CN101770560A - 模拟生物神经元信息处理机制的信息处理方法及装置 - Google Patents
模拟生物神经元信息处理机制的信息处理方法及装置 Download PDFInfo
- Publication number
- CN101770560A CN101770560A CN200810220739A CN200810220739A CN101770560A CN 101770560 A CN101770560 A CN 101770560A CN 200810220739 A CN200810220739 A CN 200810220739A CN 200810220739 A CN200810220739 A CN 200810220739A CN 101770560 A CN101770560 A CN 101770560A
- Authority
- CN
- China
- Prior art keywords
- signal
- information processing
- potential
- circuit
- pulse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明公开了一种模拟生物神经元信息处理机制的信息处理方法及装置,包括:模拟产生神经元的神经冲动的信号输入电路、对所述信号输入电路的输入信号进行积分的类似膜电位的积分电路、将所述类膜电位积分电路的积分结果与预定阈值电位进行比较以产生类似动作电位脉冲的脉冲产生电路、以及对所述类动作电位脉冲进行积分以获得与所述输入信号一致的输出信号的类动作电位脉冲编码信号的解码电路。本发明模仿了生物神经元的信息处理机制并用电路的方法实现了这种信息处理方式。
Description
技术领域
本发明涉及一种模拟生物神经元信息处理机制的信息处理方法及装置,具体地,本发明涉及一种执行模数编码与解码的人工神经元(以下简称人工神经元或模数人工神经元)或信号处理装置,特别是以时间或者时间的倒数即频率为模拟量,以相当于动作电位的(单相或双相)脉冲为数字量(无为0或有为1)的模数编码和解码方法的人工神经元或信号处理装置。
背景技术
神经元,也称神经细胞,是构成神经系统的基本功能单位。生物神经元一般主要由三个部分组成:树突、轴突和胞体。树突是胞体上短而多分支的突起,相当于神经元的信号输入端,用于接收传入的神经冲动;而轴突为胞体上最长的突起,也称神经纤维,端部一般有一个或多个分支,可允许其对多个神经元传出神经冲动;胞体则在神经信号的整合加工和动作电位形成和传递过程中起重要作用(图1)。两个神经元的相互连接主要是通过突触来实现的,一般来说,神经元的树突或/和胞体或/和轴突通过突触接收上级神经元的各种输入信息,这些信息通过神经元在时间和空间上的整合成具有新含义的信息,最终通过轴突输出神经冲动到突触末梢转化为递质释放。对于特定的输入信息,神经元是否产生神经冲动,产生多少神经冲动,什么时候产生神经冲动,取决于该神经元的电化学特性。所谓神经元的电特性,主要指神经元的膜电容、膜电阻,膜通道电导(通道的离子特性,动力学特性和其电化学势能决定出入细胞的电流)和阈电位的动态变化特性;所谓化学特性,包括两部分,作为突触前膜和后膜的化学特性。突触后膜化学特性主要指作为突触后神经元膜上通道特异性受体及其与相关化学成分的相互关系(主要是化学门控性通道);神经元作为突触前膜的化学特性包括:支持动作电位在神经纤维上传递的神经纤维化学特性(主要是快钠通道),动作电位传递到突触末梢作为解码动作电位编码的突触末梢化学构成、相关关系和功能特性(主要是钙通道),而后是突触后化学递质释放相关的化学成分、相关关系和功能特性。神经元的化学特性非常复杂,但最终表现为电变化和释放递质浓度改变。因而神经元的功能表现为:信息接受的化学-局部电转换,信息整合与传递的动作电位生成与传递,信息输出的动作电位-局部电转换以及局部电-化学转化。由于神经元具有信息接受整合、信息编码、信息解码和信息输出等基本过程,因此神经元是一个最为基本的信息处理单元。因神经元的工作过程主要是电变化运算、传递与转化,所以这些过程可以全部由电路、软件或其它方法来模拟。
模拟生物神经元的信息处理机制,人们提出了各种各样的人工神经元模型。而这些人工神经元模型又以1943年心理学家McCulloch和数学家Pitts共同建立的MP神经元模型为基础。图2所示为MP神经元模型的拓扑结构图,它是一个多输入/多输出的非线性信息处理单元,神经元i的输出yi可用公式(1)描述:
令
则
yi=f(xi) (3)
其中,f(xi)为神经元i的非线性作用函数,uj为神经元i的输入(j=1,2,...,n),wij为神经元i的第j个输入的连接权值,θi为神经元i的阈值。神经元的输出最简单的表达方式为:当神经元输入的加权大于阈值时,输出为“1”,用来表示神经元的兴奋状态;当神经元输入的加权小于阈值时,输出为“0”,用来表示神经元的抑制状态。这个过程用公式(4)来表示。
以MP神经元模型为基础的人工神经元模型或神经网络模型在模仿生物神经元的信息处理机制是对神经元和神经网络的一种简单抽象,其关心的是在某一/些输入时神经元有没有输出或者神经网络中哪个神经元有输出,并且对输入信息的处理只做简单的加权叠加,这样以MP神经元模型为基础的人工神经元模型或神经网络模型的信息处理机制与真实神经元功能存在很大的差距。
模拟单一神经元功能时,神经元多信息接受可以看成是某一复合的电输入信号,而最终的电或/和化学递质释放的输出也可以看成是一输出电信号。我们实验室的研究发现:神经元对输入信息的处理机制是将输入电变化(电流或电压或其它电变化参数,包括小量漏入/出变化)通过膜电容的时间积分,当达到动作电位产生阈值(具有长时间刺激的适应性)时,神经元产生具有输入特性的动作电位序列,动作电位产生作为数字化量,相当于二进制1;该动作电位序列具有从信号输入开始记到各相应动作电位产生的时间序列特性(或者时间的倒数即频率);正是这一模拟量------各动作电位的产生时间编码了输入信息;动作电位传递到神经元末梢后以编码的逆过程进行解码并还原成局部电变化或/和化学递质释放,相当于输出电信号。因此,相对于以MP神经元模型为基础的人工神经元模型或神经网络模型,生物神经元关心的不仅仅是有没有动作电位产生,而更重要的是什么时候产生动作电位,即如何以动作电位的时间序列编码输入信息,又如何将编码输入信息的动作电位时间序列解码为相应的输出信号。人工神经元将是以生物中枢神经系统工作为基础的仿生计算机的基本构成单元。建立一种完全模仿生物神经元的信息处理机制的人工神经元模型,将会为基于神经中枢工作原理(人工神经元或网络)的工业和军事应用开拓全新方向,进一步为以数理模型揭示谜样复杂多变的神经中枢工作机制奠定基础,还可能为模数理论和模糊理论研究及应用提供新思路。
发明内容
本发明的目的在于提供一种能够模仿生物神经元的信息处理机制的人工神经元方法及或信号处理装置。
本发明的一种技术方案是这样实现的:提供一种模拟生物神经元信息处理机制的信息处理方法,其包括以下主要步骤:以复合电输入信号模拟神经元的信息输入;对复合电输入信号进行电位积分;每当积分获得的电位达到预定阈值时产生一个标识信号并随之复位以重新开始积分,从而获得按照时序排列的一系列标识信号;利用每个标识信号触发一个脉冲,从而获得按照时序排列的一系列脉冲;以及,对按照时序排列的一系列脉冲进行积分以产生与复合电输入信号一致的电输出信号。
可选择地,标识信号可以为二进制的数字信号1或0。
可选择地,复合电输入信号可以为输入电流信号,电输出信号可以为电压信号,则,进一步包括对电输出信号进行处理以获得与输入电流信号一致的输出电流信号。
可选择地,复合电输入信号为电流信号,进一步包括利用输入电压信号获得复合电输入信号的步骤。
优选地,进一步包括对预定阈值进行调节的步骤。
更优选地,进一步包括产生附加阈值的步骤,附加阈值与预定阈值之和作为当前预定阈值使用。
所述对按照时序排列的一系列脉冲进行积分以产生与复合电输入信号一致的电输出信号的步骤进一步包括:(a)对所述按照时序排列的一系列脉冲进行脉冲宽度调整;(b)将经过脉冲宽度调整的所述按照时序排列的一系列脉冲中的每个脉冲分别转换成一定时间的电流;(c)将转换成的一系列的电流随时间进行积分;以及(d)对积分后的电流进行滤波以将所述按照时序排列的一系列脉冲还原成与其对应的输入信号。
本发明的另一种技术方案是这样实现的:提供一种采用本发明的方法的模拟生物神经元信息处理机制的信息处理装置,该装置包括:模拟产生神经元的神经冲动的信号输入电路、对信号输入电路的输入信号进行积分的膜电位积分电路、将膜电位积分电路的积分结果与预定阈值电位进行比较以产生类似动作电位脉冲的脉冲产生电路、以及对类动作电位脉冲编码信号进行积分以获得与输入信号一致的输出信号的类动作电位脉冲编码信号的解码电路。
优选地,类膜电位积分电路进一步包括至少一条放电回路。
优选地,该装置进一步包括能够产生附加阈值的阈值电位调整电路。
优选地,动作电位可视成为一种脉冲,并且,类动作电位脉冲产生电路进一步包括用于产生二进制数字信号1或0的比较器电路以及根据数字信号1或0产生脉冲的触发器电路。
具体地,所述类动作电位脉冲编码信号的解码电路包括:脉冲宽度调整电路,其对按照时序排列的一系列脉冲进行脉冲宽度调整;RC积分电路,其将经过脉冲宽度调整的按照时序排列的一系列脉冲进行RC积分;以及低通滤波电路,其对经过RC积分的信号进行滤波以将按照时序排列的一系列脉冲还原成与其对应的输入信号。
可选的,本发明的人工神经元或信号处理装置可以根据实际需要通过设置膜电容的大小来调整类动作电位脉冲的时间编码特性。
所谓初始阈值和附加阈值的影响:神经元产生动作电位的过程总的来说是两种电位比较的过程,其中一种是膜电位,另外一种是阈值电位,而阈值电位又等于初始阈值电位和附加阈值电位之和,当膜电位达到阈值电位时就产生动作电位,因此初始阈值和附加阈值电位是控制动作电位产生时间的一个重要参数。
可选的,本发明的人工神经元可以根据实际需要通过设置初始阈值电位和附加阈值电位的增长速度来调整动作电位的时间编码特性。
所谓膜电容的漏电速度及膜电位的复位速度的影响:一般情况下膜电容在充电过程中也有一个小的漏电回路,显然膜电容的漏电速度也影响了膜电容充电到达阈值电位的速度,从而间接影响了动作电位产生的时间,并且,膜电容的漏电回路是非信号输入期间使膜电位保持在初始状态的重要因素;在一个动作电位产生后,膜电位需要一定时间来恢复到初始状态,然后再为下个动作电位的产生做准备,所以膜电位的复位速度影响到了下一个动作电位的产生时间。
可选的,本发明的人工神经元或信号处理装置可以根据实际需要通过设置膜电容的漏电速度和膜电位的复位速度来微调类动作电位脉冲的时间(或频率)编码特性。
可选的,本发明的人工神经元或信号处理装置可以通过设置以上因素的一个或者多个来调整类动作电位脉冲的时间(或频率)编码特性。
可选的,可以用一个人工神经元或信号处理装置来编码输入信息,也可以用一组按照一个规律设置影响时间(或频率)编码特性的参数的人工神经元组成一个人工神经元网络来编码输入信息。
本发明的有益效果是:生物神经元信息处理机制的核心部分就是把输入信息转换成动作电位(数)产生时间或频率(模)的模数编码方式。本发明模仿了生物神经元的这种信息处理机制建立了人工神经元模型,并用电路的方法实现了这种信息处理方式,但本发明的思想还包含这种信息处理方式的其他实现方法,例如软件方法。由于神经元时间序列的动作电位传递是一简单传输过程,对于神经元时间序列动作电位的解码是一时间积分和/或滤波过程,相当于编码的逆运算过程,这里不作详细说明(附图3中已包含相应的实现电路,其它电路和方法可选择性完成解码功能)。
以下结合附图和实施例,来进一步说明本发明,但本发明不局限于这些实施例,任何在本发明基本精神上的改进或替代,仍属于本发明权利要求书中所要求保护的范围。
附图说明
图1、生物神经元模式图。
图2、MP人工神经元模型。
图3、人工神经元模型电子元件实现图。
图4、人工神经元模型的输入信息强度变化与输出的关系。
图5、人工神经元模型的输入波形频率变化与输出的关系。
图6、人工神经元模型的膜电容充电时间常数变化与输出的关系。
图7、人工神经元模型的阈值电位变化与输出的关系。
图8、人工神经元模型的输入短纯音波形的上升时间变化与产生第一个动作电位的关系。
图9、人工神经元模型解码脉冲时间(模数)信号时的输入输出关系。
具体实施方式
发明人研究发现:生物神经元的信息处理机制主要为以动作电位的时间特性来编码输入信息的特征,而生物神经元的这种时间编码方式来源于生物神经元信息处理过程中的多个环节,生物神经元的信息处理过程可以分解为神经元信息输入、编码、传递、解码等以下几环节。
1、神经元信息输入。一般情况下神经元的信息输入包括突触前输入和突触本身的一些动态变化,这里只考虑突触前输入即树突和胞体的输入。突出前输入为上级神经元细胞的传入信息(主要是动作电位经电化学转换的递质释放,也包括直接电和化学信息输入)。这个电和化学输入信息通过改变胞体电特性,进而导致突触后膜一种或多种离子电导变化(大小和时间进程)来影响进出细胞膜电流的大小和时间进程,因而神经元多信息输入可以看成是某一复合的电输入信号I(t)。
2、神经元信息编码。这一环节由电流-电压转化和以阈值编码被转换的电压两个内容组成。
电流-电压转化:主要由膜电容的工作机制完成。膜电流变化导致膜电容充放电,从而改变相当于跨膜的电压变化,表现为相当于膜电位的去极化或超极化。
以阈值编码被转换的电压:当膜电位去极化到阈值电位时,神经元就产生动作电位(相当于动作电位的单相或双相各种形式的脉冲波)。一旦动作电位产生膜电位就快速复位。复位后如仍有输入信号便再次积分重复上一次的动作电位产生过程。如此反复,神经元便以相对稳定的阈值将输入信号转变成不同时间产生的动作电位,即以动作电位产生时间t(An)序列(或者时间的倒数即频率)编码了输入信号。
关于膜电位的复位:神经元产生动作电位后,膜电位快速复位到静息水平,为膜电容再次充电做准备,在这个过程中相当于膜电容有一个快速的放电回路。
关于阈值电位的变化:生物神经元的阈值电位由两部分组成:初始阈值和输入信息附加阈值。一般情况下神经的元的阈值电位维持在一定的水平,即初始阈值,但神经元受到连续刺激时,阈值电位会缓慢升高,特别当受神经元高强度连续刺激时,阈值电位快速升高而甚至使神经元无法产生动作电位,由于输入信息的作用而使阈值增加的部分称为附加阈值,一般情况下附加阈值随输入信息的时间进程缓慢增加,当输入信息消失后其又缓慢恢复到零。生物神经元这种附加阈值现象在生理上经常可见,例如生物在收到高强度光照时会出现短暂失明。
3、神经元编码信息的动作电位传递。动作电位的传递相当于代表动作电位的单相或双相各种形式脉冲波在导体(相当于神经纤维)上的传递,主要贡献为延时,即传递过程中的时间消耗。这一时间延迟为恒定值,不改变动作电位时序编码特性。
4、神经元编码信息的动作电位序列的解码。神经元所产生的动作电位沿神经纤维传递到神经末梢的突触前膜时,膜上的钙离子通道(也包括其它离子通道及其相关的物质成份)发生变构,造成钙离子内流(内向电流)和胞浆内钙离子浓度改变,从而导致突触前膜释放神经递质。电流决定钙离子单位时间的流入量也就决定了单位时间化学递质释放的多少。因此,神经元所产生的动作电位在神经末梢被解码并“还原”成与输入信息相应的跨膜电流,也就是说,动作电位传递到神经元末梢后以编码的逆过程进行解码并将动作电位的时序(或频率但不同于频率)编码还原成局部电变化或/和化学递质释放,相当于输出电信号。
Wu LG实验室(美国NIH,Shun et al.2002)发现突触末梢钙离子流及递质释放与刺激的频率有关而与刺激的持续时间和幅度无关,且单次刺激所致的钙瞬变和递质释放是一相对恒定值,即提示动作电位传递至神经末梢后以钙离子通道的激活和钙电流变化解码了动作电位的模数编码。由于神经元的动作电位被认为是“全”和“无”的、不衰减的,因此单位动作电位引发的突触末梢电变化是一个相对恒定的短时间钙瞬变,多动作电位的时序编码转变为依时序变化单位钙内流的时间积分,单位钙电流时间积分的滤波就“还原”成输入信息,即输出信息I′(t)。输出信息I(t)与输入信息I′(t)的相似程度为神经元信息编码与解码的准确性。
为达成简化的目的,我们仅假设钙离子通道在动作电位的解码过程中起作用。由于动作电位到达神经末梢时触发并激活了该处膜上钙离子通道,而钙离子通道均按该离子通道特定的动力学特性(如总电导的开放和关闭时间常数)进行有规律地开放和关闭,从而形成逐渐增高继而下降至原位的钙离子内流过程。为能较好地以硬件(电路)进行模拟,我们设钙离子通道电导的开放和关闭均遵循同一恒定时间常数(λ)的指数变化,分别相当于电容的充电和放电过程,设总钙通道开始关闭时间为另一常数(τ),则钙电流的变化为
其中A,λ均为常数,A为突触前膜为单次动作电位可兴奋的钙通道总电流量,λ为钙离子通道电导的开放和关闭时间常数。当0<t<τ时,钙电流按指数(1-e-t/λ)增大;当t>τ时,钙电流按指数(1-e-τ/λ)e(τ-t)/λ减小,当τ等于3λ、4.6λ时相当于95%或99%的通道被激活。这种变化形式相当于电容按固定时间充电后并以相应的方式放电。因此,当把钙电流按欧姆定理(UCa(t)=RICa)转化为相应的电压UCa(t)后,单脉冲-电流转换可以用一电容和一电阻组成的RC简单回路模拟。同时也可以用其他类似的方法来模拟,如软件程序;而且钙离子内流也可用其它先上升后下降到原位的函数来模拟。其方式可以根据实际需要进行设置,甚至可以包括激活的钙离子通道数随时间逐步减少或增多的(指数或非指数)变化。
根据以上规则,每个动作电位都可以在突触前膜诱发出一个按一定函数关系变化的钙电流。那么,对于多个按一定时间特性排列的动作电位其诱发的钙电流为所有动作电位分别诱发的钙电流在时间的叠加,即
ICa总(t)=ICa(t-t1)+ICa(t-t2)+...+ICa(t-ti)...+ICa(t-tn) (6)
其中ti为第i个动作电位产生的时间。当相邻两个动作电位时间间隔小于单个动作电位所诱发的钙电流的时间进程时,钙电流必然会累加,同理,根据欧姆定理转化为相应的电压UCa总(t)=RICa总后,这种效果就相当RC回路在对一个脉冲充电后放电还没完全结束就又开始对第二个脉冲充电。式子(6)中的I,即转换电流的幅度也可以是随时间变化的函数,通常所有生物通道包括钙通道都需要恢复时间,如下一刺激太快,则会造成有些通道不反应,因而最大电流I减少,当然也有易化造成随时间增大的结果。对多个脉冲(相当于动作电位)携带时间信号经以上两步解码后变成了相应的钙电流变化(根据欧姆定理转换为相应的电压),对此电压的滤波(主要是低通滤波)就可以将多脉冲时间编码的模数信号在某种程度上还原成输入信号,即(T(n)为多脉冲时间编码的模数信号)。
综上所述,神经元将随时间连续变化的模拟输入信号I(t)编码成不同时间(或频率但不同于频率,为模拟量)产生的动作电位(数字量),即模数信号T(n),这一编码在动作电位序列中的模数信号传递至神经末梢后又以动作电位的触发单位解码成输出信号I′(t),也就是:生物神经元的信息处理过程中动作电位产生的时间特征主要来源于:突触前输入信息经过神经细胞膜电导翻译后转换成跨细胞膜的电流变化,电流的幅度及时间进程将会直接影响到膜电容的充电到阈值电位的速度,也就是直接影响到动作电位产生的时间。
本人工神经元或信号处理装置输入信息为任何变化的函数或任何多个变化函数‘和’。
所谓膜电容对突触后电流的积分作用:指膜电容对突触后电流的积分电位达到阈值电位的过程,该过程需要的时间由膜电容来决定,即对于一定的突触后电流输入,膜电容的大小决定了动作电位产生的时间或频率。
模仿神经元以上信息处理过程,建立了用电子元件实现的人工神经元模型或信号处理装置。图3是本发明人工神经元电路模型或信号处理装置包括:
信号的输入级电路:该电路为加减求和电路,主要由运放U1B组成,求和电路的正输入端为Uij,代表多类多种输入。该电路输出的电流一方面提供给膜电位积分电路产生膜电位,另一方面提供给阈值电位调整电路产生附加阈值。
类膜电位积分电路:该电路主要由运放U1A和电容C1组成,电容C1两端的电位模仿神经元的膜电位,积分电路的时间常数τ=R2C1,这个时间常数是人工神经元对信息时间编码的核心部分,电容C1有两条放电回路,第一条由电容C1、电阻R3和模拟开关U2的1Y0通道组成,于非动作电位产生期间起作用,模仿神经的膜漏电回路,而第二条由电容C1和模拟开关U2的1Y1通道组成,于动作电位产生期间起作用,模仿神经元在产生动作电位后膜电位快速放电过程。
阈值电位调整电路:该电路主要由运放U1D、U2A、U2B和分压电阻R5、R6组成,R5和R6产生的分压模仿神经运初始阈值电位,经过由U2A组成的阻抗转换器输入到由U2B组成的加减求和电路的正输入端,而由U1D组成的积分电路对输入信号积分,输出电位当作阈值电位调整量输入到由U2B组成的加减求和电路的负输入端,最终得到阈值电位UT。阈值电位调整电路模仿了神经元的阈值电位随输入信息变化的过程。
类动作电位脉冲产生电路:类动作电位脉冲产生电路由运放U1C构成的比较器电路和由定时器555D构成的单稳态触发器电路组成,当积分电路输出的电位比阈值电位大时,比较器U1C输出0,否则比较器U1C输出1,当比较器输出0时就触发了单稳态触发器产生一个脉冲,这个脉冲就相当动作电位,脉冲的宽度可由电阻R4和电容C3来调节。
类膜电容放电回路参数调整电路:该电路主要由模拟开关U2构成,U2的两个选择端中的B脚置地,而A脚由动作电位输出端U0控制,在非动作电位产生期间模拟开关1Y0~1C连通,而在动作电位产生期间模拟开光1Y1~1C连通,这样就给积分电容C1提供两条可选的放电回路。
类动作电位脉冲编码序列的解码电路:该电路由一个555定时器构成的脉冲宽度调整电路、由电阻R25和电容C3构成的RC积分电路和由运放U1D构成的低通滤波电路组成。脉冲宽度调整电路为可选,其主要作用是调整输出的类动作电位脉冲宽度,使其与后续解码电路的各种参数相匹配,类动作电位脉冲宽度调整由电阻R23和电容C6决定;RC积分电路的作用主要是把每个输入的类动作电位脉冲转化成具有一定幅度和时间进程的解调电压,这个解调电压的幅度和时间进程由RC积分电路对输入脉冲的充/放电过程决定;低通滤波电路的作用主要是对前级产生的解调电压系列进行低通滤波,从而对人工神经元的输入信息做某种程度的恢复,低通滤波截止频率由电容C8和电阻R28~R30来设置。
人工神经元对输入信息的时间编码与神经元膜充电的时间常数、初始阈值电位及附加阈值电位、输入信息的强度和频率等因素有关。人工神经元对输入信息的时间编码可以根据实际需要来设置,并且可以根据图3所给的电路实现图定量描述。一般来说,人工神经元对输入信息的编码方式主要包括第一个动作电位的产生时间,后续动作电位的个数以及时间分布。单个人工神经元对输入信息的时间编码是一种串行机制,如果按照一定规律设置参数的多个人工神经元同时对某一信号处理,那么这些神经元对输入信号的时间编码就是并行加串行共同作用的机制,这会很大程度提高了对输入信息时间编码的特异性,在生物体中,几乎所有的输入感知器神经元都是按照这种方式工作的。
图4显示了本发明的人工神经元或信号处理装置对不同强度的输入信息的输出时间响应特性。横线表示输入的直流信号,从下向上直流信号的强度分别为25mv、50mv、100mv、200mv、400mv、800mv,从图中可以看出,当输入信号的强度低时,人工神经元产生类动作电位脉冲的时间长、间隔大、个数少,而随着输入信息的强度逐渐增大时,人工神经元产生类动作电位脉冲的时间逐渐变短、间隔变小、个数增多。生物神经元对输入信号强度的编码已经被膜片钳实验证实为类似的机制,当施加的刺激信号为连续小强度信号时,生物神经元需要较长时间才能产生动作电位,而刺激信号较大时,神经元很容易产生动作电位,并且放电频率和时程与输入信号很好对应,因此,本发明的人工神经元或信号处理装置对信号强度的这种时间编码方式很好的模拟了生物神经元对信号强度的这种时间编码机制。
图5显示了本发明的人工神经元或信号处理装置对不同频率的输入信息的输出时间响应特性。第一张图表示输入信号为噪音时输出类动作电位脉冲的时间编码特性,第二张图表示输入信号为10kHz的纯音时输出类动作电位脉冲的时间编码特性,第三张图表示输入信号为1kHz的纯音时输出类动作电位脉冲的时间编码特性。从图中可以看出,当输入信息的频率较高时,类动作电位脉冲的时间编码特性与直流输入信号相近,频率分辨性较差,而当输入信号频率较低时,类动作电位脉冲可以出现明显的周期特点,也就是说人工神经元或信号处理装置对低频信号的频率响应特性比较好,这种特性在生物神经元也是类似的,比如人体表的触觉神经元,当刺激频率高于触觉神经元的频率分辨截止频率时,人体就不能分辨出两次连续的刺激。本发明的人工神经元或信号处理装置可以通过改变电路中与时间有关的参数来使其适应不同频率的信号。
图6显示了本发明的人工神经元或信号处理装置的类膜电容充电时间常数变化的输出时间响应特性。四张小图形分别表示人工神经元类膜电容充电时间常数分别为τ=1s、0.5s、0.25s、0.125s时输出类动作电位脉冲的时间编码特性,这里人工神经元的其他参数固定,并且输入信号相同。从图中可以看出,对于不同的时间常数,人工神经元的动作电位都有与输入信号相对应的周期特性,但类动作电位脉冲的个数和时间分布特点相差较大。神经元的这种特点很容易理解,当时间常数小时,神经元的膜电位充电达到阈值时间更短频率更大,而产生动作电位的时间更快并且数量更多,因此对于相同的输入信号,阈值小的神经元产生动作电位的个数更多,时间分布更紧密。本发明的人工神经元或信号处理装置可以灵活设置时间常数来更好响应某类特定的输入信号,并且可以按一定规律来设置多个神经元的时间常数来并行响应输入信号的各个细节信息。
图7显示了本发明的人工神经元或信号处理装置的阈值电位变化的输出时间响应特性。人工神经元的阈值由初始阈值和输入信号附加阈值组成,图中纵轴表示人工神经在不同初始阈值时对同一直流信号的动作电位时间特性,从下向上阈值分别为-70mv、-60mv、-50mv、-40mv、-30mv、-20mv,横轴表示输入信号的时间进程所带来的附加阈值对类动作电位脉冲产生时间分布的影响。从图中可以看出,人工神经元的阈值更低(-70mv),类动作电位脉冲产生的时间更快,个数越多,时间分布更紧密,而阈值更高时(-20mv),类动作电位脉冲有相反的时间特性,因此,本发明的人工神经元或信号处理装置还可以通过设置阈值来控制人工神经元对输入信息的时间响应特性。并且,人工神经元的输入信号附加阈值随着信号进程而逐渐增大,那么产生类动作电位脉冲的时间间隔也会逐渐增大,而且当输入信号消失时附加阈值就会慢慢衰减为零,类动作电位脉冲的这种时间响应特性可以很好描述输入信号的强度和时间进程。
图8显示了本发明的人工神经元或信号处理装置对输入短纯音波形的上升时间变化的第一个类动作电位脉冲的时间响应特性。输入短纯音波形的频率和稳态强度相同,而波形的上升时间分别为5ms、10ms、20ms、40ms,从图中可以看出,上升时间越短,产生第一个类动作电位脉冲的时间越快,本发明的人工神经元的这种时间响应特性能很好描述输入信号的起始信息。我们实验室在小鼠身上已经证明了听觉神经元对输入声音信号的这种时间响应特性。
图9显示了本发明的人工神经元或信号处理装置对一串模数信号的解码过程。模拟神经元编码好的模数信号(图示中的输入脉冲串),经图3后半部分电路,分别以脉冲电流转换、电流时间积分和滤波“还原”成相应的包络波形状。
Claims (10)
1.一种模拟生物神经元信息处理机制的信息处理方法,包括:
(1)以复合电输入信号模拟神经元的信息输入;
(2)对所述复合电输入信号进行电位积分;
(3)每当积分获得的电位达到预定阈值时产生一个标识信号并随之复位以重新开始积分,从而获得按照时序排列的一系列标识信号;
(4)利用每个所述标识信号触发一个脉冲,从而获得按照时序排列的一系列脉冲;以及
(5)对所述按照时序排列的一系列脉冲进行积分以产生与所述复合电输入信号一致的电输出信号。
2.如权利要求1所述的模拟生物神经元信息处理机制的信息处理方法,其特征在于,所述标识信号为二进制的数字信号1或0。
3.如权利要求1或2所述的模拟生物神经元信息处理机制的信息处理方法,其特征在于,所述复合电输入信号为输入电流信号,所述电输出信号为电压信号,进一步包括对所述电输出信号进行处理以获得与输入电流信号一致的输出电流信号。
4.如权利要求1或2所述的模拟生物神经元信息处理机制的信息处理方法,其特征在于,所述复合电输入信号为电流信号,进一步包括利用输入电压信号获得所述复合电输入信号的步骤。
5.如权利要求1所述的模拟生物神经元信息处理机制的信息处理方法,其特征在于,所述步骤(5)进一步包括:
(a)对所述按照时序排列的一系列脉冲进行脉冲宽度调整;
(b)将经过脉冲宽度调整的所述按照时序排列的一系列脉冲中的每个脉冲分别转换成一定时间的电流;
(c)将转换成的一系列的电流随时间进行积分;以及
(d)对积分后的电流进行滤波以将所述按照时序排列的一系列脉冲还原成与其对应的输入信号。
6.如权利要求1所述的模拟生物神经元信息处理机制的信息处理方法,其特征在于,进一步包括产生附加阈值的步骤,所述附加阈值与所述预定阈值之和作为当前预定阈值使用。
7.一种采用如权利要求1-6之一所述方法的模拟生物神经元信息处理机制的信息处理装置,其特征在于,该装置包括:模拟产生神经元的神经冲动的信号输入电路、对所述信号输入电路的输入信号进行积分的膜电位积分电路、将所述膜电位积分电路的积分结果与预定阈值电位进行比较以产生类似动作电位脉冲的脉冲产生电路、以及对所述类动作电位脉冲进行积分以获得与所述输入信号一致的输出信号的类动作电位脉冲编码信号的解码电路。
8.如权利要求7所述的模拟生物神经元信息处理机制的信息处理装置,其特征在于,所述膜电位积分电路进一步包括至少一条放电回路。
9.如权利要求7所述的模拟生物神经元信息处理机制的信息处理装置,其特征在于,该装置进一步包括能够产生附加阈值的阈值电位调整电路。
10.如权利要求7所述的模拟生物神经元信息处理机制的信息处理装置,其特征在于,所述动作电位为脉冲,并且,所述类动作电位脉冲产生电路进一步包括用于产生二进制数字信号1或0的比较器电路以及根据所述数字信号1或0产生所述脉冲的触发器电路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200810220739 CN101770560B (zh) | 2008-12-31 | 2008-12-31 | 模拟生物神经元信息处理机制的信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 200810220739 CN101770560B (zh) | 2008-12-31 | 2008-12-31 | 模拟生物神经元信息处理机制的信息处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101770560A true CN101770560A (zh) | 2010-07-07 |
CN101770560B CN101770560B (zh) | 2013-04-24 |
Family
ID=42503413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 200810220739 Expired - Fee Related CN101770560B (zh) | 2008-12-31 | 2008-12-31 | 模拟生物神经元信息处理机制的信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101770560B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346815A (zh) * | 2010-12-28 | 2012-02-08 | 复旦大学 | 用于模拟生物竞争和进化过程的数字生物系统 |
CN104753537A (zh) * | 2015-03-18 | 2015-07-01 | 北京航天自动控制研究所 | 一种用于惯性产品的数字与脉冲转换系统及方法 |
CN104899640A (zh) * | 2014-07-21 | 2015-09-09 | 徐志强 | 神经网络的模拟装置及方法 |
CN106845636A (zh) * | 2017-03-31 | 2017-06-13 | 兰州交通大学 | 基于声控的神经元动作电位发生器 |
CN106845633A (zh) * | 2017-01-25 | 2017-06-13 | 清华大学 | 神经网络信息转换方法和系统 |
CN106875006A (zh) * | 2017-01-25 | 2017-06-20 | 清华大学 | 人工神经元信息转换为脉冲神经元信息的方法和系统 |
CN111210013A (zh) * | 2019-12-30 | 2020-05-29 | 清华大学 | 阈值可塑的人工神经元电路 |
CN111401540A (zh) * | 2020-03-09 | 2020-07-10 | 北京航空航天大学 | 神经元模型构建方法以及神经元模型 |
CN112101535A (zh) * | 2020-08-21 | 2020-12-18 | 中国科学院深圳先进技术研究院 | 脉冲神经元的信号处理方法及相关装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0866548B1 (en) * | 1992-04-30 | 2001-01-03 | Hewlett-Packard Company | Differential integrating amplifier with switched capacitor circuit for precision input resistors |
-
2008
- 2008-12-31 CN CN 200810220739 patent/CN101770560B/zh not_active Expired - Fee Related
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102346815B (zh) * | 2010-12-28 | 2014-08-20 | 复旦大学 | 用于模拟生物竞争和进化过程的数字生物系统 |
CN102346815A (zh) * | 2010-12-28 | 2012-02-08 | 复旦大学 | 用于模拟生物竞争和进化过程的数字生物系统 |
CN111275178A (zh) * | 2014-07-21 | 2020-06-12 | 徐志强 | 具有不同工作形态的神经元模拟方法及装置 |
CN104899640A (zh) * | 2014-07-21 | 2015-09-09 | 徐志强 | 神经网络的模拟装置及方法 |
CN104899640B (zh) * | 2014-07-21 | 2019-09-10 | 徐志强 | 神经网络的模拟装置及方法 |
CN104753537A (zh) * | 2015-03-18 | 2015-07-01 | 北京航天自动控制研究所 | 一种用于惯性产品的数字与脉冲转换系统及方法 |
CN104753537B (zh) * | 2015-03-18 | 2018-03-09 | 北京航天自动控制研究所 | 一种用于惯性产品的数字与脉冲转换系统及方法 |
CN106845633A (zh) * | 2017-01-25 | 2017-06-13 | 清华大学 | 神经网络信息转换方法和系统 |
CN106875006A (zh) * | 2017-01-25 | 2017-06-20 | 清华大学 | 人工神经元信息转换为脉冲神经元信息的方法和系统 |
CN106875006B (zh) * | 2017-01-25 | 2019-07-09 | 清华大学 | 人工神经元信息转换为脉冲神经元信息的方法和系统 |
CN106845633B (zh) * | 2017-01-25 | 2021-07-09 | 北京灵汐科技有限公司 | 神经网络信息转换方法和系统 |
CN106845636A (zh) * | 2017-03-31 | 2017-06-13 | 兰州交通大学 | 基于声控的神经元动作电位发生器 |
CN111210013A (zh) * | 2019-12-30 | 2020-05-29 | 清华大学 | 阈值可塑的人工神经元电路 |
CN111401540A (zh) * | 2020-03-09 | 2020-07-10 | 北京航空航天大学 | 神经元模型构建方法以及神经元模型 |
CN112101535A (zh) * | 2020-08-21 | 2020-12-18 | 中国科学院深圳先进技术研究院 | 脉冲神经元的信号处理方法及相关装置 |
CN112101535B (zh) * | 2020-08-21 | 2024-04-09 | 深圳微灵医疗科技有限公司 | 脉冲神经元的信号处理方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN101770560B (zh) | 2013-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101770560B (zh) | 模拟生物神经元信息处理机制的信息处理方法及装置 | |
Kleinfeld et al. | Associative neural network model for the generation of temporal patterns. Theory and application to central pattern generators | |
CN102341815B (zh) | 使用记忆切换元件的具有尖峰-时间依赖塑性的电子学习突触 | |
CN104335224A (zh) | 神经元电路及其方法 | |
CN101997538A (zh) | 基于脉冲耦合的硅纳米线cmos神经元电路 | |
CN101771412B (zh) | 基于神经元工作原理的模数转换方法及装置 | |
Erokhin et al. | Polymeric elements for adaptive networks | |
Bakhshiev et al. | Mathematical Model of the Impulses Transformation Processes in Natural Neurons for Biologically Inspired Control Systems Development. | |
Przyczyna et al. | In-materio neuromimetic devices: Dynamics, information processing and pattern recognition | |
Câteau et al. | Interplay between a phase response curve and spike-timing-dependent plasticity leading to wireless clustering | |
Xing et al. | Energy efficient neurons with generalized inverse Gaussian conditional and marginal hitting times | |
CN101771413B (zh) | 基于神经元工作原理的模数解码方法及装置 | |
CN101860357A (zh) | 一种利用时间编码控制权重和信息整合的方法 | |
US9269045B2 (en) | Auditory source separation in a spiking neural network | |
Lee et al. | Unsupervised formation of vocalization-sensitive neurons: a cortical model based on short-term and homeostatic plasticity | |
Snyder et al. | Finding optimal random boolean networks for reservoir computing | |
CN100481123C (zh) | 采用时空滤波器的视网膜编码器实现方法 | |
Hopfield et al. | Computing with action potentials | |
Huayaney et al. | A VLSI implementation of a calcium-based plasticity learning model | |
WO2014197175A2 (en) | Efficient implementation of neural population diversity in neural system | |
Lowen et al. | Fractal auditory‐nerve firing patterns may derive from fractal switching in sensory hair‐cell ion channels | |
CN111508509A (zh) | 基于深度学习的声音质量处理系统及其方法 | |
CN106156842A (zh) | 一种积分发放神经元模型的最优控制方法 | |
Tang et al. | Neuromorphic Auditory Perception by Neural Spiketrum | |
CN109325596A (zh) | 一种基于钙浓度的神经突触可塑性计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130424 Termination date: 20171231 |