System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于脑机接口及神经信号解码领域,尤其是涉及一种基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法。
技术介绍
1、研究复杂脑网络中的有向连接可以更好地帮助理解大脑功能和功能障碍,并开发新的神经技术来解码和调节大脑状态,以治疗脑疾病和增强脑功能。功能连接是神经生理事件之间的统计依赖关系,有向连接是一种重要的功能连接类型,它量化了一个神经系统对另一个神经系统的因果影响。
2、过去的方法主要使用格兰杰因果关系框架内的线性自回归建模或其非线性前馈网络建模的扩展来估计连续信号的有向连接。如今,随着微电极阵列和柔性电极等高分辨率神经记录技术的快速发展,能够在更精细的时空尺度上获取大量神经元的锋电位活动。
3、由于锋电位通常被建模为离散时间,因此先前为连续时间序列设计的方法不能直接应用。过去的工作提出了两类方法。第一类基于广义线性模型,使用随机点过程将放电率与锋电位相关联。另一类为无模型方法,一种主要的无模型方法是通过平滑核或低通滤波器积,将锋电位转换为连续时间序列。如公开号为cn116584959a的中国专利文献公开了一种脑深部电刺激期间的锋电位检测及特征提取方法和系统,包括:对原始神经电信号进行识别并消除刺激伪迹,得到第一信号;对第一信号进行抑制扰动信号的数据变换,得到第二信号;根据第二信号,对第一信号进行判定检测,得到初始锋电位时间序列;设置锋电位幅值阈值,根据初始锋电位时间序列和锋电位幅值阈值,对第一信号进行判定检测,得到目标锋电位信号;对目标锋电位信号进行波形特征提取,得到目标锋电位时间序列
4、无论使用基于模型还是无模型框架,现有方法大多假定了线性时不变的神经信号,并且在信息传输中存在固定的时滞。然而锋电位脑网络涉及了复杂的非线性和非平稳动态,可能同时具有不同的传输时滞。这种复杂的特征会影响现有方法正确高效估计脑网络的有向连接。
5、针对这一问题,总结了目前主要如下挑战:锋电位脑网络中的时间滞后可能是多样的;锋电位活动之间的相互作用可能是高度非线性的;脑网络中的有向连接强度会随着时间的推移而变化因此是非平稳的;锋电位脑网络是大规模的。针对如上挑战,亟需设计一种新的方法,有效准确估计变时滞、非线性和非平稳锋电位网络中的有向连接。
技术实现思路
1、本专利技术提供了一种基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,可有效准确估计变时滞、非线性和非平稳锋电位网络中的有向连接,可作为一种有向连接分析工具来研究复杂的锋电位网络动力学。
2、一种基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,包括以下步骤:
3、(1)获取神经元锋电位事件序列,使用门控循环单元对神经元的发放频率即条件强度函数进行建模,得到一个关于过去锋电位网络的参数模型;
4、(2)使用泊松点过程条件似然来将发放频率和目标神经元的锋电位事件相关联,从而得到锋电位网络的概率模型;
5、(3)根据得到的参数模型和概率模型来估计模型参数,并计算神经元间有向连接;
6、(4)计算估计出的有向连接是否显著。
7、步骤(1)中,通过对条件强度函数的对数进行建模,得到一个关于过去锋电位网络的参数模型,公式如下:
8、
9、式中,表示神经元i在t时刻的发放频率,θ代表了模型里的所有参数;c表示c个神经元,表示神经元1到神经元c从时间1到t-1的锋电位序列;使用门控单元网络作为来建模条件强度函数。
10、门控单元网络使用一个循环隐状态来总结过去所有直到时刻t的信息来建模当前的条件强度函数这个隐状态的更新是从它过去的值以及当前过去的锋电位事件具体过程如下:
11、
12、
13、
14、
15、这里,分别是更新门,重置门和隐状态;σ和φ是激活函数,φ(x)=tanh(x);⊙表示点乘;条件强度函数的对数为:
16、
17、综上,
18、gru(·)总结了上面两个公式中的操作,完整的参数如下:
19、θ={wz,uz,bz,wr,ur,br,wh,uh,bh,vo,bo}.
20、wz,wr,wh∈rn×c和uz,ur,uh∈rn×n代表了计算循环状态和门的连接权重;bz,br,bh∈rn×1是偏置项;vo∈r1×n代表了连接权重;bo∈r代表了循环状态以及输出的条件强度函数之间的连接偏置。
21、步骤(2)中,得到锋电位网络的概率模型公式为:
22、
23、其中,选取1至10毫秒的时间隔δ,确保在该时间间隔中只有一个锋电位发放事件,这个泊松似然过程被其条件强度函数来描述;这个条件强度函数表示了神经元i在时间t的发放频率。
24、步骤(3)中,计算神经元间有向连接,是通过衡量是否可以通过从源神经元过去信号中所获得的额外信息来更好地预测目标神经元的值,公式如下
25、
26、其中,代表神经元1到神经元c从时间1到t-1的锋电位序列,是给定的条件概率,(1:c)\{j}代表了除第j个神经元外的所有神经元;in是一个非负数,量化从神经元j到神经元i有向连接的强度。
27、计算神经元间有向连接的具体过程为:
28、首先用完整的锋电位网络历史来建模目标锋电位序列用最大似然估计来估计模型参数θ:
29、
30、得到
31、再把代入回到似然方程,得到的估计条件似然,
32、接着,把源锋电位序列从条件历史中删去,然后重新计算的条件似然估计;就新计算了一个参数为θ1的条件函数模型使用最大似然估计:
33、
34、然后计算
35、最终,估计从锋电位源序列到锋电位目标序列的有向功能连接为:
36、
37、步骤(4)中,在得到计算的有向连接后,进行卡方显著性检验判断是否存在有向连接。
38、进行卡方显著性检验判断是否存在有向连接的具体过程为:
39、零假设是不存在有向连接从神经元j到神经元i;当使用线性模型来估计条件强度函数时,在零假设下,对数似然比渐近服从卡方分布:
40、
41、χ2(q)是一个自由度为q的卡方分布,使用χ2(q)来估计前馈神经网络和门控单元网络零假设分布,估计q为固定的时间延迟100;用伪发现率矫正来解决多重比较的问题,并对矫正后p值小于0.05阈值的有向功能连接对,声明其显著性。
42、与现有技术相比,本专利技术具有以下有益效果:
43、本专利技术使用门控单元网络来描述靶神经元的当前发放频率与本文档来自技高网...
【技术保护点】
1.一种基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,其特征在于,步骤(1)中,通过对条件强度函数的对数进行建模,得到一个关于过去锋电位网络的参数模型,公式如下:
3.根据权利要求2所述的基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,其特征在于,门控单元网络使用一个循环隐状态来总结过去所有直到时刻t的信息来建模当前的条件强度函数这个隐状态的更新是从它过去的值以及当前过去的锋电位事件具体过程如下:
4.根据权利要求1所述的基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,其特征在于,步骤(2)中,得到锋电位网络的概率模型公式为:
5.根据权利要求1所述的基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,其特征在于,步骤(3)中,计算神经元间有向连接,是通过衡量是否可以通过从源神经元过去信号中所获得的额外信息来更好地预测目标神经元的值,公式如下
6.根据权利要求1所述
7.根据权利要求6所述的基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,其特征在于,步骤(4)中,在得到计算的有向连接后,进行卡方显著性检验判断是否存在有向连接。
8.根据权利要求6所述的基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,其特征在于,进行卡方显著性检验判断是否存在有向连接的具体过程为:
...【技术特征摘要】
1.一种基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,其特征在于,步骤(1)中,通过对条件强度函数的对数进行建模,得到一个关于过去锋电位网络的参数模型,公式如下:
3.根据权利要求2所述的基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,其特征在于,门控单元网络使用一个循环隐状态来总结过去所有直到时刻t的信息来建模当前的条件强度函数这个隐状态的更新是从它过去的值以及当前过去的锋电位事件具体过程如下:
4.根据权利要求1所述的基于门控循环单元和点过程的神经元锋电位有向连接网络估计方法,其特征在于,步骤(2)中,得到锋电位网络的概率模型公式为:
5...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。