本文關(guān)鍵詞：神經(jīng)信息流分析中g(shù)PDC與PCMI算法的比較及應(yīng)用

  更多相關(guān)文章： 神經(jīng)信息流 神經(jīng)元群模型 廣義一致性算法 排列熵算法 局部場電位

【摘要】：目的： 大腦在學(xué)習(xí)思考時(shí),不同腦區(qū)通過神經(jīng)振蕩同步的方式相互連接交流。為了度量這種實(shí)時(shí)的信息流動(dòng),神經(jīng)信息流(Neural information flow,NIF)分析應(yīng)運(yùn)而生。近年來,已有許多算法被用來度量這種實(shí)時(shí)的交流,以便確定大腦在工作時(shí)不同腦區(qū)的連接狀況。然而不同的度量方法可能會(huì)導(dǎo)致不同的結(jié)果,有時(shí)甚至?xí)a(chǎn)生相反的結(jié)果。因此,通過比較不同的計(jì)算方法在度量神經(jīng)信息流時(shí)的特點(diǎn),可以對(duì)實(shí)踐以及結(jié)論的確定有一定的指導(dǎo)意義。目前,對(duì)于神經(jīng)信息流的度量,主要有兩類方法。一類是線性方法,代表算法是廣義一致性算法(general partial directional coherence, gPDC)。另一類是非線性算法,代表算法是排列熵算法(permutation conditional mutual information, PCMI)。本文運(yùn)用數(shù)學(xué)模型,通過數(shù)值仿真,模擬真實(shí)腦電數(shù)據(jù),以此比較這兩類算法在分析神經(jīng)信息流時(shí)的特點(diǎn),為后續(xù)真實(shí)的腦電數(shù)據(jù)分析提供一定的指導(dǎo)。 方法： 通過數(shù)值仿真,運(yùn)用神經(jīng)元群模型(neural mass model, NMM),模擬真實(shí)腦電數(shù)據(jù)。在不同連接強(qiáng)度下,比較算法的靈敏度、度量的誤差、以及腦電數(shù)據(jù)長度對(duì)分析的影響。最后通過動(dòng)物在體實(shí)驗(yàn),獲得一組真實(shí)腦電數(shù)據(jù),驗(yàn)證數(shù)值實(shí)驗(yàn)得到的一些結(jié)論。 結(jié)果： 排列熵的靈敏度要好于廣義一致性算法,在較低的連接強(qiáng)度下,排列熵算法的結(jié)果更為可靠。因此,排列熵算法適合于度量連接強(qiáng)度較更弱的情況。廣義一致性算法的靈敏度是一個(gè)二元函數(shù),受到兩個(gè)方向的共同影響。排列熵的靈敏度是一個(gè)一元函數(shù),只會(huì)受到所度量方向的影響。因此,排列熵算法更適合度量連接強(qiáng)度的大小。 在單向模型,即單向驅(qū)動(dòng)條件下,廣義一致性算法在估計(jì)真值方面要明顯好于排列熵算法。同時(shí),廣義一致性算法在體現(xiàn)強(qiáng)度變化方面的靈敏度比排列熵算法更高。 在雙向模型,即相互驅(qū)動(dòng)條件下,排列熵算法在估計(jì)真值方面要好于廣義一致方向性算法。兩類算法在驅(qū)動(dòng)對(duì)稱的情況下,都有較好的結(jié)果。同樣,廣義一致性算法在體現(xiàn)強(qiáng)度變化方面也要明顯好于排列熵算法。 排列熵算法對(duì)數(shù)據(jù)長度的要求較小,而廣義一致方向性算法要求更多的數(shù)據(jù)點(diǎn)以獲得穩(wěn)定的結(jié)果。 從動(dòng)物在體實(shí)驗(yàn)數(shù)據(jù)分析中得到的結(jié)果表明,廣義一致性算法對(duì)度量連接強(qiáng)度的變化更為敏感。同時(shí),與廣義一致性算法比較,排列熵算法得到穩(wěn)定的結(jié)果需要更少的數(shù)據(jù)點(diǎn)。 結(jié)論： 廣義一致性算法更能表現(xiàn)出神經(jīng)信息流強(qiáng)度的變化；而排列熵算法更適合估計(jì)神經(jīng)信息流強(qiáng)度本身。
【關(guān)鍵詞】：神經(jīng)信息流 神經(jīng)元群模型 廣義一致性算法 排列熵算法 局部場電位
【學(xué)位授予單位】：南開大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：R338;TN911.7
【目錄】：

• 中文摘要5-7
• Abstract7-11
• 符號(hào)說明11-12
• 第一章 前言12-18
• 第一節(jié) 研究背景12-16
• 1.1.1 神經(jīng)振蕩12-13
• 1.1.2 神經(jīng)信息流13-16
• 1.1.3 神經(jīng)元建模16
• 第二節(jié) 研究內(nèi)容及目的16-17
• 第三節(jié) 論文的創(chuàng)新之處17
• 第四節(jié) 論文的結(jié)構(gòu)安排17-18
• 第二章 腦電信號(hào)建模與數(shù)據(jù)分析方法18-29
• 第一節(jié) 神經(jīng)元群模型18-24
• 2.1.1 神經(jīng)元群模型的基本模型18-21
• 2.1.1.1 神經(jīng)元群基本模型的數(shù)學(xué)表達(dá)18-20
• 2.1.1.2 神經(jīng)元群基本模型的實(shí)現(xiàn)20-21
• 2.1.2 單通道多狀態(tài)神經(jīng)元群模型21-22
• 2.1.3 雙通道雙狀態(tài)神經(jīng)元群模型22-24
• 第二節(jié) 數(shù)據(jù)分析算法24-27
• 2.2.1 廣義一致性算法24-25
• 2.2.2 排列熵算法25-27
• 第三節(jié) 算法比較的指標(biāo)27-28
• 2.3.1 敏感度27-28
• 2.3.2 變異系數(shù)(coefficient of variation, C.V.)28
• 第四節(jié) 統(tǒng)計(jì)方法28-29
• 第三章 結(jié)果29-46
• 第一節(jié) 數(shù)值仿真結(jié)果29-40
• 3.1.1 算法敏感度比較29-33
• 3.1.2 算法估值與真值的比較33-37
• 3.1.3 數(shù)據(jù)點(diǎn)個(gè)數(shù)對(duì)算法的影響37-40
• 3.1.4 仿真比較小結(jié)40
• 第二節(jié) In vivo實(shí)驗(yàn)結(jié)果40-46
• 3.2.1 信息流指數(shù)的度量41-44
• 3.2.2 數(shù)據(jù)長度44-45
• 3.2.3 In vivo實(shí)驗(yàn)小結(jié)45-46
• 第四章 討論46-50
• 第一節(jié) 排列熵算法在度量神經(jīng)信息流時(shí)的優(yōu)勢46-47
• 第二節(jié) 廣義方向一致性算法在度量神經(jīng)信息流時(shí)的優(yōu)勢47-49
• 第三節(jié) 總結(jié)與展望49-50
• 參考文獻(xiàn)50-56
• 致謝56-58
• 附錄A 神經(jīng)元群模型的建立公式58-60
• 個(gè)人簡歷60

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 ;Information flow among neural networks with Bayesian estimation[J];Chinese Science Bulletin;2007年14期

，

本文編號(hào)：850583