基于神经网络的大脑时空数据分析方法及系统技术方案

本发明专利技术实施例公开了一种基于神经网络的大脑时空数据分析方法及系统，获取大脑时空数据；构建

【技术实现步骤摘要】
基于神经网络的大脑时空数据分析方法及系统


[0001]本专利技术涉及计算机
，具体涉及一种基于神经网络的大脑时空数据分析方法
、
系统
、
电子设备及存储介质
。

技术介绍

[0002]随着神经科学和计算机科学的发展，人们对脑的信息处理能力和脑对外部刺激的反应机制的理解越来越深入
。
然而，由于脑数据的复杂性和多样性，如何有效地处理和分析脑数据仍然是一个挑战
。
传统的计算机算法和人工神经网络模型是处理时空数据的常用方法
。
计算机算法通常基于数学模型和统计方法，可以处理结构化和非结构化数据
。
人工神经网络模型则是一种模拟人脑神经元之间相互作用的计算模型，可以处理时空数据
。
这些方法在各个领域都有广泛的应用，例如医疗
、
金融
、
交通等
。
[0003]然而，传统的计算机算法和人工神经网络模型在处理时空数据方面存在一些局限性
。
首先，它们通常只能处理静态数据，难以处理动态数据
。
其次，它们的处理能力受到数据维度和数据量的限制
。
此外，它们的处理效率和准确性也存在一定的问题
。
这些问题的存在主要是由于传统的计算机算法和人工神经网络模型的结构和原理所导致的
。
传统的计算机算法通常基于数学模型和统计方法，其处理能力受到数据维度和数据量的限制
。/>人工神经网络模型虽然可以处理时空数据，但其结构和原理较为简单，难以处理复杂的时空数据
。
[0004]亟需一种可以用于处理各种类型大脑时空数据的分析算法
。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种基于神经网络的大脑时空数据分析方法
、
系统
、
电子设备及存储介质，用以解决由于脑数据的复杂性和多样性，现有技术中无法处理复杂大脑时空数据的问题
。
[0006]为实现上述目的，本专利技术实施例提供一种基于神经网络的大脑时空数据分析方法，所述方法具体包括：
[0007]获取大脑时空数据；
[0008]构建
NeuCube
模型，其中，所述
NeuCube
模型包括数据编码模块
、
三维
SNN
储层模块和演化输出分类模块；
[0009]通过所述数据编码模块将所述大脑时空数据转换为脉冲序列；
[0010]将所述脉冲序列按时间顺序连续输入所述三维
SNN
储层模块，通过所述三维
SNN
储层模块将所述脉冲序列转化为随时间分类的动态状态；
[0011]将所述三维
SNN
储层模块的所有神经元与所述演化输出分类模块的每个演化
LIFM
神经元相连，通过所述演化输出分类模块识别所述动态状态，得到识别结果，基于所述识别结果分析所述大脑时空数据
。
[0012]在上述技术方案的基础上，本专利技术还可以做如下改进：
[0013]进一步地，所述基于神经网络的大脑时空数据分析方法还包括：
[0014]对输入变量
、
三维
SNN
储层模块参数值和分类器参数值的不同组合值进行测试，针对不同的组合值，通过多次迭代优化所述
NeuCube
模型，直至达到最高精度；
[0015]其中，所述演化输出分类模块包括所述分类器
。
[0016]进一步地，所述将所述脉冲序列按时间顺序连续输入所述三维
SNN
储层模块，通过所述三维
SNN
储层模块将所述脉冲序列转化为随时间分类的动态状态，包括：
[0017]将所述脉冲序列映射到所述三维
SNN
储层模块的空间定位神经元中
。
[0018]进一步地，所述三维
SNN
储层模块包括概率
p
cj,i
(t)、
概率
p
sj,i
(t)
和概率
p
i
(t)
：
[0019]所述神经元
n
j
发出的脉冲在时刻
t
通过
n
j
和
n
i
之间的连接到达神经元
n
i
的概率
p
cj,i
(t)
；
[0020]其中，若
p
cj,i
(t)
＝0，则神经元
n
j
和神经元
n
i
之间不存在连接，也没有脉冲传播，若
p
cj,i
(t)
＝1，则脉冲传播的概率为
100
％；
[0021]突触
S
j,i
接收到来自神经元
n
j
的脉冲后，对
PSPi(t)
有贡献的概率
p
sj,i
(t)
；
[0022]一旦总
PSPi(t)
达到高于
PSP
临界值的值，神经元
n
i
在时间
t
发射输出脉冲的概率
p
i
(t)。
[0023]进一步地，所述将所述脉冲序列按时间顺序连续输入所述三维
SNN
储层模块，通过所述三维
SNN
储层模块将所述脉冲序列转化为随时间分类的动态状态，包括：
[0024]通过公式1计算总
PSPi(t)
；
[0025][0026]式中，若神经元
n
j
发出了脉冲，则
e
j
为1，否则
e
j
为0；当概率
p
cj,i
(t)
为1时，
f1(p
cj,i
(t))
为1，当概率
p
cj,i
(t)
为0时，
f1(p
cj,i
(t))
为0；当概率概率
p
sj,i
(t)
为1时，
f2(p
sj,i
(t))
为1，当概率概率
p
sj,i
(t)
为0时，
f2(p
sj,i
(t))
为0，
t0是
n
i
发出最后一个脉冲的时间，
η
(t
‑
t0)
为
PSP...

【技术保护点】

【技术特征摘要】
1.
一种基于神经网络的大脑时空数据分析方法，其特征在于，所述方法具体包括：获取大脑时空数据；构建
NeuCube
模型，其中，所述
NeuCube
模型包括数据编码模块
、
三维
SNN
储层模块和演化输出分类模块；通过所述数据编码模块将所述大脑时空数据转换为脉冲序列；将所述脉冲序列按时间顺序连续输入所述三维
SNN
储层模块，通过所述三维
SNN
储层模块将所述脉冲序列转化为随时间分类的动态状态；将所述三维
SNN
储层模块的所有神经元与所述演化输出分类模块的每个演化
LIFM
神经元相连，通过所述演化输出分类模块识别所述动态状态，得到识别结果，基于所述识别结果分析所述大脑时空数据
。2.
根据权利要求1所述基于神经网络的大脑时空数据分析方法，其特征在于，所述基于神经网络的大脑时空数据分析方法还包括：对输入变量
、
三维
SNN
储层模块参数值和分类器参数值的不同组合值进行测试，针对不同的组合值，通过多次迭代优化所述
NeuCube
模型，直至达到最高精度；其中，所述演化输出分类模块包括所述分类器
。3.
根据权利要求1所述基于神经网络的大脑时空数据分析方法，其特征在于，所述将所述脉冲序列按时间顺序连续输入所述三维
SNN
储层模块，通过所述三维
SNN
储层模块将所述脉冲序列转化为随时间分类的动态状态，包括：将所述脉冲序列映射到所述三维
SNN
储层模块的空间定位神经元中
。4.
根据权利要求1所述基于神经网络的大脑时空数据分析方法，其特征在于，所述三维
SNN
储层模块包括概率
p
cj,i
(t)、
概率
p
sj,i
(t)
和概率
p
i
(t)
：所述神经元
n
j
发出的脉冲在时刻
t
通过
n
j
和
n
i
之间的连接到达神经元
n
i
的概率
p
cj,i
(t)
；其中，若
p
cj,i
(t)
＝0，则神经元
n
j
和神经元
n
i
之间不存在连接，也没有脉冲传播，若
p
cj,i
(t)
＝1，则脉冲传播的概率为
100
％；突触
S
j,i
接收到来自神经元
n
j
的脉冲后，对
PSPi(t)
有贡献的概率
p
sj,i
(t)
；一旦总
PSPi(t)
达到高于
PSP
临界值的值，神经元
n
i
在时间
t
发射输出脉冲的概率
p
i
(t)。5.
根据权利要求4所述基于神经网络的大脑时空数据分析方法，其特征在于，所述将所述脉冲序列按时间顺序连续输入所述三维
SNN
储层模块，通过所述三维
SNN
储层模块将所述脉冲序列转化为随时间分类的动态状态，包括：通过公式1计算总
PSPi(t)
；式中，若神经元
n
j
发出了脉冲，则
e
j
为1，否则
e
j
为0；当概率
p
cj,i
(t)...

【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，陈凯乐，陈韵如，
申请(专利权)人：浙江学时医疗科技有限公司，
类型：发明
国别省市：