Chaque unité de calcul (ou neurone) est modélisée comme une fonction de réponse $f$ qui traite un jeu de données d'entrée multimodal $$s^\text{in}_1, ..., s^\text{in}_n$$. On peut supposer sans perte de généralité que les données d'entrée sont indexées sur l'axe temporel. On parle alors de message d'entrée où $$s^\text{in}_i = \{s^\text{in}_i(t)\}_{t \in \{t_0,... t_f\}}$$ représente un jeu de données indexé sur une trame temporelle et $s^\text{in}_i(t)$ représente un point de mesure du $i^\text{ème}$ message à l'instant $t$.
La sortie du neurone au temps $t_f$ est un scalaire: \begin{align}\label{eq:neurone_s_out} s^\text{out}(t_f) = f(s^\text{in}_1, ..., s^\text{in}_n) \end{align} (on parle aussi de réponse du neurone aux messages d'entrée). Un neurone est donc une unité élémentaire de traitement des données.
Le message de sortie du neurone : $$s^\text{out} = \{s^\text{out}(t)\}_{t \in \{t_0,... t_f\}}$$ est constitué d'une succession d'états "hauts" et d'états "bas":
$$s(t) = \sum_{\hat{t} \in \mathcal{T}_\text{out}} \delta(t - \hat{t})$$
Les synapses sont les canaux d'entrée des neurones :
L'intégration de la totalité des entrées peut être exprimée par une fonction de mise à jour du potentiel de membrane de la forme: \begin{align}\label{eq:neurone_V} V = g(s_1^\text{in}, ..., s_n^\text{in}) \end{align} où $s_1^\text{in}, ..., s_n^\text{in}$ sont les $n$ signaux entrants.
$$V = \sum_{i=1}^n J_i e(s_i^\text{in})$$ où $J_i$ est le coefficient synaptique de l'entrée $i$.
L'activation d'un neurone repose ensuite sur un mécanisme non linéaire de passage de seuil.