[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

本發明公開了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，其步驟包括：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；S2：計算初始粒子群中每個粒子的適應度值，根據粒子適應度值初始化粒子個體極值和全局極值；S3：更新粒子速度和位置；S4：計算新的粒子適應度值，更新粒子個體極值和全局極值；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，獲得腦電頻段的最優參數組合。本發明提供了一種便捷高效的神經元群模型參數調節方法，增加了參數辨識準確性，縮短了調節時間。

技術領域

本發明涉及神經系統領域，特別是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。

背景技術

隨著神經系統仿真建模技術的發展，建立腦電信號神經元模型成為了一種研究腦電信號產生、傳輸和處理的重要途徑。腦電信號神經模型可分為兩類，一類為微觀層次上的計算神經模型，這類模型難以確定神經元模型參數，且需要耗費大量的計算資源；另一類為集總參數模型，如神經元群模型(neural mass model，NMM)，其在宏觀層次上對特定種類細胞組成的神經元群整體特性進行建模，既具有數學上的簡單形式又能較好地反映神經生理學上的意義，因此得到廣泛應用。

神經元群模型能夠仿真不同形式的腦電信號，比如人體正常或者帶有某些疾病特征的腦電信號、局部場電位等。相關研究者不斷地對神經元群模型進行擴充，以產生更加豐富的腦電信號。JansenRit使用神經元群仿真了自發背景腦電信號、類α信號和視覺誘發定位；Wendling應用神經元群模型仿真癲癇腦電信號；DavidFriston使用雙通道耦合神經元群模型仿真了從δ到γ頻段的窄帶腦電信號。在上述神經元群模型的仿真信號中，研究者們均是采取試湊參數的方式來產生目標信號，這種方式需要大量的調節工作量，難以在較短時間內獲得具有某種特征或特定頻率的腦電信號。

目前，已有研究基于優化算法探究神經元群模型參數變化，來模擬抑制或改善某些特征信號，分析神經元群模型的動力學特性等。燕山大學劉仙基于代數估計法，研究了一種新型的閉環反饋控制策略以消除神經群模型中的癲癇狀棘波；山東大學耿淑娟以Wendling模型的關鍵參數為分支參數的非線性分支分析研究了該模型的動力學特性。但是現有研究大都是針對具有特征信號的神經元群參數優化調整和分析，對于常規腦電特定頻段信號的分析和參數優化調整的研究相對較少。

因此，目前缺乏對常規腦電特定頻段信號的分析和參數優化調整的方法，需要引入一些優化算法進行參數自適應優化顯得很有必要。

粒子群優化算法具有計算時間短、收斂速度快、求解復雜非線性優化問題靈活、易于實現等優點，在求解復雜非線性優化問題中得到了廣泛的應用。但目前將粒子群算法用于神經元群模型參數自適應優化的研究應用還很少見。

發明內容

為了彌補上述現有技術的缺陷并克服現有技術的不足，本發明提供了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。該方法有利于快速獲取由神經元群模型生成的腦電特定頻率波形，減少手動調節參數的時間，有利于研究腦電特征頻段與人體大腦活動的關系，并可用于模擬部分疾病特征信號和受到刺激后的腦電信號。

為實現上述目的，本發明的提出了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：