[发明专利]大脑神经元动作电位序列的快速预测方法

摘要

大脑神经元动作电位序列的快速预测方法涉及大脑模拟领域，尤其是针对大规模大脑模拟中神经元动作电位序列的准确和快速计算。通过引入两个模块，一个用于分类，另一个用于预测。然后采集大量的样本数据来训练两个模块，最终实现仅依靠少数几个相互间隔较大的非spike的膜电位值，能快速和准确地预测出spike对应的特征。它所要解决的技术问题是大规模脑模拟过程中神经元动作电位计算速度慢的问题，本发明中的方法能极大地提高动作电位的计算速度，同时保持了相当高的精度，非常适用于大规模脑神经元网络的模拟。

主权项

1.大脑神经元动作电位序列的快速预测方法，其特征包含以下步骤：(1)神经元离子通道模型和动作电位数据样本的收集首先，搜集神经元模型及完整的离子通道数据，搜集的模型要能反映神经系统中神经元80％以上的放电行为；其次，针对每一个模型，采用步长为0.01ms的四阶龙格库塔数值算法，获取不同幅度直流刺激下，膜电位序列中的电压值，并提取出这些序列中单个spike的最高值Vmax、最低值Vmin和宽度；宽度为最高值与最低值对应时间的差，即：Dt＝tmin‑tmax；同时，记录Vmax前1ms、2ms和3ms时的电压值V1、V2和V3；对于每个模型，通过改变电流刺激幅度，收集多组[Vmax,Vmin,Dt,V1,V2,V3]数据；然后构建单个模型对应的spike样本库A，用于后续对预测网络模块进行训练和测试；最后，同样利用步长为0.01ms的四阶龙格库塔算法，获取前一个spike的Vmin之后到下一个spike的Vmax之前这一区间中神经元的电压值，并从中以0.01ms的滑动窗选取间隔为1ms的三个连续值VV1、VV2和VV3，构成数据库B，作为分类网络模块的训练和测试数据；其中，标记Vmax前1ms、2ms、3ms的VV1、VV2、VV3为正样本，表示它们能用来预测spike的特征，其它的VV1、VV2、VV3为负样本，表示它们无法用来预测spike的特征；(2)预测模块的训练和测试根据已收集的样本数据的特点，构建用于预测的网络模块；然后，利用反向传播算法对网络中神经元之间的连接权重进行更新，直到网络训练完成；最后，用测试数据集对预测模块的性能进行测试；(3)分类模块的训练和测试根据已收集的样本数据的特点，构建用于分类的网络模块；然后，同样利用反向传播算法对网络中神经元之间的连接权重进行更新，直到网络训练完成；最后，用测试数据集对分类模块的性能进行测试；(4)根据(3)中分类网络模块的结果，利用(2)中已训练好的预测网络模块对spike的几个典型特征进行预测；具体如下：通过0.05ms的步长，获取在某一刺激下神经元非spike部分的电压值，并提取间隔为1ms的三个连续值Vt1、Vt2、Vt3；先用分类模块进行判断，如果输出结果为1，则将Vt1、Vt2、Vt3输入到预测模块中，对神经元spike的三个特征值(Vmax、Vmin和Dt)进行预测；如果输出结果为0，则将Vt1、Vt2、Vt3向前以0.05ms的步长进行更新，然后重新进行分类判断；分类网络输出的2个结果分别是1和0，其中1表示输入数据可以用于预测spike的特征，0表示输入数据不可以用于预测spike的特征；当输出的值大于阈值时，标记为1，反之标记为0；阈值设置为[0.4，0.6]中一个数值。