и продолговатый мозг.

Средний мозг, также известный как мезэнцефалон, играет решающую роль в регулировании движений глаз, эмоций, слуха и долговременной памяти. Примечательно, что черная субстанция, богатая дофаминергическими нейронами, расположена в среднем мозге и часто поражается болезнью Паркинсона.

Мост является исходным местом для четырех из 12 черепных нервов. Некоторые из различных функций, регулируемых варолиевым мостом, включают движения лица, слух, дыхание и равновесие.

Продолговатый мозг расположен в нижней части ствола головного мозга, где встречаются головной и спинной мозг. Эта область ствола головного мозга регулирует дыхание, частоту сердечных сокращений и кровяное давление. Кроме того, продолговатый мозг поддерживает рефлекторную деятельность, такую ​​как чихание, рвота, кашель и глотание.

Головной мозг

Головной мозг является наиболее важной частью головного мозга и выстлан глубоким складчатым слоем нервной ткани, называемым корой головного мозга. Расположенный в передней части головного мозга, большой мозг делится на правое и левое полушария головного мозга, оба соединены мозолистым телом.

Правое полушарие отвечает за создание сознания, эмоций, восприятия выражения лица, позы и просодии, тогда как левое полушарие доминирует в языке и предварительной обработке социальных эмоций. Правое полушарие контролирует левую сторону тела, тогда как левое полушарие контролирует правую сторону.

Полушария делятся на четыре доли, которые включают лобную, височную, теменную и затылочную доли.

Лобная доля находится кпереди от центральной борозды и регулирует произвольные движения, речь, память, эмоции, личность, суждения, двигательную функцию, планирование, организацию и кратковременную память.

Теменная доля расположена кзади от центральной борозды и выше затылочной доли. Эта доля контролирует пространственные отношения, позволяя людям понять, где их тело по сравнению с окружающими объектами. Кроме того, теменная доля позволяет воспринимать такие ощущения, как боль и прикосновение.

Зоны Брока и Вернике необходимы для производства и понимания речи. Зона Брока, отвечающая за способность воспроизводить речь, расположена в лобной доле. И наоборот, зона Вернике, которая позволяет людям понимать разговорную речь, расположена в теменной доле.

Височные доли расположены по бокам мозга и ниже латеральной щели. Эти доли необходимы для зрительной, обонятельной и вкусовой обработки, звуковой и языковой интерпретации, памяти и слуха.

Затылочная доля расположена в задней части мозга позади теменной и височной долей и отвечает за обработку зрительных данных, включая цвета и формы.

Мозжечок

Мозжечок расположен под височной и затылочной долями и над стволом мозга. Головной мозг отвечает за регулирование произвольных двигательных функций, координацию и равновесие. Недавние исследования показали, что мозжечок может также участвовать в мышлении, эмоциях и социальном поведении, а также в патофизиологии зависимости, аутизма и шизофрении.

Промежуточный мозг

Промежуточный мозг включает таламус и гипоталамус. Таламус является центром передачи сенсорных данных, тогда как гипоталамус передает гормональные сигналы в организм через гипофиз.

Таламус и гипоталамус вместе с миндалевидным телом и гиппокампом составляют лимбическую систему. Миндалевидное тело регулирует эмоции, память, а также систему вознаграждения мозга, стресс и реакцию «бей или беги» на угрозы.

Гиппокамп, расположенный под каждой височной долей, жизненно важен для долговременной памяти. Эта структура также играет роль в обучении, навигации и пространственном восприятии.

Спинной мозг

Спинной мозг представляет собой длинную трубчатую структуру, отходящую от головного мозга. Спинной мозг можно разделить на шейный, грудной и поясничный отделы, расположенные в области шеи, грудной клетки и нижней части спины.

Спинной мозг состоит из 31 пары нервов и нервных корешков. Область спинного мозга, от которой отходит пара спинномозговых нервов, называется спинномозговым сегментом.

Шейный отдел спинного мозга состоит из восьми нервов, отходящих от шеи и направляющихся в основном к лицу и голове.

Всего в грудном отделе спинного мозга находится двенадцать пар нервов. Эти нервы обеспечивают движения в верхней части тела, в том числе разгибание грудной клетки, верхней части спины и живота.

Еще десять пар нервов отходят от нижней части спины, при этом пять пар нервов проходят в поясничном и крестцовом отделах. Пары поясничных нервов идут к ногам и ступням, тогда как пары крестцовых нервов идут от нижней части спины к тазу.

Мозговые оболочки

Мозговые оболочки представляют собой три мембранных слоя, которые покрывают и защищают как головной, так и спинной мозг. Слои мозговых оболочек включают твердую мозговую оболочку, паутинную и мягкую мозговые оболочки.

Твердая мозговая оболочка является наружным слоем мозговых оболочек и может быть дополнительно подразделена на надкостничный и менингеальный слои. Средний слой мозговых оболочек представляет собой паутинную оболочку, представляющую собой паутинообразный слой соединительной ткани, не содержащий нервов и кровеносных сосудов. Наконец, мягкая мозговая оболочка — самый тонкий слой мозговых оболочек.

Нейроны

Нейрон, основная единица нервной системы, представляет собой специализированную проводящую клетку, которая получает и передает электрохимические нервные импульсы между мозгом и остальной частью нервной системы.

Нейрон состоит из тела клетки, дендрита и аксона. Тело клетки содержит ядро, которое контролирует клеточную активность и содержит генетический материал.

Дендриты представляют собой разветвленные отростки, отходящие от тела клетки и принимающие сигналы от других нейронов.

Электрические сигналы проходят по длинному и тонкому отростку, известному как аксон, который отходит от тела клетки. Эти химические сигналы, чаще называемые нейротрансмиттерами, проходят между нейронами через пространство, известное как синапс.

Сенсорные нейроны передают сигналы от сенсорных рецепторов в мозг, тогда как моторные нейроны передают сигналы от мозга к другим нервам, мышцам и железам. Третий класс нейронов включает интернейроны.

Миелиновая оболочка изолирует нейроны и непрерывна вдоль аксонов или дендритов, за исключением перехватов Ранвье. Миелин, состоящий из жира и белков, обеспечивает защиту нейрона, распространяет электрические импульсы между нейронами и поддерживает силу сигнала при его прохождении по аксону.

Изображение предоставлено: MattLphotography / Shutterstock.com

ПНС

ПНС состоит из соматической и вегетативной нервной системы. В совокупности эти системы передают информацию из разных областей тела в мозг и обеспечивают передачу сигналов, посылаемых мозгом, в другие области тела.

Соматическая нервная система

Соматическая нервная система (СНС) состоит из периферических нервных волокон, передающих сенсорную информацию или ощущения от периферических органов в ЦНС. СНС также включает двигательные нервные волокна, которые выходят из мозга и передают команды для движения скелетным мышцам.

Например, при прикосновении к горячему предмету сенсорные нервы передают информацию о тепле в мозг. Впоследствии мозг через двигательные нервы дает команду мышцам руки немедленно отдернуть его. Этот процесс занимает менее одной секунды. Тело нервной клетки, которое несет эту информацию, часто находится в головном или спинном мозге и проецируется непосредственно на скелетную мышцу.

Вегетативная нервная система

Вегетативная нервная система (ВНС) управляет нервами внутренних органов тела, которыми невозможно управлять сознательно. ВНС можно разделить на симпатическую, парасимпатическую и энтеральную нервную систему. Некоторые из различных действий, контролируемых ВНС, включают сердцебиение, пищеварение, подсознательное дыхание, кровяное давление и сексуальное возбуждение.

Нейротрансмиссия — трехмерная медицинская анимация

Ссылки

• Ствол мозга [онлайн]. Доступно по адресу: https://my.clevelandclinic.org/health/body/21598-brainstem#:~:text=Ваш%20мозговой ствол%20является%20%20нижним, влияет%20как%20ваш%20мозговой ствол%20работает.
• Абханг, П.А., Гавай, Б.В., и Мехротра, С.К. (2016). Глава 1. Введение в эмоции, электроэнцефалографию и обработку речи. doi: 10.1016/B978-0-12-804490-2.00001-4.
• Анатомия мозга и принцип работы мозга. [Онлайн] Доступно по адресу: https://www.hopkinsmedicine.org/health/conditions-and-diseases/anatomy-of-the-brain.
• Спинной мозг [Онлайн]. Доступно по адресу: https://my.clevelandclinic.org/health/body/21946-spinal-cord

.

• Миелиновая оболочка [онлайн]. Доступно по адресу: https://my.clevelandclinic.org/health/body/22974-myelin-sheath

.

• мозговые оболочки [онлайн]. Доступно по адресу: https://my.clevelandclinic.org/health/articles/22266-meninges

.

Дополнительная литература

• Все содержание нервной системы
• Функции нервной системы
• Развитие нервной системы
• Патология нервной системы
• Что такое шванновские клетки?

Нервная система | Определение, функция, структура и факты

нейрона; проведение потенциала действия

Смотреть все СМИ

Ключевые люди:

Дэвид Хантер Хьюбел
Роджер Уолкотт Сперри
Иван Павлов
Гален
Йоханнес Мюллер

Похожие темы:

человеческое ухо
сенсорный прием человека
обонятельная система
вкусовой рецептор
глаз

Просмотреть весь связанный контент →

Резюме

Прочтите краткий обзор этой темы

нервная система , организованная группа клеток, специализирующихся на проведении электрохимических стимулов от сенсорных рецепторов через сеть к участку, на котором возникает ответ.

Следите за электрическими и химическими изменениями, происходящими при передаче импульса через нервную систему человека

Посмотреть все видео к этой статье

Все живые организмы способны обнаруживать изменения внутри себя и в окружающей их среде. К изменениям внешней среды относятся изменения света, температуры, звука, движения и запаха, а к изменениям внутренней среды относятся изменения положения головы и конечностей, а также внутренних органов. После обнаружения эти внутренние и внешние изменения необходимо проанализировать и принять соответствующие меры, чтобы выжить. По мере развития жизни на Земле и усложнения окружающей среды выживание организмов зависело от того, насколько хорошо они могли реагировать на изменения в окружающей среде. Одним из факторов, необходимых для выживания, была быстрая реакция или реакция. Поскольку связь от одной клетки к другой с помощью химических средств была слишком медленной, чтобы обеспечить выживание, возникла система, которая позволяла реагировать быстрее. Этой системой была нервная система, основанная на почти мгновенной передаче электрических импульсов от одной области тела к другой по специализированным нервным клеткам, называемым нейронами.

Нервная система бывает двух основных типов: диффузная и централизованная. При диффузном типе системы, встречающемся у низших беспозвоночных, мозг отсутствует, а нейроны распределены по организму сетчатым образом. В централизованных системах высших беспозвоночных и позвоночных часть нервной системы играет доминирующую роль в координации информации и управлении реакциями. Эта централизация достигает своего апогея у позвоночных, имеющих хорошо развитый головной и спинной мозг. Импульсы передаются в головной и спинной мозг и обратно по нервным волокнам, составляющим периферическую нервную систему.

Эта статья начинается с обсуждения общих особенностей нервной системы, т. е. ее функции реагирования на раздражители и довольно однообразных электрохимических процессов, посредством которых они вызывают реакцию. Далее следует обсуждение различных типов нервной системы, от самых простых до самых сложных.

Соломон Д. Эрулкар

Форма и функция нервной системы

Простейший тип ответа – прямая реакция «стимул-реакция один на один». Изменение в окружающей среде является стимулом; реакция организма на него и есть ответ. У одноклеточных организмов реакция является результатом свойства клеточной жидкости, называемого раздражительностью. У простых организмов, таких как водоросли, простейшие и грибы, реакция, при которой организм движется к раздражителю или от него, называется таксисом. В более крупных и сложных организмах, у которых реакция включает синхронизацию и интеграцию событий в разных частях тела, между стимулом и реакцией находится механизм контроля, или регулятор. В многоклеточных организмах этот регулятор состоит из двух основных механизмов, с помощью которых достигается интеграция, — химической регуляции и нервной регуляции.

В химической регуляции вещества, называемые гормонами, вырабатываются четко определенными группами клеток и либо распространяются, либо переносятся кровью в другие области тела, где они воздействуют на клетки-мишени и влияют на метаболизм или вызывают синтез других веществ. Изменения, возникающие в результате действия гормонов, выражаются в организме во влиянии или изменении формы, роста, размножения и поведения.

Оформите подписку Britannica Premium и получите доступ к эксклюзивному контенту.
Подпишитесь сейчас

Растения реагируют на различные внешние раздражители, используя гормоны в качестве регуляторов в системе «стимул-реакция». Направленные реакции движения известны как тропизмы и являются положительными, когда движение направлено к раздражителю, и отрицательным, когда оно направлено от раздражителя. Когда семя прорастает, растущий стебель поворачивается вверх к свету, а корни поворачиваются вниз от света. Таким образом, стебель проявляет положительный фототропизм и отрицательный геотропизм, а корни — отрицательный фототропизм и положительный геотропизм. В этом примере свет и гравитация являются стимулами, а направленный рост — реакцией. Регуляторами являются определенные гормоны, синтезируемые клетками на кончиках стеблей растений. Эти гормоны, известные как ауксины, диффундируют через ткани под кончиком стебля и концентрируются на затененной стороне, вызывая удлинение этих клеток и, таким образом, изгибание кончика к свету. Конечным результатом является поддержание растения в оптимальном состоянии по отношению к свету.

У животных помимо химической регуляции через эндокринную систему существует еще одна интегративная система, называемая нервной системой. Нервную систему можно определить как организованную группу клеток, называемых нейронами, специализированных для проведения импульса — возбужденного состояния — от сенсорного рецептора через нервную сеть к эффектору, месту, в котором возникает реакция.

Организмы, обладающие нервной системой, способны к гораздо более сложному поведению, чем организмы, не имеющие ее. Нервная система, специализирующаяся на проведении импульсов, позволяет быстро реагировать на раздражители окружающей среды. Многие реакции, опосредованные нервной системой, направлены на сохранение статус-кво или гомеостаза животного. Стимулы, которые имеют тенденцию смещать или разрушать какую-либо часть организма, вызывают реакцию, которая приводит к уменьшению побочных эффектов и возвращению к более нормальному состоянию. Организмы с нервной системой также способны выполнять вторую группу функций, которые инициируют разнообразные модели поведения. У животных могут быть периоды исследовательского или аппетитного поведения, строительства гнезд и миграции. Хотя эти действия полезны для выживания вида, они не всегда выполняются индивидуумом в ответ на индивидуальную потребность или стимул. Наконец, выученное поведение может накладываться как на гомеостатическую, так и на инициирующую функции нервной системы.

Внутриклеточные системы

Все живые клетки обладают свойством раздражительности или реакции на раздражители окружающей среды, которые могут по-разному воздействовать на клетку, вызывая, например, электрические, химические или механические изменения. Эти изменения выражаются в виде реакции, которая может представлять собой выделение секреторных продуктов клетками железы, сокращение мышечных клеток, изгибание растительной стволовой клетки или биение хлыстообразных «волосков» или ресничек реснитчатыми клетками.