基于FPGA的动作电位提取系统设计与实现

利用生物电测量技术的微电极,可以采集到神经元发放的动作电位,这为后续脑神经活动的研究提供有效的依据.但是如何将采集到的信号中的动作电位有效地提取出来,是信号处理领域的一个重要的课题.在实际过程中,动作电位非常稀疏,有必要对冗余信息进行滤除.该文将神经信号进行滤波放大和AD采样后,利用FPGA电路实现了动作电位的阈值法检测,滤除了大量的冗余信号,简化了后续的处理过程.实验表明:该电路能够实现动作电位的实时检测与发送,同时记录每个动作电位到来的时刻.     

神经元动作电位模式分类的小波时频分析方法

对神经元动作电位进行模式分类是植入式脑机接口研究的前期关键问题。考虑到来自不同神经元的动作电位在时域或频域特征上的相似性,引入小波分析在时频域上对动作电位进行特征描述。首先以db、sym、bior三类小波函数系为例,分别获取了动作电位的高维小波系数特征;然后对特征分量进行非正态分布特性的KS检验,以实现特征降维;最后通过非监督的K均值方法完成动作电位聚类。实验结果表明：在神经信号噪声水平为0.05dB、0.1dB和0.15dB时,各小波基的分类性能略有不同。其中sym5小波性能突出,动作电位错分率基本稳定在1.21%～181%。最后与主成分分析法(PCA)进行了分类性能的比较,进一步证实了小波时频分析方法(sym5小波)在抗干扰性和稳定性方面的优势。     

Courbage神经元映射模型的随机共振研究

采用神经元二维映射模型,通过数字仿真研究了高斯白噪声对神经元非线性动力学特性的影响.研究发现,噪声可以诱导具有次阈值输入信号的神经元产生动作电位和随机共振.随机共振现象的产生与否和噪声强度的大小以及输入信号的频率具有密切的关系.另外,还研究了系统的控制参数对随机共振现象的影响.     

基于Wi-Fi技术的穿戴式动物嗅觉机器人

基于Wi-Fi技术的动物嗅觉机器人通过对记录的大鼠嗅觉神经元信号进行分析解码,实现气味检测与识别。本嗅觉机器人由大鼠和穿戴式动物神经记录系统组成;其中穿戴式动物神经记录系统包括前置探头、动物背包和用户软件,采用IEEE 802.11g网络协议,最大数据传输率为54 Mbit/s,可同步记录8通道嗅觉神经数据。计算机或iPad对采集的大鼠嗅觉神经信号进行实时的显示和记录,并使用主成分分析法( PCA)对记录到的数据进行离线分析,实现气味识别。     

大脑中神经回路的电位发放比较

通过对大脑神经中存在的四个回路：嗅球网络、小脑皮层、海马结构和丘脑皮层,建立基于解剖的神经元回路模型,对四种神经元回路中神经元的动作电位进行数值模拟,通过外加刺激来研究四种回路的网络特性,得到丰富的发放模式,分析比较这四种回路中信息传递特性,模拟大脑中神经元网络信号传递特性.     

基于C8051F020的PWM输出频率分析

基于C8051F020芯片,研究了PCA模块的PWM信号产生原理以及软件实现的方法,并通过实验方法针对PCA模块,提出了PWM输出频率与PCA计数器/定时器时基的关系公式,结合计算与实验观察,分析了在不同设定下输出波形的频率范围以及频率与占空比的准确性问题.实验结果表明,基于C8051F020产生的PWM信号具有控制精度高,响应快的优点,适于日常生活、工业生产和科学研究领域对控制系统的需要.     

基于鸽视顶盖神经元动作电位的图像重建

针对从神经元响应信号中解码视觉输入的问题,提出了一种利用神经元动作电位（Spike）信号重建视觉输入的方法。首先,记录鸽视顶盖（OT）神经元的Spike信号,提取Spike发放率特征;然后,构建线性逆滤波器和卷积神经网络重建模型,实现视觉输入的重建;最后,对通道数量、时间窗口、数据时间长度、延迟时间等参数进行优化。在相同参数条件下,利用线性逆滤波器重建图像的互相关系数达到0.910 7±0.021 9,利用卷积神经网络模型重建图像的互相关系数达到0.927 1±0.017 6。重建结果表明,提取神经元Spike发放率特征并运用线性逆滤波器和卷积神经网络重建模型可以有效重建视觉输入。     

Pre-B(o)tzinger中间神经元模型的动力学分析

摘要通过对Pre - B(o)tzinger复合体中兴奋性中间神经元模型的研究,从神经元动作电位和峰峰间距(ISIs)的角度考察了模型簇发放中所蕴含的动力学特性.通过对神经元膜电容、平衡电位以及离子通道电导系数等电生理参数的考察,得出了神经元动作电位ISIs序列的各种周期分岔现象,如:加周期分岔和倍周期分岔.通过模型结...     

神经元网络模型的弱信号随机共振检测研究

基于FitzHugh-Nagumo可兴奋细胞耦合后形成的神经元网络模型,对生物神经系统的弱周期信号随机共振检测机制进行研究。以加和网络的双层FHN神经元模型为例,对周期随机共振现象分别进行研究,并应用信噪比、互信息率对比评价方法,结合输出神经元动作电位的发放频率和幅值,从多个角度进行了定量和定性的描述和比较。实验结果表明,双层FHN神经元网络的随机共振响应优于单神经元的FHN模型,且具有更好的稳定性,可以在一定的噪声强度范围内对输入信号进行有效地检测。     

神经元环路中主神经元的模型分析

神经元环路是大脑神经系统的基本单元,而环路的信息输出则由主神经元所决定.本文通过对小脑皮层、嗅球和海马CA1三类不同环路中的主神经元：浦肯野神经元、僧帽神经元和锥体神经元建立给予神经元几何形态和电缆传递的多房室模型,通过它们的动作电位分析和比较,说明不同类型的外界刺激,三个环路中主神经元动作电位的区别;并进一步比较对同类刺激,三类主神经元动作电位的不同,模型验证它们所属环路在神经系统中所起的不同输出功能.     

用于不平衡数据分类的FE-SVDD算法

现有的支持向量数据描述(SVDD)算法在解决不平衡数据集问题时通常存在有偏性。针对该问题,在研究PCA特征提取技术和SVDD分类理论的基础上,提出一种用于平衡数据分类的FE-SVDD算法。该方法对2类样本数据进行主成分分析,分别求出主要特征值,根据样本容量及特征值对SVDD中的 值重新定义。在人工样本集和UCI数据集上进行实验,结果验证了该方法的有效性。     

神经元模型的复杂动力学：分岔与编码

研究了改进的Morris—Lecar（ML）神经元模型的放电节律模式和模式转化的峰峰间期（interspike intervals,ISIs）分岔结构,通过调节模型中的两个重要参数μ和Vk,发现对于固定的μ,改变Vk,神经元呈现出从倍周期级联分岔到加周期分岔的复杂结构,放电模式从静息态转化为周期、混沌簇放电状态;若选取此分岔过程中的某一Vk值,对μ进行调节,呈现出的ISIs分岔结构在很大程度上取决于单个神经元的放电节律模式,且单个神经元处于混沌簇放电时,肛带来的分岔动力学行为较丰富．由于神经元能够通过动作电位对信息进行编码,所以我们推测,研究神经元的放电节律模式和动作电位的ISIs分岔结构能为理解神经信息编码机制提供线索．     

基于核熵成分分析的数据降维?

针对高维数据的维灾问题,采用核熵成分分析方法降维数据,并与主成分分析及核主成分分析方法进行对比。降维后的数据利用支持向量机算法进行分类,以验证算法有效性。实验结果表明,KECA在较低的维数时仍然能获得较好的分类精度,可以减少后续的处理复杂度和运行时间,适用于机器学习、模式识别等领域。     

一种新型ICA算法在RFID系统中的应用

针对无线射频识别系统在通信过程中的防碰撞问题,从信号处理的角度,提出一种基于盲源信号并行分离技术的防碰撞处理算法,其中包括信号白化技术,以及一种改进的独立元分析(ICA)信号并行分离方法.功能仿真结果证明,该算法的吞吐率最高达到69％,与吞吐率只有18％的传统Aloha算法相比,该算法能提高防碰撞能力.     

结合mean-shift与MST的K-means聚类算法

针对初始点选择不当导致K—means陷入局部最小值问题,提出一种结合自适应mean-shift与最小生成树（MST）的K—means聚类算法。将数据对象投影到主成分分析（PCA）子空间,给出自适应mean．shift算法,并在PCA子空间内将数据向密度大的区域聚集,再利用MST与图连通分量算法,找出数据的类别数和类标签,据此计算原始空间的密度峰值,并将其作为K．means聚类的初始中心点。对K—means的目标函数、聚类精度和运行时间进行比较,结果表明,该算法在较短的运行时间内能给出较优的全局解。     

面向脑电情感识别的改进多分类RVM模型研究

从相关向量机（RVM）和支持向量机（SVM）的相似性以及RVM的稀疏特性出发，将RVM应用于脑电信号（EEG）的情感识别中。针对一对一（OAO）和一对多（OAA）两种多分类方法各自的特点和不足，提出了一种全新的两层多分类模型（OAA-OAO），改进现有OAO算法中无效投票影响最终决策的现象。设计情感EEG信号识别对比实验，验证基于RVM的改进多分类算法在脑电信号情感识别中的应用。对于实验室采集的情感脑电信号，提取其非线性特征（功率谱熵、样本熵和Hurst指数）并采用主成分分析法进行降维。将OAA-OAO-RVM算法分别和OAO-SVM、OAO-RVM两种识别网络进行对比，分析RVM的识别性能以及OAA-OAO多分类算法的分类性能。结果表明，采用降维后的最优特征集合作为识别网络的输入向量得到的识别性能更高，且RVM表现出的性能优于SVM。同时，改进后的OAA-OAO算法较传统OAO模型的平均识别率提高了7.89%，证明OAA-OAO算法可有效去除一部分无效投票从而使分类精度得到显著提高，验证了此模型是一种有效的多分类模型。     

基于网络行为偏好分类的DTBF+算法

针对Best-effect机制下DTBF动态令牌分配算法应用层流量分配不合理的问题,提出一种基于网络链路应用行为偏好分类机制的DTBF改进算法DTBF+。利用用户传输内容分类策略,将空闲用户链路中多余的令牌动态地分配到非对等(P2P)应用的繁忙用户链路中。应用结果表明,该算法可有效提高带宽的使用率和非P2P应用链路的瞬时带宽,降低资源分配的盲目性。     

基于KMHC算法的儿童交互角色挖掘方法

在教辅系统使用过程中,儿童角色存在类别数目未知、交互状态调研数据量大、噪音多的问题.为此,提出一种基于K-均值系统聚类融合算法的交互角色挖掘方法.通过数据清理和数据变化预处理初始数据,利用K-均值聚类对角色实现初始聚类,使用动态系统聚类的方法对初始聚类结果进行处理,得到角色的分类结果.实验结果表明,该方法的分类情况较好、效率较高.     

基于支持向量机的海量电力数据智能分类方法

针对电力公司海量数据分类问题,提出一种改进的k-means数据分类方法。在k-means算法的基础上,应用PCA对k-means算法进行降维处理,用canopy算法优化最佳簇集数、初始聚类中心。然后,应用改进的k-means算法对居民用户用电进行聚类;最后以该聚类结果为基础,建立LSTM预测模型。通过LSTM预测模型对某小区90户居民用电数据进行仿真实验,并对比分析了传统聚类、改进聚类和不适用聚类下LSTM三种模型的预测结果。结果表明,未使用任何聚类算法构建的LSTM模型在进行电力负荷预测时,预测结果的精度最低;应用改进的k-means算法构建的LSTM模型预测结果精度最佳。     

基于改进YOLO v4光线模糊场景下交通标志检测

近些年,自动驾驶开始进入人们的视线。对于自动驾驶而言,模糊光线场景下的交通标志检测是其中极其重要的一部分。目前YOLO v4算法广泛用于目标检测,虽然它的检测精度相比于其他YOLO版本有着较大的提高,但是还没有达到预期的精度。为了进一步提高检测交通标志的精度,本文在原有YOLO v4的基础上作一定的改进并与MSRCR图像增强处理相结合。首先将作为训练的图片通过MSRCR算法达到图像增强的目的,并将其作为目标检测的训练集图像。使用Darknet-53的YOLO v4网络,通过labelImg标注BelgiumTS交通信号数据集,使用改进的K-means++聚类算法确定先验框和具体参数并且改进路径聚合网络（PANet）结构和损失函数,将数据集进行训练。实验结果表明,改进后的算法与原本的YOLO v4算法相比较,平均精度提高了1.86个百分点。