一种虚拟数字脑构建方法与系统及智能机器人控制系统技术方案

本公开提出了一种虚拟数字脑构建方法与系统以及智能机器人控制系统，虚拟数字脑构建方法包括如下步骤：构建虚拟数字脑得到静息状态和任务状态下的脑功能因果连接网络；利用确定性算法和概率算法相结合的混合纤维束跟踪方法，构建大脑结构网络；比较结构网络与脑功能因果连接网络，将脑区间不存在直接结构连接的因果连接删除，获得改进的虚拟数字脑；以静息态作为基线，获得任务信号刺激下脑区的激活状态，建立节点神经活动信号预测模型即为最终的虚拟数字脑。本公开通过结构网络对脑功能因果连接网络进行了改进，联合运用功能和结构信息，将脑区间不存在直接结构连接的因果连接删除，去除间接连接的影响，以便有利于后续处理中，建立更加有效的节点神经活动信号预测模型。

【技术实现步骤摘要】
一种虚拟数字脑构建方法与系统及智能机器人控制系统
本公开涉及大脑网络及类脑人工智能相关
，具体的说，是涉及一种虚拟数字脑构建方法与系统以及智能机器人控制系统，采用本公开的虚拟数字脑构建方法构建的虚拟数字脑可用于智能机器人的控制。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，并不必然构成在先技术。脑科学主要研究大脑的结构与功能，理解认知、记忆、思维等意识产生的机理。脑科学对各种脑功能机理的解析，对有效诊断和治疗脑疾病有重要的临床意义。类脑人工智能是通过借鉴脑科学研究成果，来模拟人脑功能，二者相互借鉴、相互融合的发展是近年来国际科学界涌现的新趋势，其对人类健康和新一代人工智能技术及新型信息产业的发展意义重大，是国际科技界潜心研究的重要领域。脑科学研究的关键是要实现对神经元集群活动的实时观察，并通过特定神经环路的结构追踪及其活动操纵，研究其对脑功能的充分性和必要性，进而在全脑尺度上解析神经环路的结构和功能。基于预静息态功能磁共振成像(fMRI)数据，得到人脑中各个脑区间的熵连接，由这些熵连接和各个脑区组成人脑的一个网络，这个网络就是人脑的一个因果连接网，称为个体化的虚拟数字脑，是人脑的一个虚拟仿真模型，包括节点、节点之间的连接关系以及因果连接的强度。连接网中的每一个节点代表一个布鲁德曼功能脑区或自动解剖结构标注模板中的一个对应脑区，节点间有方向的连线表示脑区间的因果连接，连线的方向代表脑区间因果连接的方向。专利技术人发现，现有的虚拟大脑模型是欧洲基于受试者脑结构磁共振成像和弥散张量成像数据，构建的个体化脑网络模型，并通过功能磁共振成像数据、脑电图和脑磁图数据调节模型参数，使模型的输出信号同真实的脑信号尽可能接近。但由于脑结构网相对固定，构建的结构网预测模型存在缺陷，经过测试发现模型预测数据与实际数据相差太大，无法在实际应用中推广利用，从而不能为类脑人工智能是提供准确的人脑功能模拟模型，不利于人工智能的智能化发展，同时不能通过模型为人脑疾病判断提供准确的数据支持。
技术实现思路
本公开为了解决上述问题，提出了一种虚拟数字脑构建方法与系统以及智能机器人控制系统，分别建立虚拟数字脑的结构网络和因果网络，通过结构网络对虚拟数字脑中的因果网络进行改进，结构与功能的信息，建立更加贴合人脑网络的节点神经活动信号预测模型，更适合用于人工智能和人类神经系统活动机理的研究。为了实现上述目的，本公开采用如下技术方案：一个或多个实施例提供了一种虚拟数字脑构建方法，包括如下步骤：构建虚拟数字脑得到静息状态和任务状态下的脑功能因果连接网络；获取大脑的弥散张量成像数据，利用确定性算法和概率算法相结合的混合纤维束跟踪方法，构建大脑结构网络；比较结构网络与脑功能因果连接网络，将脑区间不存在直接结构连接的因果连接删除，获得删除后的静息状态和任务态下的因果连接网络即为改进的虚拟数字脑；以静息态作为基线，获得任务信号刺激下脑区的激活状态，确定神经活动信号之间的关系，从而确定改进的虚拟数字脑中各个节点的关联强弱，建立节点神经活动信号模型即为最终的虚拟数字脑。一个或多个实施例一种虚拟数字脑构建系统，包括：脑功能因果连接网络构建模块：被配置为用于获取静息状态和任务状态下磁共振成像数据，利用熵连接分别构建虚拟数字脑得到静息状态和任务状态下的脑功能因果连接网络；大脑结构网络构建模块：被配置为用于获取大脑的弥散张量成像(DTI)数据，利用确定性算法和概率算法相结合的混合纤维束跟踪方法，构建大脑结构网络；删除模块：被配置为用于比较结构网络与脑功能因果连接网络，将脑区间不存在直接结构连接的因果连接删除，获得删除后的静息状态和任务态下的因果连接网络即为改进的虚拟数字脑；确定模块：以静息态作为基线，获得任务信号刺激下脑区的激活状态，确定神经活动信号之间的关系，从而确定改进的虚拟数字脑中各个节点的关联强弱，建立节点神经活动信号模型即为最终的虚拟数字脑。一种智能机器人控制系统，采用上述的一种虚拟数字脑构建方法获得的最终的虚拟数字脑作为智能机器人控制的训练模型，将智能机器人的训练数据输入至最终的虚拟数字脑，生成训练后的智能机器人的控制模型。一种虚拟大脑，采用上述的一种虚拟数字脑构建方法中的多变量因果回归模型构建虚拟大脑的数字模型。一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。与现有技术相比，本公开的有益效果为：本公开通过结构网络对脑功能因果连接网络进行了改进，联合运用功能和结构信息，将脑区间不存在直接结构连接的因果连接删除，去除间接连接的影响，以便有利于后续处理中，建立更加有效的节点神经活动信号预测模型。本公开通过联合运用功能和结构信息建立的虚拟数字脑作为智能机器人的训练模型，使得机器人的控制更加智能化，根据执行的操作更加准确，有利于推动人工智能的发展。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。图1是本公开实施例1的虚拟数字脑构建方法的流程图；图2是本公开实施例1的确定改进的虚拟数字脑中各个节点的关联强弱的算法流程图；图3是本公开实施例2的系统框图。具体实施方式：下面结合附图与实施例对本公开作进一步说明。应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。实施例1在一个或多个实施方式中公开的技术方案中，如图1所示，一种虚拟数字脑构建方法，包括如下步骤：步骤1、构建虚拟数字脑得到静息状态和任务状态下的脑功能因果连接网络；步骤2、获取大脑的弥散张量成像数据，利用确定性算法和概率算法相结合的混合纤维束跟踪方法，构建大脑结构网络；步骤3、比较结构网络与脑功能因果连接网络，将脑区间不存在直接结构连接的因果连接删除，获得删除后的静息状态和任务态下的因果连接网络即为改进的虚拟数字脑；步骤4、以静息态作为基线，获得任务信号刺激下脑区的激活状态，确定神经活动信号之间的关系，从而确定改进的虚拟数字脑中本文档来自技高网...

【技术保护点】
1.一种虚拟数字脑构建方法，其特征是，包括如下步骤：/n构建虚拟数字脑得到静息状态和任务状态下的脑功能因果连接网络；/n获取大脑的弥散张量成像数据，利用确定性算法和概率算法相结合的混合纤维束跟踪方法，构建大脑结构网络；/n比较结构网络与脑功能因果连接网络，将脑区间不存在直接结构连接的因果连接删除，获得删除后的静息状态和任务态下的因果连接网络即为改进的虚拟数字脑；/n以静息态作为基线，获得任务信号刺激下脑区的激活状态，确定神经活动信号之间的关系，从而确定改进的虚拟数字脑中各个节点的关联强弱，建立节点神经活动信号模型即为最终的虚拟数字脑。/n

【技术特征摘要】
1.一种虚拟数字脑构建方法，其特征是，包括如下步骤：
构建虚拟数字脑得到静息状态和任务状态下的脑功能因果连接网络；
获取大脑的弥散张量成像数据，利用确定性算法和概率算法相结合的混合纤维束跟踪方法，构建大脑结构网络；
比较结构网络与脑功能因果连接网络，将脑区间不存在直接结构连接的因果连接删除，获得删除后的静息状态和任务态下的因果连接网络即为改进的虚拟数字脑；
以静息态作为基线，获得任务信号刺激下脑区的激活状态，确定神经活动信号之间的关系，从而确定改进的虚拟数字脑中各个节点的关联强弱，建立节点神经活动信号模型即为最终的虚拟数字脑。


2.如权利要求1所述的一种虚拟数字脑构建方法，其特征是：获取大脑的弥散张量成像数据，利用确定性算法和概率算法相结合的混合纤维束跟踪方法，构建大脑结构网络的方法，包括如下步骤：
步骤21、获取弥散张量成像数据，对这些进行预处理，预处理后的弥散张量成像数据；
步骤22、将预处理后的弥散张量成像数据，采用确定性算法跟踪获得脑区间的纤维束及其纤维束连接，再采用概率算法进行修正和完善获得最终的脑区间的纤维束及其纤维束连接；
步骤23、根据脑区间的纤维束连接，构建脑结构连接网即为大脑结构网络。


3.如权利要求1所述的一种虚拟数字脑构建方法，其特征是：以静息态作为基线，获得任务信号刺激下脑区的激活状态，确定神经活动信号之间的关系，从而确定改进的虚拟数字脑中各个节点的关联强弱，建立节点神经活动信号模型的方法，包括如下步骤：
步骤41、获得改进后的虚拟数字脑中各个脑区在当前时刻t的神经活动信号的初始值，设置迭代次数TN；
步骤42、令t＝t+1，根据静息状态下多变量因果回归模型或者任务状态下的多变量因果回归模型，以及当前神经活动信号的值，更新当前脑区在下一时刻即t+1时刻的神经活动信号的值，获得当前脑区对应的输出信号的值；
步骤43、根据改进后的虚拟数字脑的各个脑区的因果连接关系，确定当前脑区的输出信号的作用脑区，采用人脑并行运算法则和静息状态下多变量因果回归模型，更新其它脑区神经活动信号的值；
步骤44、重复执行步骤42和43，直到达到迭代次数TN，停止迭代，根据迭代结果，计算每个脑区Rk神经活动信号强度。


4.如权利要求3所述的一种虚拟数字脑构建方法，其特征是：静息状态下多变量因果回归模型为：



式中，Rk(t+1)表示脑区Rk在t+1时刻的血氧水平信号值即为神经活动信号的输出值，Uk是一个常量，aki和bkj是实数，分别对应输入信号SIki(t)和AIkj(t)；SIki(t)表示脑区Rk在t时刻的第i个同步输入BOLD信号的值；AIkj(t)表示脑区Rk在t时刻的第j个异步输入BOLD信号的值；Ek(t)是一个随机变量，表示t时刻的预测误差；
或者，任务状态下的多变量因果回归模型为：



式中，Rv...

【专利技术属性】
技术研发人员：王晓艳，张光玉，程运福，王鹏程，
申请(专利权)人：山东第一医科大学山东省医学科学院，
类型：发明
国别省市：山东;37