神经信息流分析中gPDC与PCMI算法的比较及应用

发布时间：2017-09-14 14:32

  本文关键词：神经信息流分析中gPDC与PCMI算法的比较及应用

  更多相关文章： 神经信息流 神经元群模型 广义一致性算法 排列熵算法 局部场电位

【摘要】：目的： 大脑在学习思考时,不同脑区通过神经振荡同步的方式相互连接交流。为了度量这种实时的信息流动,神经信息流(Neural information flow,NIF)分析应运而生。近年来,已有许多算法被用来度量这种实时的交流,以便确定大脑在工作时不同脑区的连接状况。然而不同的度量方法可能会导致不同的结果,有时甚至会产生相反的结果。因此,通过比较不同的计算方法在度量神经信息流时的特点,可以对实践以及结论的确定有一定的指导意义。目前,对于神经信息流的度量,主要有两类方法。一类是线性方法,代表算法是广义一致性算法(general partial directional coherence, gPDC)。另一类是非线性算法,代表算法是排列熵算法(permutation conditional mutual information, PCMI)。本文运用数学模型,通过数值仿真,模拟真实脑电数据,以此比较这两类算法在分析神经信息流时的特点,为后续真实的脑电数据分析提供一定的指导。 方法： 通过数值仿真,运用神经元群模型(neural mass model, NMM),模拟真实脑电数据。在不同连接强度下,比较算法的灵敏度、度量的误差、以及脑电数据长度对分析的影响。最后通过动物在体实验,获得一组真实脑电数据,验证数值实验得到的一些结论。 结果： 排列熵的灵敏度要好于广义一致性算法,在较低的连接强度下,排列熵算法的结果更为可靠。因此,排列熵算法适合于度量连接强度较更弱的情况。广义一致性算法的灵敏度是一个二元函数,受到两个方向的共同影响。排列熵的灵敏度是一个一元函数,只会受到所度量方向的影响。因此,排列熵算法更适合度量连接强度的大小。 在单向模型,即单向驱动条件下,广义一致性算法在估计真值方面要明显好于排列熵算法。同时,广义一致性算法在体现强度变化方面的灵敏度比排列熵算法更高。 在双向模型,即相互驱动条件下,排列熵算法在估计真值方面要好于广义一致方向性算法。两类算法在驱动对称的情况下,都有较好的结果。同样,广义一致性算法在体现强度变化方面也要明显好于排列熵算法。 排列熵算法对数据长度的要求较小,而广义一致方向性算法要求更多的数据点以获得稳定的结果。 从动物在体实验数据分析中得到的结果表明,广义一致性算法对度量连接强度的变化更为敏感。同时,与广义一致性算法比较,排列熵算法得到稳定的结果需要更少的数据点。 结论： 广义一致性算法更能表现出神经信息流强度的变化；而排列熵算法更适合估计神经信息流强度本身。
【关键词】：神经信息流 神经元群模型 广义一致性算法 排列熵算法 局部场电位
【学位授予单位】：南开大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：R338;TN911.7
【目录】：

• 中文摘要5-7
• Abstract7-11
• 符号说明11-12
• 第一章 前言12-18
• 第一节 研究背景12-16
• 1.1.1 神经振荡12-13
• 1.1.2 神经信息流13-16
• 1.1.3 神经元建模16
• 第二节 研究内容及目的16-17
• 第三节 论文的创新之处17
• 第四节 论文的结构安排17-18
• 第二章 脑电信号建模与数据分析方法18-29
• 第一节 神经元群模型18-24
• 2.1.1 神经元群模型的基本模型18-21
• 2.1.1.1 神经元群基本模型的数学表达18-20
• 2.1.1.2 神经元群基本模型的实现20-21
• 2.1.2 单通道多状态神经元群模型21-22
• 2.1.3 双通道双状态神经元群模型22-24
• 第二节 数据分析算法24-27
• 2.2.1 广义一致性算法24-25
• 2.2.2 排列熵算法25-27
• 第三节 算法比较的指标27-28
• 2.3.1 敏感度27-28
• 2.3.2 变异系数(coefficient of variation, C.V.)28
• 第四节 统计方法28-29
• 第三章 结果29-46
• 第一节 数值仿真结果29-40
• 3.1.1 算法敏感度比较29-33
• 3.1.2 算法估值与真值的比较33-37
• 3.1.3 数据点个数对算法的影响37-40
• 3.1.4 仿真比较小结40
• 第二节 In vivo实验结果40-46
• 3.2.1 信息流指数的度量41-44
• 3.2.2 数据长度44-45
• 3.2.3 In vivo实验小结45-46
• 第四章 讨论46-50
• 第一节 排列熵算法在度量神经信息流时的优势46-47
• 第二节 广义方向一致性算法在度量神经信息流时的优势47-49
• 第三节 总结与展望49-50
• 参考文献50-56
• 致谢56-58
• 附录A 神经元群模型的建立公式58-60
• 个人简历60

【参考文献】

中国期刊全文数据库 前1条

1 ;Information flow among neural networks with Bayesian estimation[J];Chinese Science Bulletin;2007年14期

，

本文编号：850583