[發明專利]基于粒子群算法的神經元群模型參數自適應優化方法

有效

• 申請號: 201910622679.0
• 申請日: 2019-07-11
• 公開（公告）號: CN110428043B
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 謝平;袁航;陳曉玲;張昌夢;金子強;程生翠;張園園
• 申請（專利權）人: 燕山大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06N3/00
• 代理公司: 北京孚睿灣知識產權代理事務所(普通合伙) 11474
• 代理人: 韓燕

1.一種基于粒子群算法的神經元群模型參數自適應優化方法，其特征在于，其步驟包括：

步驟S1：初始化粒子群，設置粒子群算法基本參數，設置每個粒子的參數組合搜索范圍，設置神經元群模型基本參數；

步驟S2：計算所述初始化粒子群中每個粒子的適應度值，根據所述初始化粒子群中粒子適應度值，初始化粒子個體極值和全局極值，具體步驟為：

步驟S2-1：建立神經元群模型微分方程：

其中，H_e為興奮性平均突觸增益、H_i為抑制性平均突觸增益、τ_e為膜平均時間常數、τ_i為樹突平均時間常數；C₁＝α₁·C，C₂＝α₂·C，C₃＝C₄＝α₃·C＝α₄·C，α₁和α₂分別為興奮性反饋環上平均突觸連接第一平均概率和第二平均概率；α₃和α₄分別為抑制性反饋環上平均突觸連接第三平均概率和第四平均概率，C為子群間的最大突觸平均連接數目；p表示外部輸入高斯白噪聲，p＝mean+randn*sigma，mean＝220，sigma＝20，randn為隨機數；y₀為錐體神經元平均膜電位即錐體神經元子群輸出；y₁為興奮性中間神經元平均膜電位即興奮性神經元子群輸出，y₂為抑制性中間神經元平均膜電位即抑制性神經元子群輸出；y₃,y₄,y₅分別為y₀,y₁,y₂的導數；Sigm()為非線性函數，具體為非線性函數模塊v為神經元群的平均膜電位，v_max為神經元群的最大激發值，v₀為達到50％最大激發值時的突觸后電位，r為該函數在的斜率；

根據每個粒子的四個參數：興奮性平均突觸增益H_e、抑制性平均突觸增益H_i、膜平均時間常數τ_e、樹突平均時間常數τ_i，采用4階Runge-Kutta方法對神經元群模型微分方程進行求解，針對每個粒子都獲得y₁和y₂，根據y₁和y₂生成相對于每個粒子的仿真腦電信號波形為：eeg＝y₁-y₂，其中，eeg為錐體神經元突觸后膜平均膜電位，代表模型的輸出，用于仿真腦電信號，y₁為興奮性中間神經元平均膜電位即興奮性神經元子群輸出，y₂為抑制性中間神經元平均膜電位即抑制性神經元子群輸出；

步驟S2-2：對相對于所述粒子的仿真腦電信號波形進行1Hz高通濾波以去除0頻直流信號，然后對濾波后的信號進行傅里葉變換，獲取頻譜圖中的幅峰值及其對應的頻率點f_c；

步驟S2-3：每個粒子適應度值計算式為：fitness＝|f_c-f_g|，其中，f_c為當前由頻譜圖獲取的幅峰值對應頻率，f_g為設定的目標頻率；

步驟S2-4：重復步驟S2-1至S2-3計算獲得粒子群中每個粒子的粒子適應度值，初始化粒子個體極值和全局極值；

步驟S3：更新粒子群中粒子的速度和位置，形成新的粒子群；

粒子群中每個粒子更新粒子速度和位置所使用的計算公式為：

式中，是粒子i在第k+1次迭代中第d維的速度；是粒子i在第k次迭代中第d維的速度，c₁,c₂分別是第一學習因子和第二學習因子，第一學習因子調節全局最優飛行的最大步長，第二學習因子調節個體最優飛行的最大步長；rand₁和rand₂是[0,1]之間的隨機數；是粒子i在第k次迭代中第d維的位置，是粒子i在第k+1次迭代中第d維的位置；是粒子i在第k次迭代中第d維的個體極值點的位置；是整個種群在第k次迭代中第d維的全局極值點的位置；w_k是慣性權重，其計算式如下：

式中，w_s為初始慣性權重，w_e為迭代到最大次數時的慣性權重，k為當前迭代次數，K_max為最大迭代次數；

當粒子群中所有粒子的位置更新完成后，形成了新的粒子群；

步驟S4：采用所述步驟S2中計算粒子適應度值的方法，對新的粒子群計算每個粒子適應度值；再根據每個粒子適應度值更新粒子個體極值和全局極值，具體為如果粒子的適應度值優于該粒子當前的個體極值，則被設置為該粒子的位置，并更新個體極值；如所有粒子的個體極值中最優的優于當前的全局極值，則被設置為該粒子的位置，且更新全局極值；

步驟S5：判斷是否滿足最大迭代次數，是則輸出全局最優粒子，否則返回步驟S3；

步驟S6：根據步驟S5輸出的全局最優粒子，獲得腦電相應頻段的最優參數組合，再根據腦電相應頻段的最優參數組合生成這個頻段的仿真腦電頻段波形。