本文關(guān)鍵詞： 鋒電位 神經(jīng)元功能網(wǎng)絡(luò) 歸一化互信息 度量指標(biāo) 解碼　出處：《鄭州大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：腦網(wǎng)絡(luò)是自然界最復(fù)雜的網(wǎng)絡(luò)之一。大腦中數(shù)以億計(jì)的神經(jīng)元構(gòu)成了龐大而復(fù)雜的腦結(jié)構(gòu)網(wǎng)絡(luò),結(jié)構(gòu)網(wǎng)絡(luò)上不同神經(jīng)元、神經(jīng)元集群或腦區(qū)之間動(dòng)態(tài)活動(dòng)的同步化在時(shí)空尺度上的連接形成了腦功能網(wǎng)絡(luò)。從網(wǎng)絡(luò)的角度解析大腦神經(jīng)信息處理機(jī)制是目前神經(jīng)科學(xué)和控制科學(xué)等交叉學(xué)科研究的前沿?zé)狳c(diǎn)之一。目前腦功能網(wǎng)絡(luò)的研究主要是通過腦電圖、腦磁圖和磁共振成像等大尺度的信息采集技術(shù)解析不同腦區(qū)之間的功能連接關(guān)系,基于微電極陣列信息采集技術(shù),以神經(jīng)元為基本單元,空間精度更高,對(duì)于腦機(jī)制研究具有重要價(jià)值,但研究相對(duì)較少,許多問題尚待闡明。針對(duì)神經(jīng)元鋒電位(spike)發(fā)放序列,本文研究了神經(jīng)元功能網(wǎng)絡(luò)的構(gòu)建方法,分析了其拓?fù)涮匦?并利用神經(jīng)元功能網(wǎng)絡(luò)解碼了鴿子運(yùn)動(dòng)轉(zhuǎn)向行為,驗(yàn)證了神經(jīng)元功能網(wǎng)絡(luò)在大腦神經(jīng)信息處理機(jī)制解析中的有效性。主要研究?jī)?nèi)容和取得的成果如下:1)利用歸一化互信息算法度量了spike序列之間的功能連接關(guān)系,構(gòu)建了神經(jīng)元功能網(wǎng)絡(luò),并結(jié)合Izhikevich神經(jīng)元發(fā)放模型,驗(yàn)證了網(wǎng)絡(luò)構(gòu)建算法的性能。結(jié)果表明,基于互信息算法構(gòu)建的神經(jīng)元功能網(wǎng)絡(luò)與真實(shí)網(wǎng)絡(luò)之間的連接關(guān)系具有較高一致性,其性能優(yōu)于傳統(tǒng)的相關(guān)系數(shù)算法。2)分析了隨機(jī)網(wǎng)絡(luò)、規(guī)則網(wǎng)絡(luò)和小世界網(wǎng)絡(luò)等三種典型網(wǎng)絡(luò)在不同節(jié)點(diǎn)連接概率、節(jié)點(diǎn)度和節(jié)點(diǎn)數(shù)量時(shí)的拓?fù)溥B接特性,并在此基礎(chǔ)上分別研究了神經(jīng)元spike發(fā)放率及神經(jīng)元個(gè)數(shù)對(duì)網(wǎng)絡(luò)拓?fù)涮匦缘挠绊�。結(jié)果表明,在一定范圍內(nèi),隨著spike發(fā)放率的增加,網(wǎng)絡(luò)拓?fù)涮匦哉w趨勢(shì)呈拋物線形狀;隨著神經(jīng)元數(shù)量的增加,網(wǎng)絡(luò)拓?fù)涮匦哉w呈現(xiàn)下降趨勢(shì)。3)利用神經(jīng)元功能網(wǎng)絡(luò)特征,采用支持向量機(jī)神經(jīng)解碼算法,解碼了十字迷宮目標(biāo)導(dǎo)向任務(wù)中鴿子運(yùn)動(dòng)轉(zhuǎn)向行為,并與基于spike發(fā)放率特征的解碼算法進(jìn)行了對(duì)比。結(jié)果表明,神經(jīng)元功能網(wǎng)絡(luò)具有較好的解碼性能,無論是全局效率還是聚類系數(shù)特征,其解碼正確率都優(yōu)于神經(jīng)元集群spike發(fā)放率特征的解碼正確率。
[Abstract]:The brain network is one of the most complex networks in nature. Hundreds of millions of neurons in the brain form a large and complex network of brain structures. The synchronization of dynamic activities between clusters or brain regions forms a brain functional network on a space-time scale. Analyzing the neural information processing mechanism from the perspective of the network is the current crossover of neuroscience and control science. At present, the research of brain functional network is mainly through electroencephalogram (EEG). Large-scale information acquisition techniques such as magnetoencephalogram and magnetic resonance imaging are used to analyze the functional connections between different brain regions. Based on the technology of microelectrode array information acquisition, the neuron is taken as the basic unit and the spatial accuracy is higher. It is of great value to study the brain mechanism, but the research is relatively few, and many problems need to be clarified. In this paper, we study the construction method of neural functional network and analyze its topological characteristics, aiming at the neuronal spike-spike-releasing sequence. And the pigeon movement turn behavior is decoded by neural function network. The validity of neural functional network in the analysis of neural information processing mechanism is verified. The main research contents and results are as follows: 1) the functional connection between spike sequences is measured by normalized mutual information algorithm. The neural functional network is constructed, and the performance of the network building algorithm is verified by combining the Izhikevich neuronal distribution model. The results show that, The connection relationship between neural functional network and real network based on mutual information algorithm has high consistency, and its performance is better than that of traditional correlation coefficient algorithm. 2) the stochastic network is analyzed. The topological connection characteristics of three typical networks, such as regular network and small-world network, under different node connection probability, node degree and number of nodes. On this basis, the effects of the distribution rate of neuron spike and the number of neurons on the network topology are studied respectively. The results show that, with the increase of spike distribution rate, the overall trend of network topology is parabola. With the increase of the number of neurons, the overall topological characteristics of the network show a downward trend. 3) by using the neural decoding algorithm of support vector machine (SVM), the pigeon turning behavior in the target orientation task of the cross maze is decoded. Compared with the decoding algorithm based on the spike transmit rate feature, the results show that the neural network has good decoding performance, both global efficiency and clustering coefficient feature. The decoding accuracy is better than the decoding accuracy of the characteristics of the spike distribution rate in the neuronal cluster.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：O157.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 羅靜;戴敏;;用于鋒電位分類的二階差分表示法[J];天津理工大學(xué)學(xué)報(bào);2013年06期

2 陳琳;林云生;陳傳平;李向?qū)?周煒;曾紹群;駱清銘;;基于最大鋒電位間隔的爆發(fā)檢測(cè)自適應(yīng)算法[J];生物物理學(xué)報(bào);2006年04期

3 王靜;封洲燕;;多通道神經(jīng)元鋒電位檢測(cè)和分類的新方法[J];生物化學(xué)與生物物理進(jìn)展;2009年05期

4 孟艷;張丹;王大輝;;神經(jīng)元簇狀放電鋒電位數(shù)的研究[J];北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年01期

5 王靜;封洲燕;鄭曉靜;;低信噪比神經(jīng)元鋒電位檢測(cè)的新方法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2011年05期

6 楊彭舉;封洲燕;孫靜;;獨(dú)立分量分析在神經(jīng)元鋒電位分類中的一種新應(yīng)用[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2011年04期

7 姚舜,劉海龍,陳傳平,李向?qū)?一種獲取鋒電位的峰值檢測(cè)算法的改進(jìn)方案[J];生物醫(yī)學(xué)工程研究;2005年01期

8 吳丹;封洲燕;王靜;;微電極陣列神經(jīng)元鋒電位信號(hào)的去噪方法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2010年01期

9 姚舜;劉海龍;陳傳平;李向?qū)?;局部場(chǎng)電位和微分特性影響下神經(jīng)元網(wǎng)絡(luò)發(fā)放鋒電位的檢測(cè)[J];計(jì)算機(jī)與數(shù)字工程;2005年12期

10 代建華;章懷堅(jiān);張韶岷;李茜;劉曉春;郝耀耀;于毅;蔣凱;劉俊;朱凡;陳衛(wèi)東;鄭筱祥;;大鼠運(yùn)動(dòng)皮層神經(jīng)元集群鋒電位時(shí)空模式解析[J];中國(guó)科學(xué)(C輯:生命科學(xué));2009年08期

相關(guān)會(huì)議論文 前1條

1 張森泉;陳科;堯德中;;基于局部PCA的鋒電位甄別方法研究[A];中國(guó)生物醫(yī)學(xué)工程進(jìn)展——2007中國(guó)生物醫(yī)學(xué)工程聯(lián)合學(xué)術(shù)年會(huì)論文集（上冊(cè)）[C];2007年

相關(guān)博士學(xué)位論文 前5條

1 王靜;多通道鋒電位信號(hào)分析的新方法及其在海馬神經(jīng)元發(fā)放特性研究中的應(yīng)用[D];浙江大學(xué);2011年

2 丁偉東;神經(jīng)鋒電位信號(hào)識(shí)別方法研究[D];上海交通大學(xué);2008年

3 祝曉平;植入式腦—機(jī)接口鋒電位實(shí)時(shí)處理算法研究[D];浙江大學(xué);2012年

4 陸虎;神經(jīng)元功能網(wǎng)絡(luò)特性分析及認(rèn)知行為預(yù)測(cè)方法研究[D];復(fù)旦大學(xué);2013年

5 汪洋;大鼠海馬CA1區(qū)神經(jīng)活動(dòng)對(duì)體感刺激響應(yīng)的研究[D];浙江大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 李珊;鋒電位功能網(wǎng)絡(luò)構(gòu)建與鴿子轉(zhuǎn)向行為解碼[D];鄭州大學(xué);2017年

2 王壹博;基于四元數(shù)的鋒電位檢測(cè)與分類方法的研究[D];燕山大學(xué);2016年

3 朱玉芳;深部腦刺激期間神經(jīng)元鋒電位波形變化及其機(jī)制研究[D];浙江大學(xué);2017年

4 齊佳;鋒電位分類中疊加波形的檢測(cè)與識(shí)別[D];天津理工大學(xué);2012年

5 羅靜;疊加鋒電位的分類方法研究[D];天津理工大學(xué);2014年

6 郜麗賽;基于匹配小波變換的大鼠初級(jí)視皮層神經(jīng)元鋒電位分類[D];鄭州大學(xué);2011年

7 陳白璐;基于寬頻帶記錄信號(hào)的神經(jīng)元鋒電位檢測(cè)分類新方法及其應(yīng)用[D];浙江大學(xué);2014年

8 李穎;基于人工神經(jīng)網(wǎng)絡(luò)的多電極陣列上培養(yǎng)神經(jīng)元鋒電位的分類[D];華中科技大學(xué);2006年

9 宮艷紅;基于遺傳算法—支持向量機(jī)的鋒電位分類及神經(jīng)元特性分析[D];鄭州大學(xué);2011年

10 張磊;基于鋒電位信號(hào)運(yùn)動(dòng)信息解碼研究[D];鄭州大學(xué);2014年

，

本文編號(hào)：1527774