一种神经元参数拟合方法技术

一种神经元参数拟合方法属于神经科学领域，提高神经元参数拟合的效率。因为现实中复原真实的神经元放电活动具有重要意义，在实验中可以测得某种神经元所包含的离子通道种类，但是离子通道的电导值不易测得。本发明专利技术采用CUDA编程加速了遗传算法求解神经元模型电导参数的过程，充分利用了GPU的计算资源，并采用MFC框架可视化了算法求解的过程。该工具既可以通过导入实验数据，也可以根据指定的电导参数值和刺激电流来生成伪实验数据对工具的运行结果进行检验。本工具方便了实验人员的使用。实验结果显示，算法能找到接近最优参数的值，从而复现实验测得的电信号。

A fitting method for neuron parameters

A fitting method of neuron parameters belongs to the field of neuroscience, which improves the efficiency of fitting neuron parameters. Because it is important to restore the real discharge activity of neurons in reality, the types of ion channels contained in certain neurons can be measured in experiments, but the conductivity of ion channels is not easy to measure. The method uses CUDA programming to accelerate the process of solving the conductivity parameters of the neuron model by genetic algorithm, makes full use of the computing resources of GPU, and uses MFC framework to visualize the process of solving the algorithm. The tool can not only import experimental data, but also generate pseudo-experimental data according to the specified conductivity parameters and stimulating current to test the results of the tool. This tool facilitates the use of laboratory personnel. The experimental results show that the algorithm can find the values close to the optimal parameters, thus the electrical signals measured by the experiment can be reconstructed.

【技术实现步骤摘要】
一种神经元参数拟合方法
：本专利技术属于神经科学领域。是一种利用了并行的遗传算法对实验数据进行拟合寻找参数的方法。该方法能有效提高神经元参数拟合的效率。
技术介绍
对于含有多种离子通道的HH模型来说，其表达式形如在实验中我们可以测得某种神经元所包含的离子通道种类，如果已知电导参数的值，我们可以求解上述微分方程得到每一时刻的电压值V，这样我们就能用这个方程去模拟真实的神经元放电活动。如何去寻找到最优的参数非常困难，例如在测量电信号的实验中，即使已经知道了神经元细胞所包含的离子通道种类，也很难模拟该细胞的放电活动，因为通常在实验中很难测得有关离子通道的电导值，即使是同一个方程，不同的电导参数，其所产生的电信号也会有很大不同。现在一些神经元仿真工具如NEURON和GENESIS也提供了相关的参数寻优工具。这些软件有些是采用CPU编程，有些只提供了很简单的GUI界面，从速度和实用性来说仍有很大的提升空间。因此，本文提出了一种高效实用的神经元参数拟合方法。
技术实现思路
：本专利技术要解决的是神经元电导参数拟合的问题，在实验数据很多的情况下，手动调参变得很困难。如果采用遗传算法进行自动参数拟合的话，当种群中个体数量非常多时，容易造成计算瓶颈，因此本文提出了一种高效的计算方法。首先根据输入的参数初始化种群产生初始种群，种群中的每一个个体实际代表的就是一组参数，还需输入一组真实的尖峰时间点数据，这组数据可以由真实的生物学实验测量记录得到，也可以由算法生成。种群中的每一个个体代入HH方程后都可以产生一组尖峰时间点数据，根据这组尖峰时间点数据和开始输入的真实尖峰数据可以计算每个个体对应的适应度值。特别地，为了解决当种群中个体数量很多而造成的计算适应度值的瓶颈，本专利技术将每个个体计算适应度值的过程放入GPU核心中进行。然后根据适应度值可以进行遗传操作，最终输出最优个体，即最优的电导参数。具体步骤如下：(1)输入一组真实的尖峰时间点数据，这组数据可以由真实的生物学实验测量记录得到，也可以由本专利技术提供的生成伪实验数据方法生成。其中生成伪实验数据的具体步骤是先给定电导参数的值，再选择需要拟合的离子通道种类，然后代入如下的HH方程得到数据。其中CM表示电容，V指的是电压值，是电导值，m，n，h都是关于t的微分方程，I是指当前给予神经元细胞的刺激电流，这个方程中包含一个钠通道和一个钾通道,上式中的m,n,h分别反映了这三种离子通道的开闭动态过程。αn，βn等表示与之相关的离子通道的速率常数。(2)采用并行遗传算法对(1)中的数据进行参数拟合，具体步骤如下：1)首先对电导参数进行实数编码，x＝[x1,x2,x3,x4,x5]其中x1～x5代表五个电导参数，其中包括一个钠通道，一个钙通道和三个钾通道，每一组电导参数代表一个个体，之后生成包含许多这种个体的初始群体A。2)选择，根据适应度值复制优秀个体，淘汰比较差的个体：(GPU具体实现是，从原始种群A中选择一个小种群A1，将种群A1平分成两部分a1,a2,比较a1,a2的对应位置上个体适应度值的大小，若a2中某个位置上的个体的适应度值比a1好，用a2中的该个体取代a1上对应位置的个体)3)混合交叉：(对a2中的每个个体根据交叉概率实行混合交叉，即对a2中的每个个体c,随机在a1中选择两个个体n1,n2,根据公式Ki＝n1*weight+n2*(1-weight)执行交叉，weight为0-1之间的随机值。)4)变异：(对a2中的每个个体根据变异概率实行正态分布变异，即对a2中的每个个体Ki有五个基因位，即五种离子通道的参数值，Ki＝[x1,x2,x3,x4,x5]，则针对基因位x1(第一个离子通道)，x1＝weight，其中weight服从正态分布，这里设定其服从正态分布的均值为(x1_Low+x1_Up)/2，x1_Low表示神经元第一个离子通道参数值的下界，x1_Up表示神经元第一个离子通道参数值的上界)5)种群交流：(从a1中引入一些个体取代种群A中的一些个体，从A中引入一些个体，取代a1中的一些个体。)6)将种群A1返回得到新种群A：7)重复2-6，直到达到设定的最大遗传代数，返回结果。其中适应度值的计算采用了如下方法：1.首先定义一个动作电位序列为M，其中mi表示动作电位序列中到达第i个电压峰值的时间点，这里动作电位序列M中一共包含k个电压峰值时间点从m1到mk，定义一个动作电位序列为N，其中ni表示动作电位序列N中到达第i个电压峰值的时间点，这里动作电位序列N中一共包含r个电压峰值时间点从n1到nrM＝{m1，m2，m3，...，mk}N＝{n1，n2，n3，...，nr｝2.定义一个核函数h(t)其中是时间常数3.定义两个与动作电位的形状无关的级数f(t，M)和f(t，N)4.定义两组动作电位序列M和N之间的距离为d5.上述距离d的计算可以转化成下面的形式6.其中mj表示动作电位序列M中到达第j个电压峰值的时间点，这里动作电位序列M中一共包含k个电压峰值时间点从m1到mk，其中nj表示动作电位序列N中到达第j个电压峰值的时间点,这里动作电位序列N中一共包含r个电压峰值时间点从n1到nr7.把d映射到了[0,1]之间，得到一个适应度值score这样就可以把两组动作电位序列之间的距离d用0-1之间的适应度值来表示了。其中为了解决遗传算法中计算个体适应度值速度非常慢的问题，针对每一个个体都需要计算一次HH方程来得到它的适应度值，采用将每个个体分配到一个GPU核心上，从而极大地克服了当种群中个体数量非常多时所造成的计算瓶颈，可以轻松达到大种群高速度的要求。有益的效果：软件采用了并行遗传算法来解决神经元离子通道参数优化问题,与现有技术相比，本专利技术具有如下优点：(1)本算法提供的生成伪实验数据的方法可以简单清晰地检验算法的效果；(1)将并行遗传算法将并行计算机的高速并行性和遗传算法天然的并行性相结合，采用将HH方程并行计算的方法，大大提高了运行效率；附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需附图作简单介绍。图1是本专利技术实施实例中神经元参数拟合装置的结构图。图2是本专利技术实施实例中神经元参数拟合装置中所用遗传算法的主要流程图。图3是本专利技术实施实例中神经元参数拟合装置中生成伪实验数据的主要流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。图1是本专利技术实施例神经元参数拟合装置的结构图，主要包括输入或得到数据模块11，遗传算法模块12，参数显示模块13，其中：输入或得到数据模块11主要作用是导入真实的生物学实验数据或者由本软件生成伪实验数据，数据包括spike时间点数据和电流数据。伪实验数据的生成如图3所示，包含如下步骤：步骤S31各段刺激电流的输入。步骤S32选择离子通道和输入对应的电导参数值及HH方程的一些参数。步骤S33生成伪实验数据并可视化电流和电压。遗传算法模块12的主要作用是运用遗传算法进行神经元参数的拟合。遗传算法的运行流程如图2所示，包含如下步骤：步骤S21产生初始种群，计算适应度值。步骤S22根据适应度值，对种群中的个体进行选择操作。步骤S23根据适应度值和交叉概率对种群中的本文档来自技高网...

【技术保护点】
1.一种神经元参数拟合方法，其特征在于，包括以下步骤：首先根据输入的参数初始化种群产生初始种群，种群中的每一个个体实际代表的就是一组参数，还需输入一组真实的尖峰时间点数据，这组数据由真实的生物学实验测量记录得到或者算法生成；种群中的每一个个体代入HH方程后都产生一组尖峰时间点数据，根据这组尖峰时间点数据和开始输入的真实尖峰数据计算每个个体对应的适应度值；然后根据适应度值进行遗传操作，最终输出最优个体，即最优的电导参数。

【技术特征摘要】
1.一种神经元参数拟合方法，其特征在于，包括以下步骤：首先根据输入的参数初始化种群产生初始种群，种群中的每一个个体实际代表的就是一组参数，还需输入一组真实的尖峰时间点数据，这组数据由真实的生物学实验测量记录得到或者算法生成；种群中的每一个个体代入HH方程后都产生一组尖峰时间点数据，根据这组尖峰时间点数据和开始输入的真实尖峰数据计算每个个体对应的适应度值；然后根据适应度值进行遗传操作，最终输出最优个体，即最优的电导参数。2.根据权利要求1所述的方法，其特征在于：当种群中个体数量很多而造成的计算适应度值的瓶颈，将每个个体计算适应度值的过程放入GPU核心中进行。3.根据权利要求1所述的方法，其特征在于：尖峰时间点数据由以下方法生成：先给定电导参数的值，再选择需要拟合的离子通道种类，然后代入如下的HH方程得到数据；其中CM表示电容，V指的是电压值，是电导值，m，n，h都是关于t的微分方程，I是指当前给予神经元细胞的刺激电流，这个方程中包含一个钠通道和一个钾通道,上式中的m,n,h分别反映了这三种离子通道的开闭动态过程；αn，βn表示与之相关的离子通道的速率常数。4.根据权利要求1所述的方法，其特征在于：采用并行遗传算法进行参数拟合，具体步骤如下：1)首先对电导参数进行实数编码，x＝[x1,x2,x3,x4,x5]其中x1～x5代表五个电导参数，其中包括一个钠通道，一个钙通道和三个钾通道，每一组电导参数代表一个个体，之后生成包含许多这种个体的初始群体A；2)选择，根据适应度值复制优秀个体，淘汰比较差的个体：从原始种群A中选择一个小种群A1，将种群A1平分成两部分a1,a2,比较a1,a2的对应位置上个体适应度值的大小，若a2中某个位置上的个体的适应度值比a1好，用a2中的该个体取代a1上对应位置的个体；3)混合交叉：对a2中的每个个体根据交叉概率实行混合交叉，即对a2中的每个个体c,随机在a1中选择两个个体n1,n2,根据公式Ki＝...

【专利技术属性】
技术研发人员：曹立宏，沈佳敏，王晔，宫妍竹，
申请(专利权)人：中国传媒大学，
类型：发明
国别省市：北京,11