Neuron and synapse modeling in Spiking Neural Networks: a closed-loop cerebellar controller for reaching tasks

The complexity of human motor control has fostered research into computational models at different scales and with various approaches. Spiking Neural Networks (SNN) are a clear example of realistic modeling, as the dynamics of neuronal populations are able to replicate, at the macro scale, experimentally-observed functions. In this thesis, custom neuron and synapse models were implemented in a high-level language and validated against a gold standard. They were then used to construct a biologically-inspired closed-loop SNN controller, incorporating the main brain areas involved in motor control including a morphologically-detailed cerebellar network without plasticity. The implemented system was tested on simulations of various reaching tasks on a virtual robotic arm with one degree of freedom (elbow flexion/extension). Results confirmed good accuracy and discrete generalization capabilities, even if the absence of plasticity in the cerebellum limits its contribution. The presented model could act as a starting point for a deeper understanding of motor control dynamics in healthy and pathological subjects, and for the testing of novel neuroscience theories.

La complessità del controllo motorio negli umani ha favorito la ricerca verso modelli computazionali a diverse scale e sfruttando diversi approcci. Le reti neurali spiking (SNN) sono un esempio di modellizzazione realistica, in cui le dinamiche delle popolazioni di neuroni sono in grado di replicare, su scala macroscopica, diverse funzioni osservate sperimentalmente. In questa tesi, sono stati implementati dei modelli personalizzati di neuroni e di sinapsi utilizzando un linguaggio di modellizzazione ad alto livello, con una successiva validazione rispetto a uno standard precedente. Questi modelli sono poi stati utilizzati per costruire un controllore SNN ad anello chiuso e biologicamente ispirato, che incorpora le principali aree cerebrali coinvolte nel controllo motorio, compreso un modello del cervelletto anatomicamente dettagliato ma privo di plasticità. Il sistema implementato è stato testato tramite simulazioni di flesso-estensione di un braccio robotico virtuale con un solo grado di libertà. I risultati hanno dimostrato una buona accuratezza e una discreta capacità di generalizzazione, nonostante l'assenza di plasticità nel cervelletto ne limiti il contributo. Il modello qui presentato potrebbe costituire un punto di partenza per una comprensione più profonda dei processi di controllo motorio in pazienti sani e patologici e per la validazione di nuove teorie neuroscientifiche.