The central aim of computational neuroscience is to understand the computational principles underlying the neuronal processing of information. In this thesis experimental data is analyzed with methods from machine learning to contribute to a better understanding of the processing of calling songs in crickets and grasshoppers. Which features of cricket calling songs are critical for the recognition and evaluation of a potential mating partner? Chapter 2 investigates this question by analyzing a large body of behavioral data recorded from female crickets during phonotactic experiments with artificial neural networks. Models are presented that quantitatively predict the experimental measure of phonotactic behavior for a given set of feature values from calling songs. The model predictions allow to identify minimal feature sets that best describe the behavioral data. How is information about a calling song, i.e. the song identity and its attractiveness, encoded in the neuronal pattern of auditory neurons in grasshoppers? To answer this question behavioral as well as electrophysiological data of auditory neurons are analyzed with naive Bayes classifiers in chapter 3. It is shown that information about a stimulus is encoded in the spike count of populations of neurons.
Zentraler Untersuchungsgegenstand von 'computational neuroscience' sind die Verrechnungsprinzipien, welche der neuronalen Informationsverarbeitung zugrunde liegen. In dieser Doktorarbeit werden experimentelle Daten mit Methoden des maschinellen Lernens analysiert um zu einem besseren Verständnis der Verarbeitung von Balzgesängen in Grillen und Grashüpfern beizutragen. Welche Charakteristika der Balzgesänge von Grillen sind ausschlaggebend für die Erkennung und Beurteilung potentieller Paarungspartner? Kapitel 2 untersucht diese Fragestellung durch Analyse von Verhaltensdaten mit künstlichen neuronalen Netzen. Es werden Modelle präsentiert die das phonotaktische Verhalten der Weibchen auf Basis beschreibender Größen eines Gesanges quantitativ vorhersagen. Diese Vorhersagen ermöglichen Teilmengen von mehreren Charakteristika zu identifizieren welche die Verhaltensdaten am besten beschreiben. Wie sind Informationen eines Balzgesanges, z.B. die Identität oder die Attraktivität, in den neuronalen Antworten auditorischer Neurone in Grashüpfern kodiert? Um diese Frage zu beantworten werden in Kapitel 3 Verhaltensdaten und elektrophysiologische Daten mit Bayes Klassifikatoren untersucht. Es wird gezeigt, dass Informationen über den Gesang in der Anzahl der Aktionspotentiale von Populationen auditorischer Neurone kodiert ist.
