In my thesis, I have introduced an inhibitory plasticity mechanism into the widely-used Jansen Rit (JR) mean field neuronal population model in the context of large-scale simulations of brain network models (BNMs). First, I provided a broad introduction to the field and discussed the components of the whole-brain simulations setup, outlining the motivation and context for the presented work. The proposed dynamic Feedback Inhibition Control (dFIC) addressed the problem of global over-excitation arising from structural connectivities with heavy-tailed weight distributions. I demonstrated the implementation of dFIC in a single node, small network, and whole-brain scales. Single-node analysis resulted in the derivation of the necessary conditions and limitations of dFIC in a single-node uncoupled JR model and their extrapolation to the network case, including the determination of feasible tuning targets. Small network results provided evidence supporting such extrapolation, exploration of dFIC-specific parameters, and demonstrated the effect of noise on dFIC in the JR system. Further, the implementation of dFIC in the whole-brain network highlighted its impact on the characteristics of both the outputs of the JR model. The introduction of advanced fitting methods and the novel application of Poincaré analysis allowed me to establish a connection between the increase in the complexity of the dynamics exhibited by the JR model and the fitting optima.
In meiner Dissertation habe ich den Mechanismus der inhibitorischen Plastizität systematisch in das weit verbreitete Jansen-Rit-Modell (JR-Modell) eingeführt. Die vorgeschlagene dynamische Feedback Inhibitory Control (dFIC) adressiert das Problem der globalen Over-excitation, die durch strukturelle Konnektome mit heavy-tailed Verteilungen entsteht. Ich diskutiere die Motivation, die Grundlagen und die Funktion dieser Lösung im Kontext von Gehirnnetzwerkmodellen (BNMs). Hierbei baue ich auf meiner veröffentlichten Arbeit auf und skizziere zukünftige Forschungsvorhaben. Basierend auf einer SingleNode Analyse eines isolierten JR-Modells wurden notwendige Bedingungen und Grenzen von dFIC abgeleitet und anschließend auf die Anwendung im Netzwerk extrapoliert, einschließlich der Bestimmung praktikabler Tuningziele. Die Exploration von dFIC-spezifischen Parametern in kleinen Netzwerken lieferten Belege für diese Extrapolation. Zudem wurde der Einfluss von Rauschen auf dFIC im JR-System demonstriert. Die Implementierung desselben Mechanismus im whole-brain Netzwerk zeigte die Auswirkungen von dFIC auf die Eigenschaften sowohl der PSP- als auch der BOLD-Ausgaben des JR-Modells. Die Einführung fortgeschrittener Anpassungsmethoden und die neuartige Anwendung der Poincaré-Analyse ermöglichten mir, einen Zusammenhang zwischen der Zunahme der Komplexität, der vom JR-Modell gezeigten Dynamik, und den Fitting optima herzustellen.
