[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的視網(wǎng)膜神經(jīng)元編碼方法

在審

• 申請?zhí)枺?/td>: 202011247677.7
• 申請日: 2020-11-10
• 公開（公告）號: CN112329795A
• 公開（公告）日: 2021-02-05
• 發(fā)明（設(shè)計）人: 余肇飛;賈杉杉;鄭雅菁;劉健
• 申請（專利權(quán)）人: 之江實驗室
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州浙科專利事務(wù)所(普通合伙) 33213
• 代理人: 楊小凡

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的視網(wǎng)膜神經(jīng)元編碼方法，包括如下步驟：S1，獲取神經(jīng)節(jié)細胞刺激數(shù)據(jù)及其對應的響應數(shù)據(jù)；S2，構(gòu)建CNN模型進行訓練，包括如下步驟：S21，神經(jīng)節(jié)細胞刺激數(shù)據(jù)輸入第一層卷積層；S22，第一層卷積層的輸出輸入第二卷積層；S23，第二層卷積層的輸出輸入全連接層；S24，將輸出與響應數(shù)據(jù)進行比較，優(yōu)化CNN模型的輸出；S3，通過訓練好的CNN模型，預測神經(jīng)節(jié)細胞的響應數(shù)據(jù)；選用CNN模型是因為其具有強大的非線性計算能力，通過實驗，當CNN模型的卷積層為2時，效果最好，在全連接層中只有一個輸出神經(jīng)元，信息通過激活函數(shù)進行矯正。

技術(shù)領(lǐng)域

本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)的視覺編碼技術(shù)領(lǐng)域，尤其是涉及了一種基于卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)的視網(wǎng)膜單個神經(jīng)節(jié)細胞的編碼技術(shù)。

背景技術(shù)

視覺功能是人類大腦中極為重要的一個功能，我們每天獲得的信息70％來自于視覺。理解視覺系統(tǒng)的工作機理對神經(jīng)科學、機器視覺都有著重要的意義。作為視覺系統(tǒng)的輸入，理解視網(wǎng)膜的工作機理是理解視覺系統(tǒng)工作機理的基礎(chǔ)。豐富的動態(tài)視覺刺激通過視網(wǎng)膜多層神經(jīng)網(wǎng)絡(luò)的計算組件在神經(jīng)系統(tǒng)內(nèi)編碼，并在神經(jīng)節(jié)細胞(GC，ganglion cell)后誘發(fā)脈沖電信號。為此，發(fā)展了基于卷積神經(jīng)網(wǎng)絡(luò)CNN的視覺編碼模型，但目前的編碼模型對自然場景的編碼能力表現(xiàn)不佳，且尚不清楚CNN在視覺系統(tǒng)中的神經(jīng)網(wǎng)絡(luò)中學到了什么。

發(fā)明內(nèi)容

為解決現(xiàn)有技術(shù)的不足，實現(xiàn)精確預測視網(wǎng)膜對輸入刺激的脈沖響應，推斷雙極細胞的感受野，提高遷移學習能力的目的，本發(fā)明采用如下的技術(shù)方案：

一種基于卷積神經(jīng)網(wǎng)絡(luò)的視網(wǎng)膜神經(jīng)元編碼方法，包括如下步驟：

S1，獲取神經(jīng)節(jié)細胞刺激數(shù)據(jù)及其對應的響應數(shù)據(jù)；

S2，構(gòu)建CNN模型進行訓練，包括如下步驟：

S21，神經(jīng)節(jié)細胞刺激數(shù)據(jù)輸入第一層卷積層，公式如下：

表示ReLU激活函數(shù)，conv表示卷積操作，S為神經(jīng)節(jié)細胞刺激數(shù)據(jù)，W¹為第一層的卷積核，b¹為第一層的偏置，Y¹為第一層的輸出；

S22，第一層卷積層的輸出輸入第二卷積層，公式如下：

W²為第二層的卷積核，b²為第二層的偏置，Y²為第二層的輸出；

S23，第二層卷積層的輸出輸入全連接層，公式如下：

W³為連接權(quán)重，b³為偏置，為輸出；

S24，將輸出與脈沖響應數(shù)據(jù)進行比較，優(yōu)化CNN模型的輸出；

S3，通過訓練好的CNN模型，預測神經(jīng)節(jié)細胞的響應數(shù)據(jù)。

S4，通過訓練好的CNN模型，根據(jù)習得的CNN第一層卷積核，推斷神經(jīng)節(jié)細胞上游連接的子單元的時空感受野。

選用CNN模型是因為其具有強大的非線性計算能力，通過實驗，當CNN模型的卷積層為2時，效果最好，在全連接層中只有一個輸出神經(jīng)元，信息通過softplus激活函數(shù)進行矯正。

所述S24，通過泊松損失函數(shù)進行比較，使輸出與脈沖響應數(shù)據(jù)Y逐漸匹配，泊松損失函數(shù)公式如下：

所述響應數(shù)據(jù)為脈沖響應數(shù)據(jù)，輸出為發(fā)放率，通過泊松生成器進行泊松采樣產(chǎn)生脈沖數(shù)據(jù)，將與脈沖響應數(shù)據(jù)進行比較，優(yōu)化CNN模型的輸出。