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】
本申请涉及脑科学研究领域,特别涉及一种动物决策行为回溯解析方法、装置、电子设备及存储介质。
技术介绍
1、脑科学研究是了解大脑机理的关键所在,其中,动物感知决策的量化预测与决策神经元解析是脑科学研究中的核心挑战。通过观测动物决策过程中的脑神经数据,利用定量模型来预测动物的宏观决策行为是理清大脑工作机理的关隘。
2、相关技术中,对决策相关神经元以及脑区的探测更多采用的是对比实验的方式,这些实验通过对脑区神经元的抑制或激活前后观察小鼠在决策过程中的行为表现,以确认与决策相关的脑区;或者采用传统的线性模型(如线性回归模型)来分析小鼠的决策问题。
3、然而,该方法复杂性和繁琐性较高,在抑制脑区后是否会对其他脑区的神经元产生影响尚不清楚,可能导致实验结果的不准确性;线性模型的建模能力相对较弱,不太适用于研究较为复杂的动物决策问题,亟待解决。
技术实现思路
1、本申请提供一种动物决策行为回溯解析方法、装置、电子设备及存储介质,以解决现阶段研究方法复杂性和繁琐性较高,实验结果的准确性难以保证以及难以适用于较为复杂的动物决策研究的问题,简化研究方法的同时,提高对动物决策行为预测的准确性。
2、为达到上述目的,本申请第一方面实施例提出一种动物决策行为回溯解析方法,包括以下步骤:
3、获取动物决策前的神经脉冲数据;
4、将所述神经脉冲数据输入至预设的神经网络模型的同时,利用预设的激活函数将所述预设的神经网络模型中每个神经元的特征权重映射到目标
5、基于所述每个神经元的注意力权重,筛选出满足预设条件的目标神经元,并将所述目标神经元作为决策相关神经元。
6、根据本申请的一个实施例,在将所述神经脉冲数据输入至所述预设的神经网络模型之前,还包括:
7、获取多个目标动物决策前的神经脉冲数据;
8、对所述多个目标动物决策前的神经脉冲数据进行预处理,并将预处理后的神经脉冲数据划分为训练集和验证集;
9、利用所述训练集对预设的神经网络进行训练得到初始神经网络模型,并利用所述验证集验证所述初始神经网络模型,直到所述初始神经网络模型满足预设条件,结束对所述预设的神经网络的迭代训练得到所述预设的神经网络模型,否则调整所述预设的神经网络的训练集后继续迭代训练。
10、根据本申请的一个实施例,所述对所述多个目标动物决策前的神经脉冲数据进行预处理,包括:
11、对所述多个目标动物决策前的神经脉冲数据进行平均分割,得到维度统一的神经脉冲数据;
12、对所述维度统一的神经脉冲数据进行数据清洗,得到目标神经脉冲数据;
13、从所述目标神经脉冲数据中提取特征数据,并基于所述特征数据生成样本集,且按照预设划分比例对所述样本集进行划分得到所述训练集和所述验证集。
14、根据本申请的一个实施例,在结束对所述预设的神经网络的迭代训练得到所述预设的神经网络模型之后,还包括:
15、基于预设的注意力机制,对所述预设的神经网络模型进行优化。
16、根据本申请的一个实施例,在将所述神经脉冲数据输入至所述预设的神经网络模型之后,还包括:
17、输出所述神经脉冲数据对应的决策行为。
18、根据本申请实施例提出的动物决策行为回溯解析方法,通过将动物决策前的神经脉冲数据输入至预设的神经网络模型的同时,利用预设的激活函数将预设的神经网络模型中每个神经元的特征权重映射到目标区间,并利用预设的残差连接策略对映射结果进行处理,可以得到每个神经元的注意力权重,基于每个神经元的注意力权重,筛选出满足预设条件的目标神经元作为决策相关神经元。由此,通过利用激活函数和残差连接的方式获得神经元的注意力权重,解决了现阶段研究方法复杂性和繁琐性较高,实验结果的准确性难以保证以及难以适用于较为复杂的动物决策研究的问题,简化研究方法的同时,提高对动物决策行为预测的准确性。
19、为达到上述目的,本申请第二方面实施例提出一种动物决策行为回溯解析装置,包括:
20、获取模块,用于获取动物决策前的神经脉冲数据;
21、处理模块,用于将所述神经脉冲数据输入至预设的神经网络模型的同时,利用预设的激活函数将所述预设的神经网络模型中每个神经元的特征权重映射到目标区间,并利用预设的残差连接策略对映射结果进行处理,得到每个神经元的注意力权重;以及
22、筛选模块,用于基于所述每个神经元的注意力权重,筛选出满足预设条件的目标神经元,并将所述目标神经元作为决策相关神经元。
23、根据本申请的一个实施例,在将所述神经脉冲数据输入至所述预设的神经网络模型之前,所述处理模块,还包括:
24、获取单元,用于获取多个目标动物决策前的神经脉冲数据;
25、预处理单元,用于对所述多个目标动物决策前的神经脉冲数据进行预处理,并将预处理后的神经脉冲数据划分为训练集和验证集;
26、训练单元,用于利用所述训练集对预设的神经网络进行训练得到初始神经网络模型,并利用所述验证集验证所述初始神经网络模型,直到所述初始神经网络模型满足预设条件,结束对所述预设的神经网络的迭代训练得到所述预设的神经网络模型,否则调整所述预设的神经网络的训练集后继续迭代训练。
27、根据本申请的一个实施例,所述预处理单元,具体用于:
28、对所述多个目标动物决策前的神经脉冲数据进行平均分割,得到维度统一的神经脉冲数据;
29、对所述维度统一的神经脉冲数据进行数据清洗,得到目标神经脉冲数据;
30、从所述目标神经脉冲数据中提取特征数据,并基于所述特征数据生成样本集,且按照预设划分比例对所述样本集进行划分得到所述训练集和所述验证集。
31、根据本申请的一个实施例,在结束对所述预设的神经网络的迭代训练得到所述预设的神经网络模型之后,所述训练单元,还用于:
32、基于预设的注意力机制,对所述预设的神经网络模型进行优化。
33、根据本申请的一个实施例,在将所述神经脉冲数据输入至所述预设的神经网络模型之后,所述处理模块,还用于:
34、输出所述神经脉冲数据对应的决策行为。
35、根据本申请实施例提出的动物决策行为回溯解析装置,通过将动物决策前的神经脉冲数据输入至预设的神经网络模型的同时,利用预设的激活函数将预设的神经网络模型中每个神经元的特征权重映射到目标区间,并利用预设的残差连接策略对映射结果进行处理,可以得到每个神经元的注意力权重,基于每个神经元的注意力权重,筛选出满足预设条件的目标神经元作为决策相关神经元。由此,通过利用激活函数和残差连接的方式获得神经元的注意力权重,解决了现阶段研究方法复杂性和繁琐性较高,实验结果的准确性难以保证以及难以适用于较为复杂的动物决策研究的问题,简化研究方法的同本文档来自技高网...
【技术保护点】
1.一种动物决策行为回溯解析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,在将所述神经脉冲数据输入至所述预设的神经网络模型之前,还包括:
3.根据权利要求2所述的方法,其特征在于,所述对所述多个目标动物决策前的神经脉冲数据进行预处理,包括:
4.根据权利要求2所述的方法,其特征在于,在结束对所述预设的神经网络的迭代训练得到所述预设的神经网络模型之后,还包括:
5.根据权利要求1所述的方法,其特征在于,在将所述神经脉冲数据输入至所述预设的神经网络模型之后,还包括:
6.一种动物决策行为回溯解析装置,其特征在于,包括:
7.根据权利要求6所述的装置,其特征在于,在将所述神经脉冲数据输入至所述预设的神经网络模型之前,所述处理模块,还包括:
8.根据权利要求7所述的装置,其特征在于,所述预处理单元,具体用于:
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的动物决策行为回溯解析方法。
...【技术特征摘要】
1.一种动物决策行为回溯解析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,在将所述神经脉冲数据输入至所述预设的神经网络模型之前,还包括:
3.根据权利要求2所述的方法,其特征在于,所述对所述多个目标动物决策前的神经脉冲数据进行预处理,包括:
4.根据权利要求2所述的方法,其特征在于,在结束对所述预设的神经网络的迭代训练得到所述预设的神经网络模型之后,还包括:
5.根据权利要求1所述的方法,其特征在于,在将所述神经脉冲数据输入至所述预设的神经网络模型之后,还包括:
6.一种动物决策行为回溯解析装置,其特...
【专利技术属性】
技术研发人员:张宇航,万森,孙涛,
申请(专利权)人:杭州涿溪脑与智能研究所,
类型:发明
国别省市:
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。