other ارائه یک مدل محاسباتی الکتروفیزیولوژی بهبودیافته از عملکرد مغز در حالت توجه دیداری تخصصي Special پژوهشي اصیل Research <span style="color:#000000;"><span style="font-size:12px;"><span style="font-weight: 600; text-align: justify;">هدف</span><span style="text-align: justify;">: ارائه ی یک مدل محاســباتی الکتروفیزیولوژی بهبودیافته از عملکــرد مغز در حالت توجه هاکسلی دو لایه، بر اساس اتصالات مهاری، تحریکی &ndash; دیداری.&nbsp;</span><br style="color: rgb(128, 128, 128); font-family: Tahoma; font-size: 10.6667px; text-align: justify;" > <span style="font-weight: 600; text-align: justify;">روش</span><span style="text-align: justify;">: معماری این مدل هاجکین و پلاستیسیتی ســلول های اعصاب مرکزی و محیطی طراحی شده است. این مدل دارای سه بخش اصلی بوده و توجه انتخابی به صورت شبکه ای از سلول های خیزکی با اتصال ستاره بین واحد مرکزی و عناصر محیطی است. همچنین در این مدل توجه تمرکزیافته با برخی سلول های محیطی نشان داده می شود. این سلول ها خیزک هایی همزمان با سلول مرکزی تولید می کنند و بقیه ی آنها مهار می شوند. نوآوری این مقاله، ارایه ی دینامیک های قدرت ارتباطی جدید به صورت بخش های افزایشی و کاهشی، افزودن نویزها و عوامل تصادفی به مدل اســت.</span><br style="color: rgb(128, 128, 128); font-family: Tahoma; font-size: 10.6667px; text-align: justify;" > <span style="font-weight: 600; text-align: justify;">یافته ها</span><span style="text-align: justify;">: برای ارزیابی مدل، پنج نوع دینامیک شامل همزمانی سراسری، همزمانی جزئی، حالت های گذرا، سکون و ناهمزمانی در نظر گرفته شده است. نتایج شبیه سازی نشان می دهد که این مدل می تواند به صورت پی در پی اشیا را با الویت های فرکانسی نتایج این تحقیق با نتایج تحقیقات گذشته همخوانی خوبی دارد و   مختلف انتخاب کند.</span><br style="color: rgb(128, 128, 128); font-family: Tahoma; font-size: 10.6667px; text-align: justify;" > <span style="font-weight: 600; text-align: justify;">نتیجه گیری</span><span style="text-align: justify;">: توانسته رفتار مقاوم تری از خود نشان دهد.&nbsp;</span></span></span> <span style="font-size:12px;"><span style="font-family:tahoma;"><strong>Objective:</strong> In this paper, a computationally improved model of brain activity is developed in visual attention state.<br> <strong>Method:</strong> This model, based on Hodgkin&ndash;Huxley neurons, is a two-layer architecture of excitatory and inhibitory connections in a network of spiking neurons, with star-like connections between the central units and peripheral neurons. This model is composed of three modules and the focused attention is represented by those peripheral neurons that generate spikes synchronously with the central neuron while the activities of other peripheral neurons are sup- pressed. We propose rising and falling dynamic connections based on a Hebbian-rule of the spiking neurons, while also considering noise and random effects.<br> <strong>Results:</strong> To validate the model, we consider five types of dynamics by setting different parameters: asynchronous state, global synchronization, partial synchronization, transitional state, and quiescence state. Simulation results show that the improved model can sequentially select objects with different frequencies and has a reliable shift of attention from one object to another.<br> <strong>Conclusion:</strong> Results are consistent with the previous experimental works while exhibiting higher robustness.</span></span> الکتذوفیزیرواوژی, توجه دیداری, مدل محاسباتی, هاجکین - هاکسلی Electrophysiology, Visual attention, Computational model, Hodgkin–Huxley 1 13 http://icssjournal.ir/browse.php?a_code=A-10-2-510&slc_lang=other&sid=1 Seyyed Abed Hosseini سید عابد حسینی hosseyni@mshdiau.ac.ir :ر 10031947532846004217 10031947532846004217 Yes Biomedical Engineering Research Center, Mashhad Branch, Islamic Azad University, Mashhad, Iran. مرکز تحقیقات مهندســی پزشــکی، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران. Mohammad Bagher NaghibiSistani محمد باقر نقیبی سیستانی 10031947532846004218 10031947532846004218 No Department of Electrical Engineering, Faculty of Engineering, Ferdowsi University of Mashhad, Mashhad, Iran. گروه مهندســی برق، دانشــکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.