[發明專利]一種針對烏賊巨型軸突中動作電位的建模方法

在審

• 申請號: 202110623080.6
• 申請日: 2021-06-04
• 公開（公告）號: CN113361688A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 周杭南;陳偉鋒
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/063;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.一種針對烏賊巨型軸突中動作電位的建模方法，其特征在于，包括以下步驟：

S1：根據FitzHugh-Nagumo模型參數的弱先驗知識生成FitzHugh-Nagumo模型參數，再利用生成的模型參數并結合FitzHugh-Nagumo模型生成不含噪聲的膜電位數據，在不含噪聲的膜電位數據上添加一階自回歸噪聲模擬生成含有噪聲的膜電位測量數據，將FitzHugh-Nagumo模型參數和對應的含噪聲的膜電位測量數據構建成數據集；其中，FitzHugh-Nagumo模型表示為：

膜電位u＝u(t)以及恢復變量v＝v(t)是FitzHugh-Nagumo ODE的未知量。γ是一個恒定值，ζ表示總膜電流，θ₀和θ₁為模型參數。所述模型參數的弱先驗知識具體為：模型參數的取值區間大于[0,1]。

S2：建立由卷積層、池化層和全連接層構成的用于FitzHugh-Nagumo模型參數估計的神經網絡；其中，所述神經網絡的輸入為含噪聲的膜電位測量值，輸出為FitzHugh-Nagumo模型參數估計值。

S3：利用步驟S1構建的數據集對神經網絡進行訓練，同時使用模擬退火法對所建立的神經網絡超參數進行整定；

S4：將實際測量的膜電位數據輸入至整定好超參數的神經網絡進行FitzHugh-Nagumo模型參數估計。

S5：利用估計所得的FitzHugh-Nagumo模型參數對烏賊巨型軸突中動作電位進行建模。

2.如權利要求1所述一種針對烏賊巨型軸突中動作電位的建模方法，其特征在于：所述步驟S1具體包括如下子步驟：

S1.1：假設FitzHugh-Nagumo模型參數θ₀,θ₁是獨立同分布的正態分布：

θ₀～N(0.4，0.3)，θ₁～N(0.4，0.4)

且θ₀,θ₁的區間范圍：

θ₀∈[-0.2,1.0]，θ₁∈[-0.4,1.2]

通過從先驗分布中采樣參數θ，求解FitzHugh-Nagumo ODE并在等步長存儲膜電位u_θ(t_i)，i＝1,...,N_t。

S1.2：在不含噪聲的膜電位數據上添加一階自回歸噪聲模擬生成含有噪聲的膜電位測量數據d(t_i)，表示為：

d(t_i):＝u_θ(t_i)+η(t_i)

其中，d(t_i)為模擬的含有噪聲的t_i時刻的膜電位測量數據，η(t_i)為一階自回歸有色噪聲。η(t_i)大小為原始u_θ(t_i)的5～10％左右。

S1.3：最后將采樣得到的參數θ和對應的含噪聲的膜電位測量數據構成數據集。

3.如權利要求1所述針對烏賊巨型軸突中動作電位的建模方法，其特征在于：所述步驟S3中，使用模擬退火法整定的神經網絡超參數包括卷積層濾波器數量(filters)、卷積核大小(kernel_size)、卷積步長(convolution_strides)、池化層類型(pool_type)、池化層濾波器大小(pool_strides)、池化步長(pool_strides)、全連接層節點數(units)、激活函數(activation)、學習率(learning_rate)、時期(epoch)、批大小(batch_size)、損失函數(loss_function)、卷積層層數以及全連接層層數。

4.如權利要求1所述一種針對烏賊巨型軸突中動作電位的建模方法，其特征在于：所述步驟S3中，采用模擬退火法對所建立的神經網絡超參數進行整定時，將神經網絡輸出值與真實值的最小化均方誤差作為內能，根據Metropolis準則以一定的概率接受一個比當前解要差的解，表示為：

其中，p為概率，E為溫度T時的內能，ΔE為兩組超參數對應的E的改變量，k為Boltzmann常數。