我是否正确阅读了泄漏的集成发射或爆裂神经元模型的重侧步函数的符号？
Am I reading the notation of a heavysidestep function correclty for the leaky integrate-fire-or-burst neuron model?
作为一个充满激情的项目，我正在重建纽约大学 XJ Wang 实验室的神经元模型。论文是 Wei, W., & Wang, X. J. (2016)。皮质-基底神经节-丘脑皮质环路中的抑制控制：复杂的调节以及与记忆和决策过程的相互作用。神经元，92(5)，1093-1105。
我遇到的主要问题是解释计算神经元膜电压微分的方程式。他们已经为基底神经节和底丘脑核中的细胞建立了一个爆发性神经元模型。这些区域中膜电压的微分方程包含超极化反弹，导致爆发和强直尖峰。该等式位于先前论文的第 2 页，该论文使用的模型基本上完全相同。我已经 link 编辑了下面的文章，并且我还提供了一张图片 link 到确切的段落。
http://www.cns.nyu.edu/wanglab/publications/pdf/wei.jns2015.pdf
This is the equation I'm having trouble reading, don't worry about Isyn its the input current from the synapses
公式取自这篇论文：https://www.physiology.org/doi/pdf/10.1152/jn.2000.83.1.588
显然方程需要被离散化，所以我可以 运行 它与 numpy 但我暂时忽略它，因为这样做相对容易。所有 H 的中间项给我带来了麻烦。据我了解，我应该 运行ning 执行以下操作的代码：
gt * h * H(V-Vh) * (V-Vt)
其中 H(V-Vh) 是重侧阶跃函数，V 是先前时间步的膜电压 Vh = -60mV 和 Vt = 120mV。 gt是nanoSiemens中的电导效率常数。我认为 python 的正确解释方法是...
gt * h * heavyside(-60, 0.5)*(V-120)
但我不能 100% 确定我是否正确阅读了符号。有人可以确认我已经按原意阅读了吗？
其次，h 是失活项，如 Smith 等人，2000 年第 2 页最后一段中所述，它会引起爆裂（我 [的第二个 pdf link编辑到）。我很了解控制 h 演化的微分方程，但是 h 的值是多少？在史密斯等人。 2000 年，作者说 h 以 20ms 的时间常数放松到零，并以 100ms 的时间常数放松到统一。 h relaxing from 是什么值，relax to unity 是什么意思？
对你来说 x1 (numpy.heaviside) 是 = V-Vh;您正在将该差异与零进行比较。您可能会尝试编写自己的 Heaviside 函数版本以加深理解，然后在需要速度或兼容性时返回到 numpy 版本。 pseudo-code 冗长的版本是这样的，
if (V<Vh): return(0); else: return(1);
您可能只在代码中编写 (V>=Vh)，因为 Python 会将布尔值处理为 1 如果为真，如果为假则为 0。
这忽略了 Heaviside 完整版本中 V==Vh 的可能性，但对于大多数具有实数值（甚至在计算机中离散化）的实际工作来说，这不太可能值得你担心，但是你可以很容易地添加它。
作为一个充满激情的项目，我正在重建纽约大学 XJ Wang 实验室的神经元模型。论文是 Wei, W., & Wang, X. J. (2016)。皮质-基底神经节-丘脑皮质环路中的抑制控制：复杂的调节以及与记忆和决策过程的相互作用。神经元，92(5)，1093-1105。
我遇到的主要问题是解释计算神经元膜电压微分的方程式。他们已经为基底神经节和底丘脑核中的细胞建立了一个爆发性神经元模型。这些区域中膜电压的微分方程包含超极化反弹，导致爆发和强直尖峰。该等式位于先前论文的第 2 页，该论文使用的模型基本上完全相同。我已经 link 编辑了下面的文章，并且我还提供了一张图片 link 到确切的段落。 http://www.cns.nyu.edu/wanglab/publications/pdf/wei.jns2015.pdf
This is the equation I'm having trouble reading, don't worry about Isyn its the input current from the synapses
公式取自这篇论文：https://www.physiology.org/doi/pdf/10.1152/jn.2000.83.1.588
显然方程需要被离散化，所以我可以 运行 它与 numpy 但我暂时忽略它，因为这样做相对容易。所有 H 的中间项给我带来了麻烦。据我了解，我应该 运行ning 执行以下操作的代码：
gt * h * H(V-Vh) * (V-Vt)
其中 H(V-Vh) 是重侧阶跃函数，V 是先前时间步的膜电压 Vh = -60mV 和 Vt = 120mV。 gt是nanoSiemens中的电导效率常数。我认为 python 的正确解释方法是...
gt * h * heavyside(-60, 0.5)*(V-120)
但我不能 100% 确定我是否正确阅读了符号。有人可以确认我已经按原意阅读了吗？
其次，h 是失活项，如 Smith 等人，2000 年第 2 页最后一段中所述，它会引起爆裂（我 [的第二个 pdf link编辑到）。我很了解控制 h 演化的微分方程，但是 h 的值是多少？在史密斯等人。 2000 年，作者说 h 以 20ms 的时间常数放松到零，并以 100ms 的时间常数放松到统一。 h relaxing from 是什么值，relax to unity 是什么意思？
对你来说 x1 (numpy.heaviside) 是 = V-Vh;您正在将该差异与零进行比较。您可能会尝试编写自己的 Heaviside 函数版本以加深理解，然后在需要速度或兼容性时返回到 numpy 版本。 pseudo-code 冗长的版本是这样的，
if (V<Vh): return(0); else: return(1);
您可能只在代码中编写 (V>=Vh)，因为 Python 会将布尔值处理为 1 如果为真，如果为假则为 0。
这忽略了 Heaviside 完整版本中 V==Vh 的可能性，但对于大多数具有实数值（甚至在计算机中离散化）的实际工作来说，这不太可能值得你担心，但是你可以很容易地添加它。