10. juni 2016

Kang Li vinder posterpris

Pris

PhD-studerende Kang Li vandt i sidste uge en pris for bedste poster på en konference om matematisk neuroscience.

Kang LiKang Li vandt en Kindle og 200 euro til at købe Springer-bøger for. Der deltog 72 posters i konkurrencen. Kang Li deltog med posteren “Responses of leaky integrate-and-fire neurons to a plurality of stimuli”.

Konferencen “2nd International Conference on Mathematical Neuroscience” blev afholdt I Juan-les-Pins ved den franske Riviera. Hovedtalerne var Wulfram Gerstner (Schweiz), John Rinzel (USA) og Antoine Triller (Frankrig). Fra MATH deltog udover Kang Li også professor Susanne Ditlevsen, Jacob Østergaard (PhD studerende), Mads Bonde Raad (videnskabelig assistent).

Kang Li har været ph.d.-studerende ved Institut for Matematiske Fag siden november 2013. Han er tilknyttet sektionen Statistik og Sandsynlighedsregning og har Susanne Ditlevsen som hovedvejleder.

Li er desuden tilknyttet Dynamical Systems Interdisciplinary Network (DSIN), der arbejder med matematisk modellering og statistiske metoder i social-, sundheds- og naturvidenskab. Formålet er at udvikle matematiske modeller og statistiske metoder til at beskrive og forstå komplekse dynamiske systemer inden for de nævnte områder.

Resume fra Kang Lis poster:

“A fundamental question concerning the way the visual world is represented in our brain is how a cortical cell responds when its classical receptive field contains a plurality of stimuli. Two opposing models have been proposed. In the response-averaging model, the neuron responds with a weighted average of all individual stimuli. By contrast, in the probability-mixing model, the cell responds to a plurality of stimuli as if only one of the stimuli were present. Here we apply the probability-mixing and the response-averaging model to leaky integrate-and-fire neurons, to describe neuronal behavior based on observed spike trains. We first estimate the parameters of either model using numerical methods, and then test which model is most likely to have generated the observed data. Results show that the parameters can be successfully estimated and the two models are distinguishable using model selection”.