脑网络模型的动力学分析与牵制控制

发布时间：2020-06-01 07:03

【摘要】：脑电信号(Electroencephalogram,EEG)包含很多生理和疾病信息,为某些脑疾病的诊断和治疗提供了依据。大脑是复杂的网络系统,由单个神经群为节点构成的脑网络模型可以模拟不同节律的脑电信号。对脑网络模型的动力学分析有助于挖掘脑节律产生的原因,更好的理解疾病的发病机制,对脑网络模型的反馈控制策略研究可以为脑节律的调制和脑疾病的治疗提供新的思路。本文从复杂网络角度对经典的神经群模型进行拓展,把单个神经群模型视为网络中的节点,构造具有不同拓扑的脑网络模型,对模型的动力学特性进行统计分析,并根据不同的拓扑结构给出不同的牵制控制策略对动力学特性进行控制。首先,构造具有规则、小世界、无标度和随机拓扑的脑网络模型,用改进的排序熵算法对脑电信号的复杂性进行统计分析,研究耦合强度、网络参量和拓扑结构对动力学特性的影响,进而利用可编程片上系统(System on Programmable Chip,SOPC)构建脑网络模型以模拟脑电信号。其次,将牵制控制和模糊Proportion Integration Differentiation(PID)控制相结合,应用于具有小世界拓扑的脑网络模型的动力学控制中,分析不同的控制策略对控制效果的影响,仿真验证特定的牵制控制在小世界拓扑的脑网络模型中的有效性,同时分析模型重要参数对控制能量的影响和最小驱动节点个数的影响。最后,将牵制控制和模糊PID控制相结合应用于规则、小世界、无标度和随机拓扑的脑网络模型的动力学控制中,研究在不同的拓扑下随机牵制控制策略和特定牵制控制策略对控制效果的影响,分析拓扑结构和耦合强度对驱动节点个数的影响。
【图文】：

1.4 本文主要内容以及结构安排本文主要对不同拓扑的脑网络模型进行动力学分析并对动力学进行控制。以单个神经群模型为节点，根据图论和复杂网络理论相应的构造算法，，构建不同拓扑的脑网络模型，运用改进的排序熵算法对模型的动力学特性进行复杂性特征提取并比较不同拓扑结构的脑网络模型动力学特性的异同。对不同拓扑的脑网络模型给出不同的牵制控制策略以实现动力学控制。首先，对具有小世界拓扑的脑网络模型进行详细地研究，给出多种不同的牵制控制策略，分别从控制效果和控制能量两方面验证特定的牵制控制策略在小世界拓扑的脑网络模型中的有效性。对小世界拓扑的脑网络模型闭环控制策略的研究为后续研究打下了基础，因为脑网络中除了呈现小世界特性外，还可能存在其他的拓扑结构，包括规则、无标度和随机拓扑，所以本文基于真实的脑网络对具有规则、小世界、无标度和随机拓扑的脑网络模型进行牵制控制方面的研究，图 1-1 给出了文中研究内容的示意。

本章首先介绍利用神经群模型模拟脑电信号的原理，介绍单个神经群模型的及对应的微分方程，给出神经群模型对应参数的生理含义及标准值。其次，在神经群模型的基础上，介绍了多个神经群耦合模型的微分方程，并介绍对应参含义。再次，给出图论和复杂网络理论中的一些基本概念，包括网络拓扑结构络特征参量和牵制控制的基本知识。最后，介绍 FPGA 和模糊控制原理的一些知识。.1 神经群模型(1) 单个神经群模型神经群模型是一种集总参数模型，可以模拟真实的脑电信号，它借助于兴奋抑制性细胞相互作用来产生神经振荡。图 2-1 给出了单个神经群模型的框图，由分构成，虚线框外的的表示非锥体细胞(星型细胞、蓝细胞等)，记为子群 1，它受兴奋性输入。虚线框内的表示锥体细胞记为子群 2，锥体细胞主要接受来自星胞或蓝细胞的兴奋性或抑制性反馈。
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R741.044;TP13

【相似文献】

相关期刊论文 前10条

1 李银;位瑞英;;时滞离散网络模型的动力学分析与同步[J];数学建模及其应用;2017年04期

2 刘强;方锦清;李永;;五百强企业超网络模型研究[J];中国原子能科学研究院年报;2016年00期

3 刘强;方锦清;李永;;超网络模型交叉度分析[J];中国原子能科学研究院年报;2013年00期

4 石海平;陆婧;杨忠振;;基于超级运输网络模型的综合运输政策效果分析[J];物流技术;2012年13期

5 李得荣;杨建梅;李欣荣;谢伟聪;;产业竞争关系复杂网络模型群分析——以中国汽车零部件产业为例[J];管理学报;2010年05期

6 王景峰;李健;朱玉杰;;基于复杂网络模型的协同制造服务网建立方法[J];森林工程;2010年06期

7 魏江，蔡延光，陈劲，钱积新，许庆瑞;不同创新项目相互影响的网络模型[J];决策与决策支持系统;1994年03期

8 ;美国小学的“课堂计算机网络模型”[J];比较教育研究;1995年05期

9 王宗培;张一鸣;;混合式步进电动机的通用磁网络模型[J];微特电机;1992年04期

10 陈志明;一种适合水利水电工程施工的网络模型[J];水力发电;1985年01期

相关会议论文 前10条

1 刘强;方锦清;李永;;超网络模型交叉度分析[A];中国原子能科学研究院年报 2013[C];2014年

2 张书超;那日萨;;具有老化机制的阿波罗网络模型[A];2006全国复杂网络学术会议论文集[C];2006年

3 秦绍萌;陈勇;;生态系统宏观演化的网络模型[A];2006全国复杂网络学术会议论文集[C];2006年

4 王仲君;黄红球;;一个具有确定度分布的有向网络模型[A];2006全国复杂网络学术会议论文集[C];2006年

5 李艳芳;何登旭;刘向虎;;泰勒展开式的泛函网络模型及学习算法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

6 李滢;党延忠;;基于问题处理多维知识网络模型的决策支持研究[A];第十届（2015）中国管理学年会论文集[C];2015年

7 刘仙;方媛;孙呈霞;高庆;;具有不同拓扑结构脑网络模型的牵制控制[A];第37届中国控制会议论文集（D）[C];2018年

8 骆继明;郭新军;;分布复杂机电系统网络模型图自动生成算法研究[A];煤矿机电一体化新技术创新与发展2012学术年会论文集[C];2012年

9 姜江;赵青松;杨克巍;陈英武;;证据网络模型及其推理决策方法研究[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

10 刘贝;李勇;孟繁疆;芦艳敏;;基因调控网络模型的研究[A];黑龙江省计算机学会2007年学术交流年会论文集[C];2007年

相关重要报纸文章 前4条

1 冯卫东;美构建可快速确认基因功能的基因网络模型[N];科技日报;2008年

2 李赞;规划ADSL三层结构网络模型[N];通信产业报;2004年

3 ;智能光网络的网络模型[N];人民邮电;2003年

4 王甲佳;构建网络模型，解决库存积压[N];中国信息化周报;2014年

相关博士学位论文 前10条

1 吕琦;数据中心网络模型研究[D];南京大学;2013年

2 许丽;砂岩油藏孔隙网络模型构造及应用研究[D];西南石油大学;2015年

3 吴昊;基于网络模型的癌症致病模式挖掘方法[D];西安电子科技大学;2016年

4 谭光兴;人工免疫系统动力学模型及其在优化控制中的应用[D];华南理工大学;2006年

5 刘胜久;复杂网络模型构建及特性分析[D];西南交通大学;2015年

6 谭利;复杂网络模型及应用研究[D];中南大学;2010年

7 齐峰;人工神经树网络模型的优化研究与应用[D];山东师范大学;2011年

8 黄朝琴;基于离散缝洞网络模型的多尺度两相流动模拟理论研究[D];中国石油大学（华东）;2012年

9 李淑静;复合复杂网络模型研究与应用[D];青岛大学;2011年

10 张允;裂缝性油藏离散裂缝网络模型数值模拟研究[D];中国石油大学;2008年

相关硕士学位论文 前10条

1 贾超;基于逃避规则下的洗钱网络模型构建与监测应用研究[D];山西师范大学;2017年

2 方媛;脑网络模型的动力学分析与牵制控制[D];燕山大学;2018年

3 周祥全;卷积网络模型及其在遥感图像目标识别中的应用[D];成都理工大学;2018年

4 吴博;一种基于动态DCVS网络模型的流量规划方法研究[D];昆明理工大学;2018年

5 邓广伟;基于深度学习的图像哈希检索方法研究[D];湖南大学;2018年

6 汪冉;基于深度学习的句子情感分类[D];南京理工大学;2018年

7 蔡林森;基于深度学习的关联目标情感分析研究[D];华东师范大学;2018年

8 黎李强;深度网络模型压缩及其在人脸识别的应用[D];华南理工大学;2018年

9 刘远超;一类确定性网络模型的特性研究[D];青海师范大学;2018年

10 彭钰蘅;基于学习的自然图像对称性目标检测[D];大连理工大学;2018年

本文编号：2691122