1.本发明神经工程领域，具体涉及一种跨脑区人工神经通路的建模方法。


背景技术：

2.大脑主要功能区域之间存在有神经通路，它由神经元突触连接组成。不同脑区通过神经通路通讯，实现信息传递、从而具备正常的认知功能(如理解、记忆等)。在遇到大脑损伤时，神经通路可能会遭到切断，认知神经功能也会因此降低乃至丧失。
3.但随着微电极阵列技术的不断发展和现代医学对脑功能研究的不断深入，人们可以实现两组脑区神经脉冲信号的同步采集，通过分析采集得到信号之间的关联，人们可以认识到大脑各个脑区之间的功能联系，从而进一步构建人工的神经通路以补充或者替代受损的原有神经通路。如公开号为cn106529186a专利申请公开的一种脑区脉冲神经信号的预测方法，再如公开号为cn112101535a的专利申请公开的一种脉冲神经元的信号处理方法及相关装置。
4.由于神经通信的复杂与非线性性，输入信号通量大，且人工神经通路需要植入人脑工作。因此人工神经通路的数学模型需要具备高效、稳定的非线性表达能力，这对传统的线性低效模型提出了挑战。


技术实现要素：

5.鉴于上述，针对现有认知神经功能康复的需求，本发明的目的是提供一种跨脑区人工神经通路的建模方法，在多点同步记录神经脉冲信号的基础上，构建能够准确高效地预测输出脑区的神经脉冲信号的人工神经通路模型，人工神经通路模型的应用用于指导认知神经功能康复。
6.为实现上述发明目的，本发明实施例提供的技术方案为：
7.一种跨脑区人工神经通路的建模方法，包括以下步骤：
8.对输入脑区和输出脑区的多神经群进行神经脉冲信号的同步采集，依据神经脉冲信号的波形特征标定发放神经脉冲信号的时间和对应的神经元；
9.对所有神经脉冲信号进行时间槽离散化处理；依据神经脉冲发放率对输入脑区和输出脑区所有神经元进行筛选滤除；
10.针对输出脑区中筛选滤除剩下的每个输出神经元，依据神经脉冲信号之间的相关性从输入脑区中筛选多个输入神经元作为样本神经元，并依据发放神经脉冲信号的时间构建样本神经元的时序输入神经脉冲历史；
11.基于输入神经元的时序输入神经脉冲历史构建非离散化的神经脉冲序列函数，将时序输入神经脉冲历史投射到再生核希尔伯特空间，通过对时序输入神经脉冲历史的聚类实现对再生核希尔伯特空间的降维；
12.在降维的再生核希尔伯特空间中，将线性加权后的非离散化的神经脉冲序列核函数作为输出神经元的神经脉冲信号的预测值，通过对输出神经元的神经脉冲信号的预测值
的似然函数的最大化为目标优化线性加权的权值参数，由权值参数组成的线性映射关系构成人工神经通路模型。
13.上述实施例提供的技术方案具有的有益效果至少体现在：
14.基于多区域同步采集的多神经元的神经脉冲信号，采用时序输入神经脉冲历史作为输入变量，以非离散神经脉冲序列核函数方法为基础构建能够顾实时预测神经脉冲信号的人工神经通路模型。该模型不仅接受时序输入神经脉冲历史输入，提升了存储计算效率，同时由于使用核函数方法而具有高度的非线性表达能力和全局最优的模型稳定求解，从而具有稳定、高效、精确的输出神经脉冲信号预测能力，通过人工神经通路模型预测得到的输出神经元的神经脉冲信号，输入神经元的神经脉冲信号与输出神经元的神经脉冲信号组成的人工神经通路，可以用于指导认知神经功能的康复。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
16.图1是一实施例提供的跨脑区人工神经通路的建模方法的流程图；
17.图2是一实施例提供的人工神经通路在大脑中工作的示意图。
具体实施方式
18.为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
19.图1是一实施例提供的跨脑区人工神经通路的建模方法的流程图。图2是一实施例提供的人工神经通路在大脑中工作的示意图。如图1和图2所示，实施例提供的跨脑区人工神经通路的建模方法，包括以下步骤：
20.步骤1，对输入脑区和输出脑区的多神经群进行神经脉冲信号的同步采集。
21.为了建立人工神经通路，需要确定输入信号对应的输入脑区和输出信号对应的输出脑区。在确定好输入脑区和输出脑区的基础上，进行脑区的多神经群的神经脉冲信号的同步采集，具体地，可以在被试者的大脑皮层表面多处位置(一般为输入脑区和输出脑区)埋设两组以上的通道电极阵列，在被试者做相关任务时，实时同步地观察并记录脑区中神经元发放的神经脉冲，实现对神经脉冲信号的同步采集。
22.步骤2，依据神经脉冲信号的波形特征标定发放神经脉冲信号的时间和对应的神经元。
23.不同的神经元发放神经脉冲会被同一个电极记录，但是其发放脉冲的波形特征会有所不同，通过分析这些波形特征可以实现对发放神经脉冲信号的时间和神经元的区分。实施例中，神经脉冲信号的波形特征包括波峰值、波谷值、峰谷时间间隔等，依据这些波形特征标定发放神经脉冲信号的时间和对应的神经元。
24.步骤3，对所有神经脉冲信号进行时间槽离散化处理。
25.实施例中，对输出脑区的神经脉冲信号进行时间槽离散化处理，包括：
26.按照固定时间槽宽度对采集的神经脉冲信号进行划分，将时间槽内存在脉冲神经信号的时间槽记为1，反之记为0，以此完成离散化。举例说明，固定时间槽宽度可以设为10毫秒，通过10毫秒的时间槽宽度完成神经脉冲信号的离散化。
27.步骤4，依据神经脉冲发放率对输入脑区和输出脑区所有神经元进行筛选滤除。
28.由于采集的神经脉冲信号的发放率分布特别广泛，有些神经脉冲发放率过高或过低，因此需要对这部分神经元及对应的神经脉冲信号进行筛选滤除。实施例中，依据神经脉冲发放率对输入脑区和输出脑区所有神经元进行筛选滤除，包括：
29.针对输入脑区和输出脑区所有神经元，依据设定的神经脉冲发放率阈值范围，将不在神经脉冲发放率阈值范围内的神经元滤除掉。实施例中，可以设定神经脉冲发放率阈值范围为[2hz,40hz]，将神经脉冲发放率在[2hz,40hz]范围之外的神经元筛选出并滤除。
[0030]
步骤5，针对输出脑区中筛选滤除剩下的每个输出神经元，依据神经脉冲信号之间的相关性从输入脑区中筛选多个输入神经元作为样本神经元。
[0031]
在经过神经脉冲发放率阈值范围滤除神经元的基础上，还需要对神经元进行进一步筛选，来获得能够建立人工神经通路模型的神经元作为样本数据，命名为样本神经元。实施例中，针对输出脑区中筛选滤除剩下的每个输出神经元，依据神经脉冲信号之间的相关性从输入脑区中筛选多个输入神经元作为样本神经元，包括：
[0032]
针对每个输出脑区中筛选滤除剩下的每个输出神经元，计算输出神经元与输入脑区每个输入神经元之间的互信息，筛选互信息前n高的多个输入神经元作为样本神经元。
[0033]
实施例中，n可以取值为10，计算输入脑区与输出脑区各路脉冲神经信号两两互信息值之后，针对输出脑区每一路脉冲神经信号，选取与之互信息值最高的前10个输入脑区的输入神经元作为样本神经元，样本神经元对应的神经脉冲信号作为人工神经通路模型的输入数据，用于预测输出神经元的神经脉冲信号。
[0034]
其中，互信息的计算方式为：
[0035][0036]
其中，xi为输入脑区第i个输入神经元的神经脉冲信号，yj为输出脑区第j个输出神经元的神经脉冲信号，p(x
t
,y
t
)是事件x
t
与y
t
同时发生的联合概率，p(x
t
)和p(y
t
)分别表示事件x
t
与y
t
各自发生的概率，由于原始脑区脉冲神经信号已经被离散化，因此事件x
t
和事件y
t
的取值范围均在{0,1}之间。
[0037]
步骤6，依据发放神经脉冲信号的时间构建样本神经元的时序输入神经脉冲历史。
[0038]
在获得样本神经元的基础上，在每个离散的时间间隔下，在相关输入神经元中，对应的列出最近发生的历史输入神经脉冲时间，以构建时序输入神经脉冲历史，即时序输入神经脉冲历史为由输入神经元神经脉冲发放的时间构成的事件序列。实施例中，依据发放神经脉冲信号的时间构建样本神经元的时序输入神经脉冲历史，包括：
[0039]
将样本神经元发放神经脉冲信号的时间构成的时间序列作为时序输入神经脉冲历史，表示为其中，表示第n个样本神经元在tk时刻前第m次发放神经脉冲信号的时间。
[0040]
步骤7，基于输入神经元的时序输入神经脉冲历史构建非离散化的神经脉冲序列函数，将时序输入神经脉冲历史投射到再生核希尔伯特空间。
[0041]
在获得输入神经元的时序输入神经脉冲历史的基础上，将两个输入神经脉冲历史对应的内积函数来构建神经脉冲序列函数，将输入信号投射到再生核希尔伯特空间。实施例中，依据基于输入神经元的时序输入神经脉冲历史构建非离散化的神经脉冲序列函数，包括：
[0042]
非离散化的神经脉冲序列核函数κ(
·
)表示为：
[0043][0044]
dist(χi,χj)2＝κc(χi,χi)-2κc(χi,χj)+κc(χj,χj)
[0045][0046]
其中，dist(χi,χj)表示第i个时序输入神经脉冲历史χi和第j个时序输入神经脉冲历史χj之间的距离，用于度量χi和χj之间的不相似程度，表示κc(
·
)表示输入两个时序输入神经脉冲历史之间的交叉发放强度核函数，m1和m2均为神经脉冲信号发放次数的索引，m为神经脉冲信号发放总次数，n为神经元总个数。
[0047]
步骤8，通过对时序输入神经脉冲历史的聚类实现对再生核希尔伯特空间的降维。
[0048]
为了限制再生核希尔伯特空间的维度随着输入样本数据的线性增长，避免输入输出模型的过拟合问题，需要对再生核希尔伯特空间进行降维。实施例中，通过对时序输入神经脉冲历史的聚类实现对再生核希尔伯特空间的降维，包括：
[0049]
根据两个时序输入神经脉冲历史之间的距离，对时序输入神经脉冲历史进行聚类并确定聚类中心，以聚类中心点对应的时序输入神经脉冲历史构成降维的再生核希尔伯特空间。
[0050]
实施例中，在进行降维处理时，以任意两个输入时序输入神经脉冲历史之间的距离dist(χi,χj)，采用k中心点算法，得到若干剧烈结果以及对应的聚类中心点，然后以聚类中心点作为代表再生核希尔伯特空间的特征点来构成降维后的再生核希尔伯特空间。
[0051]
步骤9，在降维的再生核希尔伯特空间中，将线性加权后的非离散化的神经脉冲序列核函数作为输出神经元的神经脉冲信号的预测值。
[0052]
实施例中，在降维的再生核希尔伯特空间中，将每个聚类中心对应的时序输入神经脉冲历史之间构建的神经脉冲序列核函数κ(
·
)为基础，通过线性加权得到基于时序输入神经脉冲历史的输出神经元的神经脉冲信号的预测值。
[0053]
步骤10，通过对输出神经元的神经脉冲信号的预测值的似然函数的最大化为目标优化线性加权的权值参数，由权值参数组成的线性映射关系构成人工神经通路模型。
[0054]
实施例中，将由两时序输入神经脉冲历史构建的神经脉冲序列核函数作为变量，对变量的加权线性映射关系构成人工神经通路模型。在求解输出神经脉冲预测模型时，应用最大似然估计的求解框架，采用迭代再加权最小二乘法求得神经通路模型权值的全局最优解。具体地，以对输出神经元的神经脉冲信号的预测值的似然函数的最大化为目标优化
线性加权的权值参数，通过不断改变权值参数，使输出神经元的神经脉冲信号的似然函数最大化直至达到全局最优值，以求得人工神经通路模型。
[0055]
步骤11，应用人工神经通路模型得到人工神经通路。
[0056]
实施例中，在应用人工神经通路模型得到人工神经通路时，采集输入脑区的神经脉冲信号进行离散化，筛选滤除处理后，构建输入神经元的时序输入神经脉冲历史，基于构建的时序输入神经脉冲历史，利用人工神经通路模型预测输出神经元的神经脉冲信号，依据输入神经元和输出神经元形成人工神经通路。
[0057]
步骤12，对构建的人工神经通路模型进行可视化。
[0058]
实施例中，还对构建的人工神经通路模型进行可视化，可视化过程为：将聚类中心对应的时序输入神经脉冲历史包含的神经脉冲信号作为具有代表性的输入神经元的神经脉冲信号，将该神经脉冲信号平滑后，结合对应的权值参数得到输入神经元的脉冲神经信号和输出神经元的脉冲神经信号之间的对应关系，将多个聚类中心对应的多个输入神经元的神经脉冲信号中的任意两个神经脉冲信号平滑后，结合对应的权值参数，以显示两个输入神经元的脉冲神经信号在决定输出神经的神经脉冲信号的交互作用。
[0059]
实施例中，还进行人工神经通路模型的评价。利用离散时间重放缩的柯尔莫诺夫-斯米尔诺夫统计量作为度量模型效果的评价标准，以计算人工神经通路模型预测的输出神经元的脉冲神经信号的拟合优度。离散时间重放缩的柯尔莫诺夫-斯米尔诺夫统计量具体计算方法为：
[0060]
(1)为了消除离散时间采样带来的影响，在预测的输出神经元发放概率λ(t)的基础之上生成一个新序列q(t)，其具体形式为：
[0061]
q(t)＝-log(1-λ(t)δ)
[0062]
(2)将序列q(t)按照待预测神经元产生的脉冲序列进行切割，然后对相邻的两个脉冲信号之间的q(t)值进行积分，并对离散时间处理产生的偏差进行修正，具体形式为：
[0063][0064]
其中，ti指待预测神经元的第i个脉冲信号发生的时间，t
i+1
指待预测神经元的第i+1个脉冲信号发生的时间，δ(i)是一个按照以下形式采集得到的随机变量：
[0065][0066]
式中，r(i)是一个在[0,1]之间均匀分布的随机变量。
[0067]
(3)对ζ(i)进行尺度放缩，得到：
[0068]
z(i)＝1-e-ζ(i)
[0069]
根据柯尔莫诺夫-斯米尔诺夫检验理论，集合{z(i)}的分布应遵循在[0,1]之间的均匀分布；
[0070]
(4)将集合{z(i)}按照数值由小到大进行重排列，并与标准[0,1]之间的均匀分布同时绘图于坐标系中进行比较，横轴为集合{z(i)}，纵轴为标准均匀分布，取纵轴上二者最大数值差作为效果度量值与95％置信区间的范围求比值，又称，dtr-ks度量值。
[0071]
上述提供的跨脑区人工神经通路的建模方法，能接受非离散化的神经脉冲发放时
间输入、该输入方式能高效存储神经脉冲信号；具有较好的非线性表达能力，进而有较好的输出预测精度；模型存在全局最优解，因此模型的求解是稳定的，进而其预测结果和性能相对稳定。
[0072]
实验例
[0073]
以猕猴的pmd脑区和m1脑区的神经脉冲信号上进行了实验，该信号的背景是猕猴执行四方向center-out任务时采集而得，信号有效时长为636.4秒，包括127路pmd脑区和102路m1脑区的神经元脉冲信号通路，经过筛选后得到100路有效pmd信号通路和54路有效m1信号通路。
[0074]
实验效果同时与其他几种脉冲信号模型得到的效果进行比较，包括神经网络模型(nn)、二阶laguerre-volterra模型(lvm)、泛化线性模型(glm)等。表1是本方法与其余几类方法对于脉冲信号预测效果的横向比较，其中dtr-ks统计量是离散时间重放缩柯尔莫诺夫-斯米尔诺夫检验(discrete time rescaling kolmogorov smirnov test)统计量的简称，其值如小于1则输出预测通过离散时间重放缩柯尔莫诺夫-斯米尔诺夫检验，数值越接近0表示该模型的预测效果越好。
[0075]
表1本方法与其他几类预测方法的效果比较
[0076][0077][0078]
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。