CN106485320A - 一种视网膜神经网络的搭建方法及装置 - Google Patents

一种视网膜神经网络的搭建方法及装置 Download PDF

Info

Publication number
CN106485320A
CN106485320A CN201610905367.7A CN201610905367A CN106485320A CN 106485320 A CN106485320 A CN 106485320A CN 201610905367 A CN201610905367 A CN 201610905367A CN 106485320 A CN106485320 A CN 106485320A
Authority
CN
China
Prior art keywords
cell
distribution
connection
beale
gangliocyte
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.)
Pending
Application number
CN201610905367.7A
Other languages
English (en)
Inventor
黄铁军
何浏源
杜凯
田永鸿
王耀威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN201610905367.7A priority Critical patent/CN106485320A/zh
Publication of CN106485320A publication Critical patent/CN106485320A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G06N3/065—Analogue means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种视网膜神经网络的搭建方法及装置，该方法包括：确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞亚型、层次分布及水平分布，以及仅知相对分布的细胞的分布；确定神经节细胞、双极细胞及视感受器细胞之间的连接关系；确定水平细胞的分布及连接关系、无长轴突细胞的分布及连接关系以及同类细胞之间的gap连接；将视网膜神经网络划分为多个子网；按照一定的密度分布对每个子网中的细胞进行重新排布。本发明能够根据有限的实际生理数据和连接搭建出符合实际生理特性视网膜神经网络模型，并划分为子网，可用于分布式仿真或视网膜功能分析。

Description

一种视网膜神经网络的搭建方法及装置
技术领域
本发明涉及计算神经学技术领域，尤其涉及一种视网膜神经网络的搭建方法及装置。
背景技术
随着神经科学技术的进步，科学界对人类大脑的知识不断积累，伴随着计算机科学的发展，人们提出了的“神经形态计算”方向。该方向在理解大脑结构的基础上，以计算机资源为工具，对神经系统中的细胞、突触连接、神经通路、神经网络进行模仿，以求建立与生物大脑结构相同、功能相似的“类脑”工具。
视网膜是脊椎生物视觉神经通路的一部分，位于眼球后部，主要作用是将光转化为电信号，通过其中几十种不同细胞的信息处理，传输至脑。其中，视感受器-双极细胞-神经节细胞是视网膜最主要的神经通路；水平细胞连接不同的视感受器和双极细胞；无长轴突细胞连接不同的双极细胞和神经节细胞，如图1所示。
在视网膜仿真领域，现有的搭建视网膜神经方法主要有两种：1)设定连接单元，重复单元即可得到大型神经网络。这种方法虽然简单易行，但由于视网膜连接模式并不统一，这样不能真实构建视网膜连接网络。2)设定多个细胞层次，设定层次连接关系，如Tadross等人2000年在IJCNN第211页至216发表的“A Three-dimensional PhysiologicallyRealistic Model of the Retina”(一种生理学上真实的三维视网膜模型)。这种设定方法能反应视网膜的多层分布，但有许多不足的地方，首先需要事先确定每一种细胞的分布策略，实际上现有方法并不能完全确定每一种细胞的分布模型；其次，对于实际细胞连接，统一的高斯连接模型并不能反应网络的灵活性，像上述论文一样不能改善同类细胞反应模式的一致性；再者，近年来不断发现新的细胞亚型，这些亚型有新的分布层次和连接信息，这些信息并不能方便整合入现有的三维层次模型中；最后，现在没有针对大型视网膜神经网络并行分布方法。
发明内容
针对现有技术的缺陷，本发明提供一种视网膜神经网络的搭建方法及装置，能够基于实际生理数据和连接搭建符合实际生理特性视网膜神经网络。
第一方面，本发明提供了一种视网膜神经网络的搭建方法，所述方法包括：
确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞亚型、层次分布及水平分布；
确定神经节细胞、双极细胞及视感受器细胞中仅知相对分布的细胞的分布；
根据神经网络的第一连接类型，确定神经节细胞、双极细胞及视感受器细胞之间的连接关系；
根据神经网络的第二连接类型，确定水平细胞的分布及连接关系；
根据神经网络的第三连接类型，确定无长轴突细胞的分布及连接关系；
确定同类细胞之间的gap连接；
将所述神经节细胞、所述双极细胞、所述视感受器细胞、所述水平细胞及所述无长轴突细胞构成的视网膜神经网络划分为多个子网；
按照一定的密度分布对每个子网中的细胞进行重新排布。
优选地，所述确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞亚型、层次分布及水平分布，包括：
根据已知密度分布的神经节细胞、双极细胞及视感受器细胞的密度分布信息，或者已知树突野半径变化的神经节细胞、双极细胞及视感受器细胞的树突野半径变化信息，确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞的层次分布及水平分布。
优选地，所述确定神经节细胞、双极细胞及视感受器细胞中仅知相对分布的细胞的分布，包括：
确定分布未知细胞与已知分布细胞的数目比例；
采用德劳内三角化方法，构建所述已知分布细胞相邻网络；
确定所述已知分布细胞树突野半径或输出野半径；
根据所述树突野半径或输出野半径，选定所述已知分布细胞的树突野上的连接点；
确定每个连接点对应的所述分布未知细胞的位置，以获得所述仅知相对分布的细胞的分布。
优选地，所述根据神经网络的第一连接类型，确定神经节细胞、双极细胞及视感受器细胞之间的连接关系，包括：
确定连接数目；
计算输出细胞的输出野半径和树突野半径；
确定与所述输出细胞的距离小于输出野半径和树突野半径之和的输入细胞；
计算所述输出细胞与所述输入细胞的距离；
根据所述神经网络的第一连接类型及所述连接数目，按照预设概率选择连接或者根据距离就近连接所述输出细胞及所述输入细胞；
其中，所述神经网络的第一连接类型包括：视杆细胞与视杆双极细胞连接、视锥细胞与视锥双极细胞连接、同一层的视锥双极细胞与神经节细胞连接。
优选地，所述根据神经网络的第二连接类型，确定水平细胞的分布及连接关系，包括：
采用德劳内三角化方法构建需与水平细胞连接的视感受器细胞相邻网络；
将所述相邻网络划分为符合水平细胞连接规律的多个子网；
将每个子网中心作为所述水平细胞的分布位置，并根据神经网络的第二连接类型将所述每个子网内的视感受器细胞与所述水平细胞连接；
所述视感受器细胞与所述水平细胞连接的同一位置，所述视感受器细胞与双极细胞连接，且所述水平细胞与所述双极细胞连接；
其中，所述神经网络的第二连接类型包括：水平细胞与视锥细胞连接、水平细胞与视杆细胞连接、水平细胞与双极细胞连接。
优选地，所述根据神经网络的第三连接类型，确定无长轴突细胞的分布及连接关系，包括：
设定所述无长轴突细胞所在神经节细胞层IPL层次和树突野半径；
根据设定的树突野半径变化确定所述无长轴突细胞的分布位置；
采用德劳内三角化方法构建所述无长轴突细胞相邻网络；
计算所述无长轴突细胞实际的多种树突野半径；
根据神经网络的第三连接类型，依据不同所述树突野形态确定所述树突野半径内的与所述无长轴突细胞连接的细胞；
其中，所述神经网络的第三连接类型包括：双极细胞与无长轴突细胞的连接、无长轴突细胞与视神经节细胞的连接。
优选地，所述确定同类细胞之间的gap连接，包括：
确定同类细胞的类型；
采用德劳内三角化方法构建所述同类细胞相邻网络；
根据设定阈值或者设定概率，确定所述同类细胞之间是否连接。
优选地，所述将所述神经节细胞、所述双极细胞、所述视感受器细胞、所述水平细胞及所述无长轴突细胞构成的视网膜神经网络划分为多个子网，包括：
将每个神经节细胞视为节点，将与神经节细胞连接的细胞划分至所述神经节点对应的节点中；
计算每个节点的消耗总值和节点之间连接消耗总值，将所述每个节点的消耗总量作为节点权值，将所述节点之间连接消耗总作为节点之间连接权值；
采用图分割方法METIS，将所述视网膜神经网络划分为一定数目的子网；所述一定数目的子网中的节点权值和相同，且子网之间连接权值和最小。
优选地，所述按照一定的密度分布对每个子网中的细胞进行重新排布，包括：
设定分布概率和排布原点；
获取细胞总数和小区域内细胞数目；
按照所述小区域中距离所述排布原点的距离，根据所述分布概率分布一定数目的细胞。
第二方面，本发明提供了一种视网膜神经网络的搭建装置，所述装置包括：
绝对分布确定单元，用于确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞亚型、层次分布及水平分布；
相对分布确定单元，用于确定神经节细胞、双极细胞及视感受器细胞中仅知相对分布的细胞的分布；
第一连接确定单元，用于根据神经网络的第一连接类型，确定神经节细胞、双极细胞及视感受器细胞之间的连接关系；
第二连接确定单元，用于根据神经网络的第二连接类型，确定水平细胞的分布及连接关系；
第三连接确定单元，用于根据神经网络的第三连接类型，确定无长轴突细胞的分布及连接关系；
gap连接确定单元，用于确定同类细胞之间的gap连接；
子网划分单元，用于将所述神经节细胞、所述双极细胞、所述视感受器细胞、所述水平细胞及所述无长轴突细胞构成的视网膜神经网络划分为多个子网；
层细胞重排单元，用于按照一定的密度分布对每个子网中的细胞进行重新排布。
由上述技术方案可知，本发明提供一种视网膜神经网络的搭建方法及装置，通过确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞亚型、层次分布及水平分布，以及仅知相对分布的细胞的分布；确定神经节细胞、双极细胞及视感受器细胞之间的连接关系；确定水平细胞的分布及连接关系、无长轴突细胞的分布及连接关系以及同类细胞之间的gap连接，并视网膜神经网络划分为多个子网；按照一定的密度分布对每个子网中的细胞进行重新排布。如此，本发明能够根据有限的实际生理数据和连接搭建出符合实际生理特性视网膜神经网络模型，并划分为子网，可用于分布式仿真或视网膜功能分析。
附图说明
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作简单地介绍，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的前提下，还可以根据这些图获得其他的附图。
图1是视网膜神经网络示意图；
图2是本发明一实施例提供的视网膜神经网络的搭建方法的流程示意图；
图3是本发明一实施例提供的视网膜神经网络的搭建装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图2是本发明一实施例中的一种视网膜神经网络的搭建方法的流程示意图，如图2所示，所述方法包括如下步骤：
S1：确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞亚型、层次分布及水平分布。
具体来说，根据预先获知的神经节细胞信息、双极细胞信息及视感受器细胞信息，确定已知绝对分布的细胞亚型、层次分布及水平分布。
其中，预先获知的神经节细胞信息、双极细胞信息包括：每一种神经节亚型树突野所在神经节细胞层(IPL)层次、每一种双极细胞亚型输出野所在IPL层次；每种亚型密度或树突野大小与位置变化关系。预先获知的视感受器细胞信息包括：亚型细胞密度与位置变化关系。综合层级信息，可将IPL分为一定数目的亚层，每层中有一种或多种神经细胞。在不考虑区域缺失之前，我们认为每一种神经节细胞亚类的树突野铺满视一次网膜区域。
S2：确定神经节细胞、双极细胞及视感受器细胞中仅知相对分布的细胞的分布。
具体来说，将已知分布细胞作为参考细胞，根据参考细胞的分布、以及分布未知细胞的数目比例随到中心凹距离变化关系，确定所述分布位置细胞与所述参考细胞的相对位置，以获取仅知相对分布的细胞的分布。
S3：根据神经网络的第一连接类型，确定神经节细胞、双极细胞及视感受器细胞之间的连接关系。
其中，所述神经网络的第一连接类型，即神经节细胞、双极细胞及视感受器细胞之间的连接对应的连接类型。
S4：根据神经网络的第二连接类型，确定水平细胞的分布及连接关系。
其中，所述神经网络的第二连接类型，即水平细胞对应的连接类型。
S5：根据神经网络的第三连接类型，确定无长轴突细胞的分布及连接关系。
其中，所述神经网络的第三连接类型，即无长轴突细胞对应的连接类型。
S6：确定同类细胞之间的gap连接。
S7：将所述神经节细胞、所述双极细胞、所述视感受器细胞、所述水平细胞及所述无长轴突细胞构成的视网膜神经网络划分为多个子网。
S8：按照一定的密度分布对每个子网中的细胞进行重新排布。
由此可见，本实施例通过根据已知的生理数据确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞亚型、层次分布及水平分布，以及仅知相对分布的细胞的分布；确定神经节细胞、双极细胞及视感受器细胞之间的连接关系；确定水平细胞的分布及连接关系、无长轴突细胞的分布及连接关系以及同类细胞之间的gap连接，并视网膜神经网络划分为多个子网；按照一定的密度分布对每个子网中的细胞进行重新排布。如此，本发明能够根据有限的实际生理数据和连接搭建出符合实际生理特性视网膜神经网络模型，并划分为子网，可用于分布式仿真或视网膜功能分析。
在本发明的一个可选实施例中，所述步骤S1，具体包括：
根据已知密度分布的神经节细胞、双极细胞及视感受器细胞的的密度分布信息，或者已知树突野半径变化的神经节细胞、双极细胞及视感受器细胞的树突野半径变化信息，确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞的层次分布及水平分布。
即可通过根据已知密度分布信息模拟神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞实际分布信息，或者根据已知树突野半径变化信息模拟神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞实际分布信息，具体来说：
1、对于已知密度分布的神经细胞亚类，坐标为(x1,x2)的密度p为：
p＝Fg(x1,x2) (1)
其中，Fg是密度分布函数。
若将视网膜区域设计为圆形，圆心在原点。用极小的步长d(如d取2um)按密度生成分布。以原点为中心，视网膜可分为多个宽为d的环状区域。设区域距离中央凹最近d1(d2＝d1+d)最远d2＝d1+d(d2＝d1+d)，区域面积S：
S＝π(d2 2-d1 2) (2)
区域内细胞分布密度为p：
其中，Fg是密度随距离变化的函数。在区域S内细胞数目为：n＝S*p。
这n个神经节细胞随机排布在半径为的圆上。这些点所在的半径均分360°，这样生成的坐标点视为神经元分布点。
若将视网膜区域设计为矩形，区域范围为x1≤x≤x2，y1≤y≤y2。用极小的步长(如d取2um)按密度生成分布。该区域中心点坐标为(x,y)，区域内细胞个数为：
n＝Fg(x,y)*d*d (4)
若n≥1，则在该区域内随机生成n个分布点；若n<1，取随机数0≤r<1，若r<n则在区域中心生成1个分布点。
2、对于已知树突野半径变化的神经细胞亚类，坐标为(x1,x2)的细胞半径r为：
r＝Rg(x1,x2) (5)
其中，Rg是半径函数。
若将视网膜区域设计为圆形，圆心在原点。同样用极小的步长d将视网膜分为多个环状区域。该区域内细胞平均树突野半径r为
其中，Rg是半径随距离变化的函数。在这个视网膜区域内细胞数目为：
若将视网膜区域设计为矩形，区域范围为x1≤x≤x2，y1≤y≤y2。用极小的步长(如d取2um)按密度生成分布。该区域中心点坐标为(x,y)，区域内细胞个数为：
后续坐标生成方法同上，在此不再赘述。
在本发明的一个可选实施例中，所述步骤S2，具体包括如下子步骤：
S21：确定分布未知细胞与已知分布细胞的数目比例。
需要说明的是，本实施例中将已知分布细胞作为参考细胞。则预先获知的参数包括：参考细胞类型的分布；以及分布未知细胞与参考细胞类型的数目比例随到中心凹距离变化关系。
S22：采用德劳内三角化方法，构建所述已知分布细胞相邻网络。
S23：确定所述已知分布细胞树突野半径或输出野半径。
S24：根据所述树突野半径或输出野半径，选定所述已知分布细胞的树突野上的连接点。
具体来说，以一致分布细胞位置为圆心，在所述树突野半径或输出野半径的区域内找出一定数目的连接点。
S25：确定每个连接点对应的所述分布未知细胞的位置，以获得所述仅知相对分布的细胞的分布。
其中，步骤S23中确定所述已知分布细胞的树突野大小，具体包括：
S231：确定与已知分布细胞同层的其他细胞；
S232：采用德劳内三角化方法构建同层细胞相邻网络；
S233：对每个参考细胞，半径r为：
其中，Ii是参考细胞(即已知分布细胞)与相邻点的距离。
其中，步骤S24中在所述树突野半径或输出野半径的区域内找出一定数目的连接点，具体包括：
S241：确定连接点数目n；
S242：寻找层数k，使k满足：
其中，Fibi是指斐波那契数列第i个数。
S243：将圆分为k层环状区域，第i个区域有Fibi个连接点；
S244：区域内连接点的生成与步骤S1中神经元坐标点生成方法相同。
在本发明的一个可选实施例中，所述步骤S3，具体包括如下子步骤：
S31：确定连接数目。
S32：计算输出细胞的输出野半径和树突野半径。
S33：确定与所述输出细胞的距离小于输出野半径和树突野半径之和的输入细胞。
S34：计算所述输出细胞与所述输入细胞的距离。
S35：根据所述神经网络的第一连接类型及所述连接数目，按照预设概率选择连接或者根据所述距离就近连接所述输出细胞及所述输入细胞。
其中，所述神经网络的第一连接类型包括：视杆细胞与视杆双极细胞连接、视锥细胞与视锥双极细胞连接、同一层的视锥双极细胞与神经节细胞连接。
在本发明的一个可选实施例中，所述根步骤S4，具体包括如下子步骤：
S41：采用德劳内三角化方法构建需与水平细胞连接的视感受器细胞相邻网络。
具体来说，视感受器细胞分为视锥细胞和视杆细胞，视锥细胞同时分为S/M/L三种亚型。
S42：将所述相邻网络划分为符合水平细胞连接规律的多个子网；
具体地，本步骤具体可按照连接数目将视感受器细胞相邻网络划分为共享相邻节点的多个子网。
S43：将每个子网中心作为所述水平细胞的分布位置，并根据神经网络的第二连接类型将所述每个子网内的视感受器细胞与所述水平细胞连接。
具体地，每个子网内即为一个水平细胞作用区域，中心点为水平细胞位置，且该水平细胞与子网内的视感受器细胞连接。
S43：所述视感受器细胞与所述水平细胞连接的同一位置，所述视感受器细胞与双极细胞连接，且所述水平细胞与所述双极细胞连接。
其中，所述神经网络的第二连接类型包括：水平细胞与视锥细胞连接、水平细胞与视杆细胞连接、水平细胞与双极细胞连接。
本实施例中，不同的水平细胞亚型与不同类型的视感受器细胞相连。现在有试验手段统计水平细胞的密度、感受野半径，或是该类水平细胞连接统计值，包括连接数目的均值和方差。
对于已知密度、感受野半径的水平细胞，它的分布生成方法与已知密度、感受野半径的神经节细胞、双极细胞和视感受器细胞一样，具体见步骤S1，连接方法则具体见步骤S31至步骤S35。
对于已知连接统计值(即连接数目)的水平细胞，分布连接见步骤S41至S45。
其中，步骤S42中划分子网的具体步骤如下：
S421：选定初始点；
S422：找寻初始点附近一定数目的邻近点，组成子网；
S423：若子网上的点和相邻网络上其他细胞有连接，则保留在相邻网络上；没有则从相邻网络中移除；
S424：若相邻网络中仍有节点，则选择上次生成的子网中保留下来的某个节点作为初始点，步骤S422；没有则结束。
在本发明的一个可选实施例中，所述步骤S5，具体包括如下子步骤：
S51：设定所述无长轴突细胞所在神经节细胞层IPL层次和树突野半径。
在连接上，由于IPL分层和无长轴突细胞自身形态的特殊性，需要考虑它多个感受野和每个感受野层次变化关系。则可设定每种无长轴突细胞的感受野大小和层次，以选择这些层次中可以与该类无长轴突细胞相连的其他类型细胞。
S52：根据设定的树突野半径变化确定所述无长轴突细胞的分布位置；
S53：采用德劳内三角化方法构建所述无长轴突细胞相邻网络；
S54：计算所述无长轴突细胞实际的多种树突野半径；
S55：根据神经网络的第三连接类型，依据不同所述树突野形态确定所述树突野半径内的与所述无长轴突细胞连接的细胞；
其中，所述神经网络的第三连接类型包括：双极细胞与无长轴突细胞的连接、无长轴突细胞与视神经节细胞的连接。
本实施例中，无长轴突细胞已知信息与水平细胞相同，即可预先获知水平细胞的密度、感受野半径，或是该类水平细胞连接统计值，包括连接数目的均值和方差。分布方法相同具体可见步骤S4。
由于无长轴突细胞形态的多样性和特殊性，在选择连接细胞时，考虑四种形态：
1)该类树突位于同一子层，与层内部的细胞相连；
2)该类树突位于两子层之间，与上下两层的细胞均可能相连；
3)该类树突横跨多子层，与其中的每层的某些细胞均有可能相连；
4)该类树突横跨多子层，但深度随距离变化。
在本发明的一个可选实施例中，所述步骤S6，具体包括如下步骤：
S61：确定同类细胞的类型。
S62：采用德劳内三角化方法构建所述同类细胞相邻网络。
S63：根据设定阈值或者设定概率，确定所述同类细胞之间是否连接。
具体来说，当两个同类细胞间的距离超过所述设定阈值则不连接，或者根据所述设定阈值，确定两个同类细胞是否连接。
在本发明的一个可选实施例中，所述步骤S7，具体包括如下步骤：
S71：将每个神经节细胞视为节点，将与神经节细胞连接的细胞划分至所述神经节点对应的节点中。
S72：计算每个节点的消耗总值和节点之间连接消耗总值，将所述每个节点的消耗总量作为节点权值，将所述节点之间连接消耗总作为节点之间连接权值。
需要说明的是，本实施例需预先确定每类细胞的运行消耗资源值、每类连接计算运行资源消耗值，以分别获得节点的消耗总值和节点之间连接消耗总值。
S73：采用图分割方法METIS，将所述视网膜神经网络划分为一定数目的子网；所述一定数目的子网中的节点权值和相同，且子网之间连接权值和最小。
其中，子网内部节点内的所有细胞为一类。
在本发明的一个可选实施例中，所述步骤S8，具体包括如下步骤：
S81：设定分布概率和排布原点。
S82：获取细胞总数和小区域内细胞数目。
S83：按照所述小区域中距离所述排布原点的距离，根据所述分布概率分布一定数目的细胞。
具体来说，上述实施例中的步骤在连接神经网络时考虑权值和延迟时都以距离为参数。在实际视网膜中，上下层神经节细胞的之间的分布并不是对齐的，会存在严重倾斜的情况，尤其在中央凹附近。层细胞重排旨在按照一定密度分布重新排布细胞所在位置，满足实际输入输出对应关系。
图3是本发明一实施例中的一种视网膜神经网络的搭建装置的结构示意图，如图3所示，所述装置包括：绝对分布确定单元301、相对分布确定单元302、第一连接确定单元303、第二连接确定单元304、第三连接确定单元305、gap连接确定单元306、子网划分单元307及层细胞重排单元308。其中：
绝对分布确定单元301，用于确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞亚型、层次分布及水平分布。
相对分布确定单元302，用于确定神经节细胞、双极细胞及视感受器细胞中仅知相对分布的细胞的分布；
第一连接确定单元303，用于根据神经网络的第一连接类型，确定神经节细胞、双极细胞及视感受器细胞之间的连接关系；
第二连接确定单元304，用于根据神经网络的第二连接类型，确定水平细胞的分布及连接关系；
第三连接确定单元305，用于根据神经网络的第三连接类型，确定无长轴突细胞的分布及连接关系；
gap连接确定单元306，用于确定同类细胞之间的gap连接；
子网划分单元307，用于将所述神经节细胞、所述双极细胞、所述视感受器细胞、所述水平细胞及所述无长轴突细胞构成的视网膜神经网络划分为多个子网；
层细胞重排单元308，用于按照一定的密度分布对每个子网中的细胞进行重新排布。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种视网膜神经网络的搭建方法，其特征在于，所述方法包括：
确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞亚型、层次分布及水平分布；
确定神经节细胞、双极细胞及视感受器细胞中仅知相对分布的细胞的分布；
根据神经网络的第一连接类型，确定神经节细胞、双极细胞及视感受器细胞之间的连接关系；
根据神经网络的第二连接类型，确定水平细胞的分布及连接关系；
根据神经网络的第三连接类型，确定无长轴突细胞的分布及连接关系；
确定同类细胞之间的gap连接；
将所述神经节细胞、所述双极细胞、所述视感受器细胞、所述水平细胞及所述无长轴突细胞构成的视网膜神经网络划分为多个子网；
按照一定的密度分布对每个子网中的细胞进行重新排布。
2.根据权利要求1所述的方法，其特征在于，所述确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞亚型、层次分布及水平分布，包括：
根据已知密度分布的神经节细胞、双极细胞及视感受器细胞的密度分布信息，或者已知树突野半径变化的神经节细胞、双极细胞及视感受器细胞的树突野半径变化信息，确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞的层次分布及水平分布。
3.根据权利要求1所述的方法，其特征在于，所述确定神经节细胞、双极细胞及视感受器细胞中仅知相对分布的细胞的分布，包括：
确定分布未知细胞与已知分布细胞的数目比例；
采用德劳内三角化方法，构建所述已知分布细胞相邻网络；
确定所述已知分布细胞树突野半径或输出野半径；
根据所述树突野半径或输出野半径，选定所述已知分布细胞的树突野上的连接点；
确定每个连接点对应的所述分布未知细胞的位置，以获得所述仅知相对分布的细胞的分布。
4.根据权利要求1所述的方法，其特征在于，所述根据神经网络的第一连接类型，确定神经节细胞、双极细胞及视感受器细胞之间的连接关系，包括：
确定连接数目；
计算输出细胞的输出野半径和树突野半径；
确定与所述输出细胞的距离小于输出野半径和树突野半径之和的输入细胞；
计算所述输出细胞与所述输入细胞的距离；
根据所述神经网络的第一连接类型及所述连接数目，按照预设概率选择连接或者根据距离就近连接所述输出细胞及所述输入细胞；
其中，所述神经网络的第一连接类型包括：视杆细胞与视杆双极细胞连接、视锥细胞与视锥双极细胞连接、同一层的视锥双极细胞与神经节细胞连接。
5.根据权利要求1所述的方法，其特征在于，所述根据神经网络的第二连接类型，确定水平细胞的分布及连接关系，包括：
采用德劳内三角化方法构建需与水平细胞连接的视感受器细胞相邻网络；
将所述相邻网络划分为符合水平细胞连接规律的多个子网；
将每个子网中心作为所述水平细胞的分布位置，并根据神经网络的第二连接类型将所述每个子网内的视感受器细胞与所述水平细胞连接；
所述视感受器细胞与所述水平细胞连接的同一位置，所述视感受器细胞与双极细胞连接，且所述水平细胞与所述双极细胞连接；
其中，所述神经网络的第二连接类型包括：水平细胞与视锥细胞连接、水平细胞与视杆细胞连接、水平细胞与双极细胞连接。
6.根据权利要求1所述的方法，其特征在于，所述根据神经网络的第三连接类型，确定无长轴突细胞的分布及连接关系，包括：
设定所述无长轴突细胞所在神经节细胞层IPL层次和树突野半径；
根据设定的树突野半径变化确定所述无长轴突细胞的分布位置；
采用德劳内三角化方法构建所述无长轴突细胞相邻网络；
计算所述无长轴突细胞实际的多种树突野半径；
根据神经网络的第三连接类型，依据不同所述树突野形态确定所述树突野半径内的与所述无长轴突细胞连接的细胞；
其中，所述神经网络的第三连接类型包括：双极细胞与无长轴突细胞的连接、无长轴突细胞与视神经节细胞的连接。
7.根据权利要求1所述的方法，其特征在于，所述确定同类细胞之间的gap连接，包括：
确定同类细胞的类型；
采用德劳内三角化方法构建所述同类细胞相邻网络；
根据设定阈值或者设定概率，确定所述同类细胞之间是否连接。
8.根据权利要求1所述的方法，其特征在于，所述将所述神经节细胞、所述双极细胞、所述视感受器细胞、所述水平细胞及所述无长轴突细胞构成的视网膜神经网络划分为多个子网，包括：
将每个神经节细胞视为节点，将与神经节细胞连接的细胞划分至所述神经节点对应的节点中；
计算每个节点的消耗总值和节点之间连接消耗总值，将所述每个节点的消耗总量作为节点权值，将所述节点之间连接消耗总作为节点之间连接权值；
采用图分割方法METIS，将所述视网膜神经网络划分为一定数目的子网；所述一定数目的子网中的节点权值和相同，且子网之间连接权值和最小。
9.根据权利要求1所述的方法，其特征在于，所述按照一定的密度分布对每个子网中的细胞进行重新排布，包括：
设定分布概率和排布原点；
获取细胞总数和小区域内细胞数目；
按照所述小区域中距离所述排布原点的距离，根据所述分布概率分布一定数目的细胞。
10.一种视网膜神经网络的搭建装置，其特征在于，所述装置包括：
绝对分布确定单元，用于确定神经节细胞、双极细胞及视感受器细胞中已知绝对分布的细胞亚型、层次分布及水平分布；
相对分布确定单元，用于确定神经节细胞、双极细胞及视感受器细胞中仅知相对分布的细胞的分布；
第一连接确定单元，用于根据神经网络的第一连接类型，确定神经节细胞、双极细胞及视感受器细胞之间的连接关系；
第二连接确定单元，用于根据神经网络的第二连接类型，确定水平细胞的分布及连接关系；
第三连接确定单元，用于根据神经网络的第三连接类型，确定无长轴突细胞的分布及连接关系；
gap连接确定单元，用于确定同类细胞之间的gap连接；
子网划分单元，用于将所述神经节细胞、所述双极细胞、所述视感受器细胞、所述水平细胞及所述无长轴突细胞构成的视网膜神经网络划分为多个子网；
层细胞重排单元，用于按照一定的密度分布对每个子网中的细胞进行重新排布。
CN201610905367.7A 2016-10-17 2016-10-17 一种视网膜神经网络的搭建方法及装置 Pending CN106485320A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610905367.7A CN106485320A (zh) 2016-10-17 2016-10-17 一种视网膜神经网络的搭建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610905367.7A CN106485320A (zh) 2016-10-17 2016-10-17 一种视网膜神经网络的搭建方法及装置

Publications (1)

Publication Number Publication Date
CN106485320A true CN106485320A (zh) 2017-03-08

Family

ID=58270062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610905367.7A Pending CN106485320A (zh) 2016-10-17 2016-10-17 一种视网膜神经网络的搭建方法及装置

Country Status (1)

Country Link
CN (1) CN106485320A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110855859A (zh) * 2019-10-16 2020-02-28 中南民族大学 人工光量子视网膜及构建方法
CN114548239A (zh) * 2022-01-28 2022-05-27 大连理工大学 一种基于类哺乳动物视网膜结构人工神经网络的图像识别与分类方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110855859A (zh) * 2019-10-16 2020-02-28 中南民族大学 人工光量子视网膜及构建方法
CN110855859B (zh) * 2019-10-16 2021-04-13 中南民族大学 人工光量子视网膜及构建方法
CN114548239A (zh) * 2022-01-28 2022-05-27 大连理工大学 一种基于类哺乳动物视网膜结构人工神经网络的图像识别与分类方法

Similar Documents

Publication Publication Date Title
Murre et al. The connectivity of the brain: multi-level quantitative analysis
Sengupta et al. An evolutionary multiobjective sleep-scheduling scheme for differentiated coverage in wireless sensor networks
Stringer et al. Self-organizing continuous attractor networks and path integration: two-dimensional models of place cells
CN107403154A (zh) 一种基于动态视觉传感器的步态识别方法
M. Hayman et al. How heterogeneous place cell responding arises from homogeneous grids—a contextual gating hypothesis
Jayaraman et al. FEECS: fuzzy-based energy-efficient cluster head selection algorithm for lifetime enhancement of wireless sensor networks
CN106485320A (zh) 一种视网膜神经网络的搭建方法及装置
CN108416392A (zh) 基于som神经网络的建筑物聚类方法
Moioli et al. Exploring the Kuramoto model of coupled oscillators in minimally cognitive evolutionary robotics tasks
Shi et al. Cluster synchronization and rhythm dynamics in a complex neuronal network with chemical synapses
Reynolds et al. Evolving heterogeneous social fabrics for the solution of real valued optimization problems using cultural algorithms
CN108876144A (zh) 一种基于深度学习算法的变电站预选址方法
Gajović Comparative analysis of different methods and obtained results for delineation of functional urban areas
Ganesan et al. A novel genetic algorithm with CDF5/3 filter-based lifting scheme for optimal sensor placement
CN110322072A (zh) 一种基于神经网络的经济预测方法
Sala et al. Solving graph algorithms with networks of spiking neurons
Kiani-Moghaddam et al. An Innovative Multi-Stage Multi-Dimensional Multiple-Inhomogeneous Melody Search Algorithm: Symphony Orchestra Search Algorithm (SOSA)
Shi et al. In-phase burst synchronization and rhythm dynamics of complex neuronal networks
Wu et al. Projective clustering using neural networks with adaptive delay and signal transmission loss
Liashenko et al. Estimation of the Production Potential of Ukraine's Regions Using Kohonen Neural Network.
Sheykhali et al. Instability of social network dynamics with stubborn links
Czyż Application of the population potential model in the structural regionalisation of Poland
Patra Using Kohonen’s self-organizing map for clustering in sensor networks
Adorno et al. Reliability and convergence on Kohonen maps: an empirical study
Feng Establishment of topological maps—a model study

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170308