2DPCA在脑磁图棘波信号检测中的应用

棘波是癫痫疾病诊断和癫痫灶评估的重要标志，脑磁图设备能更精确地捕捉到癫痫患者在发作间期的棘波信号。然而，目前临床医生仍依赖于手动方法标记棘波信号，缺少便捷离线的多通道棘波检测方法。提出一种脑磁图的多通道棘波检测方法，针对给定时间宽度的多通道脑磁图信号的时间序列可以看作为一个二维矩阵，利用二维主成分分析（2DPCA）方法提取该矩阵的本征特征，再结合最近邻分类器实现离线的多通道棘波信号检测。通过临床癫痫患者的脑磁图信号验证表明，提出的方法棘波信号检测率高达93.23%，且该方法是有效的。     

刺激下可变耦合神经振子群活动的非线性随机演化模型

考虑耦合强度随时间变化,提出在外刺激及噪声共同作用下神经振子群活动的动力学模型,并引入平均耦合对数密度作为神经振子群分布式时空编码模式.通过数值分析表明,一阶弱谐波刺激对神经振子群体编码没有显著的影响;强刺激或高阶谐波刺激加强了神经振子群的同步化活动,并增强了神经振子之间的耦合;不同频率谐波的组合刺激对神经编码的影响并不是相互独立的,而是具有某种非线性关系,且刺激强度较大的谐波主导神经编码.     

基于多变量符号转移熵的癫痫脑电分析

大脑神经元细胞群的异常同步放电是癫痫的病因,这种异常放电是目前诊断癫痫的重要依据。利用复杂度理 论来分析癫痫信号已经成为研究热点,而符号转移熵是反应系统混乱程度的一种非线性指标,在研究癫痫脑电信号特征的提取中有重要的作用。符号转移熵一般都是用来衡量两 个变量之间的动力学特征及方向性信息,忽略了多个变量之间相互作用。本文基于多变量符号转移熵研究分析了癫痫脑电信号,实验中将原始信号符号化后通过数值分析,对导联信号及信号长度的选取以及稳健性分析,表明该方法能够对正常人与癫痫病人的脑电信号进行显著区分,且该算法稳健可靠,该研究结果对临床辅助诊断有帮助。     

细长柔性空间结构几种动力学模型的比较

对于自由-自由边界的大型柔性梁式空间结构在轨搬运过程中,其大范围刚体运动和柔性振动会相互耦合,是一类典型的刚柔耦合动力学问题.建立相对准确的动力学模型是设计良好控制系统的前提,但现有文献在研究该问题时却采用了忽略刚柔耦合作用的动力学模型并依此设计控制器,因此有必要建立耦合模型,并探讨其与非耦合模型之间的区别和适用性.首先针对结构自身运动特点选择以瞬时质心为原点的浮动坐标系作为辅助坐标系,将结构两类不同的运动形式进行分解,并利用其产生的附加约束条件简化虚功表达式;其次选择Euler-Bernoulli梁变形形式描述结构变形并采用假设模态法对变形进行变量分离;基于虚功原理推导得到结构大范围运动的刚柔耦合动力学模型;通过仿真算例1对非耦合模型、零次近似模型和一次近似模型进行了对比,验证了非耦合模型的不合理性及零次近似简化模型的准确性和有效性;通过仿真算例2对零次近似简化模型和一次近似模型的对比,说明了二者的使用范围;仿真对比为后续的运动控制系统设计和振动抑制研究提供了依据.     

深度稀疏自编码网络识别飞行员疲劳状态

针对飞行员疲劳状态识别的复杂性和准确性,提出一种基于脑电信号的深度学习模型.首先对飞行员脑电信号进行滤波分解,提取delta波(0.5~4 Hz)、theta波(5~8 Hz)、alpha波(7~14 Hz)、beta波(14~30 Hz),提取基于脑电节律波的频域特征,作为识别模型的输入向量.其次,将一种基于深度稀疏自编码网络–Softmax模型用于飞行员疲劳状态识别,并与单层的稀疏自编码网络–Softmax和传统方法主成分分析(PCA)–Softmax模型识别结果进行比较.最后,实验结果显示,针对飞行员疲劳状态识别问题,所建立的学习模型具有很好的分类识别效果,具有较好的工程推广价值.     

运动相关脑电信号的运动意图预测方法研究

为了找出在大脑的后顶叶皮层区(PPC)运动意图预测与运动想象EEG信号之间的关联,联合运动相关电位MRPs与mu/beta节律的事件相关同步/去同步(ERS/ERD)特征,首先用小波包分解WPD重构特征频段的小波包分解系数特征向量,其次采用共空间模式CSP提取空域特征向量,最后利用支持向量机(SVM)进行运动意图预测。通过实验验证,联合运动想象信号中的运动相关电位及mu/beta节律,运动意图预测分类准确率达到85%。得出1)证实了运动相关MRPs可以表征运动准备即运动规划阶段的脑神经机制,2)10Hz以下的mu和beta节律ERS/ERD特征能够体现运动意图的方向。研究结论进一步为精细运动(包括运动方向、速度等其他运动参数)预测提供技术支持。     

哑铃型航天器刚-柔耦合动力学建模与仿真分析

为满足深空探测的需求,需要构建一种全新的哑铃型航天器.由于构型和质量分布的差异,传统"中心刚体+柔性附件"动力学模型将不再适用,因此必须针对该构型建立一种高效准确的动力学模型.本文基于小变形假设,利用浮动坐标法,采用多体系统动力学单向递推组集方法,建立了哑铃型航天器的刚-柔耦合动力学模型.该模型考虑了哑铃型航天器的轨道-姿态-变形之间的耦合效应,保留了全部变形高次耦合项.通过采用本文方法建立的"刚体-桁架-刚体"模型和已有的两种哑铃型航天器模型,对典型算例进行动力学仿真和比较.仿真结果表明,本文模型很好地反映了哑铃型航天器的刚-柔耦合动力学特性,末端物体的转动惯量将会影响系统的动力学响应,不能简单忽略.本研究将为哑铃型航天器的总体设计,特别是控制规律的设计,提供重要的技术支持.     

脑皮层神经网络的线性时滞反馈控制

神经元的病态同步放电会破坏大脑的正常功能, 导致癫痫和帕金森等生理疾病. 本文采用神经元二维映射模型构建一个脑皮层神经网络, 当神经元之间的耦合强度超过某一阈值时, 网络中所有神经元同步放电. 通过施加线性时滞反馈控制, 可以有效的消除这种同步状态, 且不改变神经元本身的放电特性. 仿真结果表明线性时滞反馈 可以实现对脑皮层神经网络的去同步化控制, 且对刺激参数的变化具有鲁棒性.     

鞍-结分岔点附近的神经自发放电节律和随机自共振

研究了确定的和随机的神经放电数学模型中的鞍-结分岔的动力学行为,随机模型中靠近鞍-结分岔点的随机节律被揭示为随机更新过程;还研究了相应于分岔点附近的随机自共振机制.结果不仅揭示了鞍-结分岔点附近的神经放电的统计特征和动力学机制,还给出了实用的鉴别现实神经系统中的鞍-结分岔的指标.     

基于栈式循环神经网络的血液动力学状态估计方法

利用fMRI数据准确地估计血液动力学状态, 能得到一种更接近神经元层面的大脑活动的客观表示, 这将促进人们对大脑运行机理的深刻理解, 推动脑认知的进一步发展.迄今为止, 人们已经提出了许多血液动力学状态估计方法.然而, 这些方法大都只考虑了相邻时刻血液动力学状态之间的关系, 忽视了更深层次的时序特征.而对模型参数先验信息的需求也使一些方法在实际应用中受到了限制.为此, 本文提出了一种基于循环神经网络的血液动力学状态估计新方法.首先, 利用血液动力学模型中非线性函数的反函数建立BOLD信号与血液动力学状态之间的映射关系, 并构建模型的反演过程.然后, 采用一种堆叠三个RNN模块的栈式神经网络结构来拟合这种映射关系, 使其能够以BOLD信号作为输入, 得到血液动力学状态的估计值.最后, 在仿真数据上验证新方法的性能.实验结果表明:与一些代表算法相比, 新方法能够更合理地提取fMRI数据中的时间特性, 有效地拟合BOLD信号与血液动力学状态之间的动态非线性关系.     

Multi-channel neural mass modelling and analyzing

Multi-channel neural signals generated by a computational model can help understand the mechanism of EEG rhythms, analyze brain functional connectivity and evaluate neural signal processing methods. In this study, a two-kinetics lumped-parameter neural mass model is extended to a multi-kinetics and multi-channel coupled model. This new model can effectively simulate the coupled dynamics activities between different areas in the brain. The simulation results show that the proposed model can generate neural s...     

脑机接口应用中的思维任务分类

脑电信号（EEC）是研究脑活动的一种重要的信息来源,基于脑电信号的人与计算机的通信成为一种新的人机接口方式。时于五种不同心理作业的思雏脑电信号运用独立分量分析（ICA）进行预处理,然后采用6阶的AR模型提取特征,最后应用BP神经网络时AR系数特征进行训练和分类。实验表明。此方法可以达到很好的分类效果,提高了脑电思维作业的准确度。     

视觉皮层区功能柱型结构的认知计算意义

在视皮层的初级皮层区有许多非常规整的柱形功能结构,它们形成的局域网络具有抽取视图象中最基本的微小特征的计算能力.相邻视神经细胞间的侧抑制机制和神经细胞的感受野为实现这样的并行计算能力提供了保证.并且视皮层的这种等级组构为许多心理现象提供了生理解释,对人工智能系统的知识获取和知识表示都具有非常重要的意义.该文设计的初级皮层视知觉并行计算模型就是以生理学依据为出发点的,取的是`解释智能'的思想.     

基于轴突信号理论的神经网络聚类算法

通过借鉴Raju Metherate提出的只有部分脑细胞发出的信号到达了大脑皮层的理论和Stephen R Williams提出的突触信号强度随着离神经细胞主体的距离的加大而减弱的理论,提出了基于轴突信号理论的神经网络聚类算法。此算法在较高维空间中具备和传统竞争神经网络相当甚至更高的聚类准确率;通过对神经网络训练结果的进一步分析可以作为主因素分析和空间降维处理的依据;通过对竞争层神经元之间权重的修正得到类别的自组织关系。最后通过实验证明算法的有效性。     

一种面向噪声环境中旋转机械故障诊断的多模态耦合输入神经网络

旋转机械设备是工业生产中的关键性设备,对其进行高效故障诊断,对于保障工业安全生产具有重要意义.传统的旋转机械设备智能故障诊断方法采取人工特征提取策略,存在依赖专家经验知识、特征泛化性差、特征完备性不足等局限性,导致故障诊断模型精度差,特别是在噪声环境下性能下降明显.对此,提出一种用于旋转机械故障诊断的多模态耦合输入神经网络模型.首先,利用信号分解方法将原始输入信号分解为多个子信号,并将子信号与原始信号成对组成二维矩阵并输入到神经网络中,使得网络能够提取其间重要的相关特征;然后,利用双通道并行的卷积神经网络和长短期记忆网络分别提取信号中的时空间特征并融合,大大提高网络模型的特征表达完备性,实现对旋转机械设备的高精度故障分类.通过实验验证了所提出模型相较于传统故障模型具有更高的准确率,并且对于噪声干扰也有较好的适应性.     

Modeling of inhibition/excitation firing in olfactory bulb through spiking neurons

Spiking neural systems are based on biologically inspired neural models of computation since they take into account the precise timing of spike events and therefore are suitable to analyze dynamical aspects of neuronal signal transmission. These systems gained increasing interest because they are more sophisticated than simple neuron models found in artificial neural systems; they are closer to biophysical models of neurons, synapses, and related elements and their synchronized firing of neuronal assemblies could serve the brain as a code for feature binding and pattern segmentation. The simulations are designed to exemplify certain properties of the olfactory bulb (OB) dynamics and are based on an extension of the integrate-and-fire (IF) neuron, and the idea of locally coupled excitation and inhibition cells. We introduce the background theory to making an appropriate choice of model parameters. The following two forms of connectivity offering certain computational and analytical advantages, either through symmetry or statistical properties in the study of OB dynamics have been used:

• all-to-all coupling,
• receptive field style coupling.

Our simulations showed that the inter-neuron transmission delay controls the size of spatial variations of the input and also smoothes the network response. Our IF extended model proves to be a useful basis from which we can study more sophisticated features as complex pattern formation, and global stability and chaos of OB dynamics.     

Entrainment-enhanced neural oscillator for rhythmic motion control

We propose a new neural oscillator model to attain rhythmic movements of robotic arms that features enhanced entrainment property. It is known that neural oscillator networks could produce rhythmic commands efficiently and robustly under the changing task environment. However, when a quasi-periodic or non-periodic signal is inputted into the neural oscillator, even the most widely used Matsuoka’s neural oscillator (MNO) may not be entrained to the signal. Therefore, most existing neural oscillator models are only applicable to a particular situation, and if they are coupled to the joints of robotic arms, they may not be capable of achieving human-like rhythmic movement. In this paper, we perform simulations of rotating a crank by a two-link planar arm whose joints are coupled to the proposed entrainment-enhanced neural oscillator (EENO). Specifically, we demonstrate the excellence of EENO and compare it with that of MNO by optimizing their parameters based on simulated annealing (SA). In addition, we show an impressive capability of self-adaptation of EENO that enables the planar arm to make adaptive changes from a circular motion into an elliptical motion. To the authors’ knowledge, this study seems to be the first attempt to enable the oscillator-coupled robotic arm to track a desired trajectory interacting with the environment.     

基于耦合势能衍射检测的改进DCNON分割算法

分析了动态耦合振荡神经网络（DCNON）的数学模型和工作原理,以及在图像分割应用中的不足;根据振荡神经网络的动力学特点,借鉴机械波传播模型,提出一种基于耦合势能衍射检测的改进DCNON图像分割算法,通过改进动态耦合振荡神经网络框架和改善算法结构来提高DCNON的运算效率。通过MATLAB对改进DCNON算法的仿真,对比原始分割算法,验证了改进算法有效地压缩了运算时间。     

Finding the shortest path in the shortest time using PCNN's

A pulse coupled neural network (PCNN) can run mazes nondeterministically (taking all possible paths) with constant time per step. Thus, when a signal emerges, it has taken the shortest path in the shortest time.