CN106842949A - 基于fpga的丘脑皮层放电状态变论域模糊控制系统 - Google Patents
基于fpga的丘脑皮层放电状态变论域模糊控制系统 Download PDFInfo
- Publication number
- CN106842949A CN106842949A CN201710131135.5A CN201710131135A CN106842949A CN 106842949 A CN106842949 A CN 106842949A CN 201710131135 A CN201710131135 A CN 201710131135A CN 106842949 A CN106842949 A CN 106842949A
- Authority
- CN
- China
- Prior art keywords
- signal
- fuzzy
- module
- deviation
- controller
- 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
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于FPGA的丘脑皮层异放电状态变论域模糊控制系统，该系统以FPGA作为控制核心建立变论域模糊控制系统，以基于FPGA的丘脑皮层假体硬件模型的正常放电信号和闭环电生理装置得到的异常生理信号作为输入，进行模糊控制的隶属度函数整定与模糊规则判断，输出模糊处理后的控制量变化，反馈于闭环电生理装置中，进行异常放电信号的实时控制调节，直至达到预期正常放电效果，从而实现对丘脑皮层放电状态的有效控制。本发明的效果是该系统实现了对于丘脑皮层放电状态的实时模糊控制，同时通过模糊推理实现伸缩因子设计，实现了在线估计器和实时变论域模糊控制器相结合的自适应性闭环控制方案，避免了外部刺激特异性的干扰，有效改善神经核团的异常状态。
Description
技术领域
本发明涉及生物医学工程技术，特别是一种基于FPGA的丘脑皮层放电状态变论域模糊控制系统。
背景技术
神经元中的电活动是通过各种离子电流跨越神经细胞而进行神经信息的传导与处理的，这些跨膜电流包括钠离子通道电流，钙离子通道电流，钾离子通道电流以及漏电流等。在细胞内和细胞外，离子电流的浓度差形成电化学梯度，这种电化学梯度是引起神经细胞兴奋的主要因素。细胞兴奋在宏观上表现为生物电信号的变化，而如何采集测取，并有效控制这些生物电信号，放电状态的调整等构成了细胞生理学的研究内容。
近年来，通过施加外部刺激，实现对神经元以及神经网络放电行为的控制引起了控制领域和生物医学领域的广泛关注。PeterA.Tass提出非线性延迟反馈控制，有效实现簇放电神经集群的去同步控制，该控制方法能抵消非线性神经元集群中的异常相互作用，从而恢复神经元正常的放电节律，同时该方法对系统参数摄动和外部噪声的影响具有一定的抗干扰性。Tyler Stigen等学者利用膜片钳位技术，提出了一种控制周期性放电神经元放电时刻的控制算法，同时将该控制算法延伸到两神经元相对放电时刻的控制问题上。但值得注意的是，目前大多数控制方法依旧存在调节时间过长，控制不及时，难以实现跟踪等问题。此外，目前各种电刺激产品大部分基于开环刺激，开环控制方法简单，但无法根据实际被控对象实时自主的改变刺激参数，需要人为调整对最终控制结果有效性和高效性发挥重要作用的控制参数，对于控制参数的调整和修改更是缺乏有效的指导和规律，只是单纯的根据人为经验测试进行多次尝试给定并不断调整。因而这种开环控制系统严重依赖于人为经验，不具有实践性和普适性，对生物体实时电信号的变化也不具有敏感性。生物神经系统是一个高度复杂的网络系统，对于其生理机制的精确研究仍然存在困难，从而导致选取控制方案的选取需要从神经系统的大量不确定性和盲目性，对生物体个体差异性等问题方面进行考虑。
传统的控制方法只适用于控制具有精确模型的线性系统或非线性系统，而对于实际控制过程中常出现的状态时刻都在变化、干扰因素较多、没有准确的模型、多输入多输出的这种复杂系统，采用传统的控制方法将无法得到期望的效果。目前尚无一套完善的基于FPGA的丘脑皮层放电状态模糊控制系统，闭环控制方法部分难以具有实时性与自适应性，调参整定过程过于依赖人为，且控制精度不高，上位机界面尚未完善，无法进行实时的数据读取与分析。
发明内容
针对上述其技术不足之处，本发明的目的在于提供一种基于FPGA的丘脑皮层变论域模糊控制系统，可以使研究人员无需参数整定，直接以丰富的人工经验作模糊判断，从而有效完成放电状态的相关调整，使得变论域模糊控制能够保持对模糊规则敏感，同时对外部刺激干扰具有较强的自适应性。通过操作界面读取数据，为研究神经元的信息传递，信息监测，放电模式控制，非线性特性等研究提供重要理论依据。
为实现上述目的，本发明采用的技术方案是提供一种基于FPGA的丘脑皮层放电状态变论域模糊控制系统，其中：该控制系统包括有：变论域模糊控制FPGA芯片和丘脑皮层FPGA芯片连接，变论域模糊控制FPGA芯片设有除法器模块、乘法器模块以及信号滤波器，闭环电生理转置与变论域模糊控制FPGA芯片相连接,上位机通过信号采集装置与闭环电生理装置连接；丘脑皮层FPGA芯片上搭建丘脑皮层神经核团模型，丘脑皮层神经核团模型计算的神经元核团输出膜电位信号在神经元膜电位RAM中存储，变论域模糊控制FPGA芯片上包含有依次相连的误差信号获取及模糊化调幅模块、主模糊控制器模块、伸缩因子副模糊控制器模块、NIOS II软核处理器和信号解模糊调幅模块；主模糊控制器模块包含有主模糊控制器模糊化接口模块、主模糊控制器模糊推理模块和主模糊控制器解模糊模块，伸缩因子副模糊控制器模块包含副控制器模糊化接口模块、副控制器模糊推理模块以及副控制器解模糊模块，差信号获取及模糊化调幅模块与闭环电生理装置相连接，输出偏差信号和偏差变化率信号，偏差信号与偏差变化率信号经过伸缩因子副模糊控制器模块输出伸缩因子变化量，得到的伸缩因子变化量经过除法器模块修正论域范围，偏差信号和偏差变化率信号经过主模糊控制器模块输出主控制器变化量，主控制器控制变化量与伸缩因子变化量经过乘法器模块得到变论域模糊控制器输出量，变论域模糊控制器输出量经过信号解模糊调幅模块得到实际控制变化量并输入闭环电生理装置中，进而调节丘脑放电状态；闭环电生理转置接收该实际控制变化量，调节神经元异常放电状态，并将其调节的动态变化通过信号采集装置获取丘脑放电状态采集信号，并传输给上位机进行实时显示与监控。
本发明的效果是该控制系统实现了变论域模糊控制器的高效建模，以及复杂的丘脑皮层神经核团的网络建模，设计了兼具可视化的人机界面，提高了系统的灵活性和可操作性，能够在真实时间尺度内对神经核团建模并建立实时控制系统，同时该控制系统为研究丘脑皮层放电状态提供了真实时间尺度下的实时实验平台。主要优点有：
1、使用FPGA仿真实验模型以及在此基础上构建的模糊控制器，运用并行运算方式，相比于计算机软件仿真的串行方式，FPGA可以大幅度提高数学模型的运算速度，同时解决控制器控制不及时的问题。
2、控制算法上，变论域模糊控制算法具有闭环自适应性，相比较于传统控制算法，更加适用于不确定的多输入多输出被控系统，并省去控制参数的整定过程。
3、采用FPGA芯片的工作频率可以达到200MHz，硬件实现的时间步长可控在1ms以内，此外数据采集卡采用的是16通道，采样率高达200K/s,可以保持实验平台的时间尺度与真实神经元一致，且在数据传输过程中，精度要求满足，神经信息不会发生信息扭曲和丢失。
4、应用可视化上位机界面可以动态显示并实时分析神经元放电状态的调节过程，采用数据采集卡采集数据，可以将采集过程各种的噪声干扰尽量降低，为模糊控制系统提供更清晰的可视化实验平台。
5、该闭环控制系统不依赖人为整定，可以对不同被控对象反复进行实验，上位机、数据采集卡、FPGA芯片均可反复配置，提高系统的鲁棒性和可配置性。这种变论域模糊控制方法相对于传统控制算法，更适用于被控对象为复杂的多输入多输出系统的非线性神经系统，对理解神经电生理活动的信息传递，信息监测等机制研究有重要适用价值。
附图说明
图1为本发明的变论域模糊控制系统结构示意图；
图2为丘脑皮层的神经核团模型示意图；
图3为控制系统的模糊接口模块结构示意图；
图4为控制系统的模糊推理模块结构示意图；
图5位控制系统的解模糊模块结构示意图。
图中：
1.变论域模糊控制FPGA芯片 2.丘脑皮层FPGA芯片 3.闭环电生理装置 4.伸缩因子副模糊控制器模块 5.主模糊控制器模块 6.误差信号获取及模糊化调幅模块 7.NIOSII软核处理器 8.信号解模糊调幅模块 9.信号采集装置 10.上位机 11.副控制器模糊化接口模块 12.副控制器模糊推理模块 13.副控制器解模糊模块 14.片上乘法器模块 15.除法器模块 16.偏差信号
17.偏差变化率信号 18.伸缩因子变化量 19.主控制器控制变化量 20.变论域模糊控制器输出量 21.实际控制变化量 22.丘脑放电状态采集信号 23.主控制器模糊化接口模块 24.主控制器模糊推理模块 25.主控制器解模糊模块 26.丘脑皮层神经核团模型27.神经元膜电位存储RAM 28.神经元核团输出膜电位信号 29.突触膜电压信号 30.网络连接矩阵存储ROM 31.网络连接变量双口RAM 32.网络连接变量信号 33.总线构建模块34.偏差隶属度函数系数k存储RAM 35.偏差隶属度函数系数b存储RAM 36.偏差变化率隶属度函数系数k存储RAM 37.偏差变化率隶属度函数系数b存储RAM 38.复用器模块 39.输出隶属度反函数系数k存储RAM 40.输出隶属度反函数系数b存储RAM 41.NM-NS子系统42.PB-Z子系统 43.多路复用器 44.NB-NB子系统 45.并行加法模块 46.除法模块
具体实施方式
结合附图对本发明的基于FPGA的丘脑皮层放电状态变论域模糊控制系统结构加以说明。
本发明的基于FPGA的丘脑皮层放电状态变论域模糊控制系统的设计思想是首先在丘脑皮层FPGA芯片2上建立丘脑皮层神经核团模型26，其次通过闭环电生理装置3的控制电极作用于生理丘脑神经元测取膜电位信息，然后在变论域模糊控制FPGA芯片1上设计误差信号获取及模糊化调幅模块6，NIOS II软核处理器7，伸缩因子副模糊控制器模块4，主模糊控制器模块5和信号解模糊模块8。误差获取及模糊化调幅模块6产生偏差信号16和偏差变化率信号17，作为输入信号施加给伸缩因子副模糊控制器模块4和主控制器模块5。伸缩因子副模糊控制器模块4输出伸缩因子变化量18进行调节偏差信号16与偏差变化率信号17的论域范围，主控制器模块5输出主控制器控制变化量19；伸缩因子变化量18和主控制器控制变化量19经过片上乘法器处理输出变论域模糊控制器输出量20。变论域模糊控制器输出量经过信号解模糊调幅模块8，实时输出实际控制变化量21调节闭环电生理装置3中的丘脑放电状态，形成自适应性控制系统。利用NIOS II软核处理器7作为误差信号获取及模糊化调幅模块6、信号解模糊调幅模块8以及信号采集装置9的使能控制中心，可以按照人为输入指令控制数据的传输与中断。信号采集装置9具有模拟输入接口和数据采集卡，采集并接收由闭环电生理装置3中的丘脑放电信息，并将其数据信息送入上位机10界面，实时显示丘脑放电状态的调节过程。
所述基于FPGA的丘脑皮层放电状态变论域模糊控制系统结构是：该系统的变论域模糊控制FPGA芯片1和丘脑皮层FPGA芯片2之间高速连接，闭环电生理转置3与变论域模糊控制FPGA芯片1相连接,上位机10通过信号采集装置9与闭环电生理装置3连接；所述控制系统在丘脑皮层FPGA芯片2上搭建丘脑皮层神经核团模型26，获取正常放电信号；并通过闭环电生理装置3的电压钳位获取异常放电信号；正常异常两种放电信号作为输入信号，经过误差信号获取及模糊化调幅模块6，获取模糊控制系统标准论域范围内的偏差信号16和偏差变化率信号17。NIOS II软核处理器7作为变论域模糊控制部分的控制核心，对偏差信号16及偏差变化率信号17进行通讯中断和使能控制，同时发送控制指令于信号采集装置9，作为数据传输交换过程的控制中心。上位机10设计界面，通过接收信号采集装置9的数据，进行实时显示异常丘脑神经元放电状态的调节过程。该控制系统总体由五部分组成,分别是：丘脑皮层FPGA芯片2，变论域模糊控制FPGA芯片1，闭环电生理装置3，信号采集装置9和上位机10。其中FPGA部分用于实现有丘脑皮层神经核团模型26和变论域模糊控制器，闭环电生理装置3用于提供异常丘脑皮层放电状态，上位机10用于设计人机操作界面，并通过信号采集装置9进行与闭环电生理装置3进行数据通讯。
所述控制系统在丘脑皮层FPGA芯片2上搭建丘脑皮层神经核团模型26，获取正常放电信号，并通过闭环电生理装置3的电压钳位获取异常放电信号，所述正常、异常两种放电信号作为输入信号，经过误差信号获取及模糊化调幅模块6，获取模糊控制系统标准论域范围内的偏差信号16和偏差变化率信号17；偏差信号16与偏差变化率信号17进入主模糊控制器模块5，偏差信号16与偏差变化率信号17依次经过主控制器模糊化接口模块23，主控制器模糊推理模块24以及解模糊模块25的数据处理，得到主控制器控制变化量19；同时偏差信号16与偏差变化率信号17进入伸缩因子副模糊控制器模块4，分别经过副控制器模糊化接口模块11，副控制器模糊推理模块12以及副控制器解模糊模块13，得到伸缩因子变化量18，伸缩因子变化量18通过构建的除法器模块15修正偏差信号16与偏差变化率信号17的论域范围，主控制器控制变化量19与伸缩因子变化量18经过片上乘法器模块14和信号解模糊调幅模块8得到实际控制变化量21，闭环电生理转置3接收该实际控制变化量21，调节神经元异常放电状态，并将其调节的动态变化通过信号采集装置9获取丘脑放电状态采集信号22，并传输给上位机10进行实时显示。NIOS II软核处理器7控制误差信号获取及模糊化调幅模块6和信号解模糊调幅模块8的使能，并输出相应指令于信号采集装置9中，形成自适应性较强的变论域模糊控制系统，实现对丘脑神经元异常放电状态的动态调节与改善。
所述丘脑皮层神经核团模型26在FPGA中采用欧拉法离散化，采取流水线形式搭建离散模型，使得高阶微分方程并行运算于FPGA中。即利用延时寄存器使数学模型分为多个子运算过程，在每个时钟周期内，每个子运算过程可以同时进行不同神经集群，不同时刻的运算，神经核团计算的数据在神经元膜电位RAM27中存储，并随时钟而传递。
所述闭环电生理装置3包括控制电极，测量电极和异常状态下的被测丘脑神经细胞；测量电极与控制电极和被测丘脑神经细胞相互连接，获取的丘脑放电信息作为模拟信号输入传输给信号采集装置9。
所述变论域模糊控制FPGA芯片1：所述变论域模糊控制FPGA芯片1为用于实现具有自适应性的变论域模糊控制算法模块，通过Verilog HDL语言编程实现。变论域模糊控制FPGA芯片1接收由误差信号获取及模糊化调幅模块6输出的偏差信号16与偏差变化率信号17。偏差信号16和偏差变化率17信号先经过副控制器模糊化接口模块11，完成偏差信号16和偏差变化率17信号的分区及确定其隶属度函数。副控制器模糊化接口模块11的设计采用七级语言变量，即正大PB，正中PM，正小PS，零ZO负小NS，负中NM和负大NB。这些语言值每一个都对应一个模糊集合为隶属度函数。其次偏差信号16和偏差变化率信号17经过副控制器模糊推理模块12，副控制器模糊推理模块12包含有基于标准模型的模糊控制规则库，伸缩因子副模糊控制器模块4规则库包含49条规则，表述出来为：“if偏差信号16is PB and偏差变化率信号17is NB,then隶属度函数输出is PB”，“if偏差信号16is NB and偏差变化率信号17is EM，then隶属度函数输出is PB”，......“if偏差信号16is PB and偏差变化率信号17is PB，then隶属度函数输出is NB”。副控制器模糊推理模块12的设计采用工程上应用的Mamdani推理方法，规则激活采用对偏差信号16与偏差变化率信号17经过副控制器模糊化接口模块11处理后得到对应的隶属度，选取其中小的隶属度作为总的模糊推理前件的隶属度的取小法，综合过程采用对所有经过副控制器模糊化接口模块11得到的模糊集合进行并运算的取大法。副控制器模糊化推理模块12经过49条副模糊控制器规则，可以得到49个隶属度及其对应的模糊集，最后经过副控制器解模糊模块13输出伸缩因子变化量18。同时，偏差信号16和偏差变化率17信号经过主控制器模糊化接口模块23，完成偏差信号16和偏差变化率17信号的主控制器分区及确定其隶属度函数。主控制器模糊化接口模块23也采用七级语言变量，即正大PB，正中PM，正小PS，零ZO，负小NS，负中NM和负大NB。每级语言变量都对应一个模糊集合为隶属度函数。其次偏差信号16和偏差变化率17信号经过主控制器模糊推理模块24，主控制器模糊推理模块24包含有基于标准模型的主控制器模糊控制规则库，主模糊控制器模块5规则库包含49条主控制器规则，表述出来为：“if偏差信号16is PB and偏差变化率信号17is NB，then隶属度函数输出is PB”，“if偏差信号16is NB and偏差变化率信号17is EM,then隶属度函数输出is PB”，......“if偏差信号16is PB and偏差变化率信号17is PB，then隶属度函数输出is NB”。主控制器模糊推理模块24的设计同样采用工程上应用的Mamdani推理方法，主模糊控制器规则激活采用对偏差信号16与偏差变化率信号17经过主控制器模糊化接口模块23处理后得到对应的隶属度，选取其中小的隶属度作为总的模糊推理前件的隶属度的取小法，综合过程采取对所有经过主控制器模糊化接口模块23得到的模糊集合进行并运算的取大法。主控制器模糊化推理模块24经过四十九条主模糊控制器规则，可以得到四十九个隶属度及其对应的模糊集，最后经过主控制器解模糊模块25输出主控制器控制变化量19。通过信号解模糊调幅模块8将论域内的主控制器控制变化量19转化成对闭环电生理装置的实际控制变化量21，实现变论域模糊模块的自适应控制系统。
所述信号采集装置9进行对闭环电生理转置3与上位机10之间的数据通讯，信号采集装置9包括有模拟量输入接口和数据采集卡，所述数据采集卡采用研华多功能数据采集卡KPCI-811型号。NIOS II软核处理器7同时控制信号采集装置9的数据使能。
所述上位机10采用VB语言设计上位机界面，通过接收信号采集装置采集的数字信号，并进行界面的可视化数据显示。软件平台为Visual Basic 6.0，该界面能实时反应闭环电生理装置3中被测神经元膜电位状态的调节变化过程。
本发明的基于FPGA的丘脑皮层放电状态变论域模糊控制系统由相互连接的变论域模糊控制FPGA芯片1、丘脑皮层FPGA芯片2、闭环电生理装置3、信号采集装置9和上位机10组成。其中丘脑皮层FPGA开发板用于实现丘脑皮层神经核团模型26，闭环电生理装置用于实现丘脑神经元膜电位的钳位测量，变论域模糊控制FPGA芯片1用于实现对异常放电状态的及时控制并输出控制调节量，信号采集装置9通过多功能数据采集卡实现对被测神经元膜电位信号的获取，上位机10则用于实现信号的实时显示与监控。
以下对本发明的基于FPGA的丘脑皮层放电状态变论域模糊控制系统的整体实现过程加以说明：
如图1所示，对硬件实验系统进行设计，该系统包含有相互连接的丘脑皮层FPGA芯片2，变论域模糊控制FPGA芯片1，闭环电生理装置3，信号采集装置9和上位机10。丘脑皮层FPGA芯片2采用Altera公司生产片上资源较多的Cyclone IV EP4CE115芯片，变论域模糊控制FPGA芯片1采用的是Altera公司生产低功耗Cyclone III EP3I20F48C8N芯片。丘脑皮层神经核团模型26，变论域控制中的主模糊控制器模块5和伸缩因子副模糊控制器模块4分别采用Verilog HDL语言编程实现。根据神经元的数学模型，采用欧拉离散化并搭建丘脑皮层核团流水线模型。变论域模糊控制系统包括主模糊控制器模块5和伸缩因子副模糊控制器模块4两个部分，其中主模糊控制器模块设计划分为主控制器模糊化接口模块23、主控制器模糊推理模块24和主控制器解模糊模块25。伸缩因子副模糊控制器模块4设计划分为副控制器模糊化接口模块11、副控制器模糊推理模块12和副控制器解模糊模块13。误差信号获取及模糊化调幅模块6分别获取丘脑皮层FPGA芯片2和闭环电生理装置3的放电状态信息，并经过处理得到论域内偏差信号16和论域内偏差变化率信号17。主模糊控制器模块5和伸缩因子副模糊控制器模块4分别接收论域内偏差信号16和论域内偏差变化率信号17，其中伸缩因子副模糊控制器模块4输出伸缩因子变化量18，并经过构建的除法器模块15处理，实时修正系统的论域范围。主模糊控制器模块5输出主控制器控制变化量19,并经过片上乘法器模块14处理得到变论域模糊控制器输出量20。信号解模糊化调幅模块8接收变论域模糊控制器输出量20，得到实际控制变化量21，闭环电生理转置3接收该实际控制变化量21，调节神经元异常放电状态，并将其调节的动态变化通过信号采集装置9获取丘脑放电状态采集信号22，并传输给上位机10进行实时显示。NIOS II软核处理器7接收由误差信号获取及模糊化调幅模块6的输出指令，进行控制信号解模糊调幅模块8的输出以及信号采集装置9的开启。信号采集装置9接收由闭环电生理装置3输出的相应数据进行缓存处理，输出丘脑放电状态采集信号，与上位机10进行数据通讯。
如图2所示的丘脑皮层的神经核团模型示意图，丘脑皮层神经核团模型(26)主要由乘法器，移位寄存器，神经元膜电位存储RAM27，网络连接矩阵存储ROM 30和网络连接变量双口RAM31组成，其包含有突触连接模型和神经元计算模型；网络连接变量信号32存储于网络连接变量双口RAM31中；不同核团之间通过突触膜电压信号29进行耦合，突触膜电压信号29经过神经元计算模型的运算，得到神经核团输出膜电位信号28，并随时钟传递，作为下一个耦合作用下的计算参数，直至完成丘脑皮层神经核团模型26的一个周期运算。
如图3所示的控制系统的模糊接口模块结构示意图，其主要由偏差隶属度函数接口模块，偏差变化率隶属度函数接口模块和输出隶属度反函数接口模块组成。其包含偏差隶属度函数系数k存储RAM34,偏差隶属度函数系数b存储RAM35，偏差变化率隶属度函数系数k存储RAM36,偏差变化率隶属度函数系数b存储RAM37,输出隶属度反函数系数K存储RAM39,输出隶属度反函数系数b存储RAM40,比较器模块，总线构建模块33，加法器模块，复用器模块38等组成。偏差信号16和偏差变化率信号17分别经过偏差隶属度函数接口模块和偏差变化率隶属度函数接口模块，得到同一时间下的偏差隶属度函数输出值和偏差变化率隶属度函数输出值，两者按照模糊控制设计的取小原则，输出对应较小的函数值到输出隶属度反函数接口模块中，按照隶属度形成多个论域区间下的子系统。论域区间下的隶属度函数分为：NB子系统，NM子系统，NS子系统，Z子系统，PS子系统，PS子系统，PM子系统和PB子系统。
如图4所示的控制系统的模糊推理模块结构示意图，其主要由多个隶属度函数子系统、比较器、多路复用器43以及诸多比较器组成。模糊推理过程根据模糊控制系统采取的隶属度规则分别搭建NB-NB子系统44，NM-NS子系统41，PB-Z子系统42等，经过模糊推理模块输出NB_MAX值,NM_MAX值，NS_MAX值,Z_MAX值,PS_MAX值,PM_MAX值和PB_MAX值。
如图5所示的控制系统的解模糊模块结构示意图，其主要由比较器模块，并行加法器模块45和构建的除法器模块46构成。按照模糊控制重心法求取原理，将模糊推理模块输出的NB_MAX值,NM_MAX值，NS_MAX值,Z_MAX值,PS_MAX值,PM_MAX值和PB_MAX值，分别于其对应的输出隶属度函数的清晰值相乘，并通过除法模块除以所有清晰值的总和，得到平均重心位置，其对应的区间位置即为模糊控制系统的控制输出值。
本发明的基于FPGA的丘脑皮层放电状态变论域模糊控制系统实现了对于丘脑皮层放电状态的实时模糊控制，同时通过模糊推理实现伸缩因子设计，实现了在线估计器和实时变论域模糊控制器相结合的自适应性闭环控制方案，避免了外部刺激特异性的干扰，有效改善神经核团的异常状态。
Claims (6)
1.一种基于FPGA的丘脑皮层放电状态变论域模糊控制系统，其特征是：该控制系统包括有：变论域模糊控制FPGA芯片(1)和丘脑皮层FPGA芯片(2)连接，变论域模糊控制FPGA芯片(1)设有除法器模块(15)、乘法器模块(14)以及信号滤波器，闭环电生理转置(3)与变论域模糊控制FPGA芯片(1)相连接,上位机(10)通过信号采集装置(9)与闭环电生理装置(3)连接；丘脑皮层FPGA芯片(2)上搭建丘脑皮层神经核团模型(26)，丘脑皮层神经核团模型(26)计算的神经元核团输出膜电位信号(28)在神经元膜电位RAM(27)中存储，变论域模糊控制FPGA芯片(1)上包含有依次相连的误差信号获取及模糊化调幅模块(6)、主模糊控制器模块(5)、伸缩因子副模糊控制器模块(4)、NIOS II软核处理器(7)和信号解模糊调幅模块(8)；主模糊控制器模块(5)包含有主模糊控制器模糊化接口模块(23)、主模糊控制器模糊推理模块(24)和主模糊控制器解模糊模块(25)，伸缩因子副模糊控制器模块(4)包含副控制器模糊化接口模块(11)、副控制器模糊推理模块(12)以及副控制器解模糊模块(13)，差信号获取及模糊化调幅模块(6)与闭环电生理装置(3)相连接，输出偏差信号(16)和偏差变化率信号(17)，偏差信号(16)与偏差变化率信号(17)经过伸缩因子副模糊控制器模块(4)输出伸缩因子变化量(18)，得到的伸缩因子变化量(18)经过除法器模块(15)修正论域范围，偏差信号(16)和偏差变化率信号(17)经过主模糊控制器模块(5)输出主控制器变化量(19)，主控制器控制变化量(19)与伸缩因子变化量(18)经过乘法器模块(14)得到变论域模糊控制器输出量(20)，变论域模糊控制器输出量(20)经过信号解模糊调幅模块(8)得到实际控制变化量(21)并输入闭环电生理装置(3)中，进而调节丘脑放电状态；闭环电生理转置(3)接收该实际控制变化量(21)，调节神经元异常放电状态，并将其调节的动态变化通过信号采集装置(9)获取丘脑放电状态采集信号(22)，并传输给上位机(10)进行实时显示与监控；
所述控制系统在丘脑皮层FPGA芯片(2)上搭建丘脑皮层神经核团模型(26)，获取正常放电信号，并通过闭环电生理装置(3)的电压钳位获取异常放电信号，所述正常、异常两种放电信号作为输入信号，经过误差信号获取及模糊化调幅模块(6)，获取模糊控制系统标准论域范围内的偏差信号(16)和偏差变化率信号(17)；偏差信号(16)与偏差变化率信号(17)进入主模糊控制器模块(5)，偏差信号(16)与偏差变化率信号(17)依次经过主控制器模糊化接口模块(23)，主控制器模糊推理模块(24)以及解模糊模块(25)的数据处理，得到主控制器控制变化量(19)；同时偏差信号(16)与偏差变化率信号(17)进入伸缩因子副模糊控制器模块(4)，分别经过副控制器模糊化接口模块(11)，副控制器模糊推理模块(12)以及副控制器解模糊模块(13)，得到伸缩因子变化量(18)，伸缩因子变化量(18)通过构建的除法器模块(15)修正偏差信号(16)与偏差变化率信号(17)的论域范围，主控制器控制变化量(19)与伸缩因子变化量(18)经过片上乘法器模块(14)和信号解模糊调幅模块(8)得到实际控制变化量(21)，闭环电生理转置(3)接收该实际控制变化量(21)，调节神经元异常放电状态，并将其调节的动态变化通过信号采集装置(9)获取丘脑放电状态采集信号(22)，并传输给上位机(10)进行实时显示；NIOS II软核处理器(7)控制误差信号获取及模糊化调幅模块(6)和信号解模糊调幅模块(8)的使能，并输出相应指令于信号采集装置(9)中，形成自适应性变论域模糊控制系统，实现对丘脑神经元异常放电状态的动态调节与改善。
2.根据权利要求1所述基于FPGA的丘脑皮层放电状态变论域模糊控制系统，其特征是：所述丘脑皮层神经核团模型(26)通过欧拉法离散化，由Verilog HDL语言实现编程，通过仿真编译，网络布线最后下载到丘脑皮层FPGA芯片(2)中，丘脑皮层神经核团模型(26)通过设定的参数选取经计算产生的神经元核团输出膜电位信号(28)作为丘脑皮层正常放电信号，并传输进入误差信号获取及模糊化调幅模块(6)，结合从闭环电生理转置(3)中获取的异常放电信号，得到模糊控制系统标准论域内的偏差信号(16)与偏差变化率信号(17)。
3.根据权利要求1所述基于FPGA的丘脑皮层放电状态变论域模糊控制系统，其特征是：所述变论域模糊控制FPGA芯片(1)为用于实现具有自适应性的变论域模糊控制算法模块，通过Verilog HDL语言编程实现，变论域模糊控制FPGA芯片(1)接收由误差信号获取及模糊化调幅模块(6)输出的偏差信号(16)与偏差变化率信号(17)，偏差信号(16)和偏差变化率(17)信号先经过副控制器模糊化接口模块(11)，完成偏差信号(16)和偏差变化率(17)信号的分区及确定其隶属度函数，副控制器模糊化接口模块(11)通过七级语言变量，即正大(PB)，正中(PM)，正小(PS)，零(ZO)，负小(NS)，负中(NM)和大(NB)，每级语言变量都对应一个模糊集合为隶属度函数；偏差信号(16)和偏差变化率信号(17)经过副控制器模糊推理模块(12)进行模糊推算，副控制器模糊推理模块(12)包含有基于标准模型的副模糊控制器规则库，所述副模糊控制器规则库包含49条副模糊控制器规则，所述规则激活采用偏差信号(16)与偏差变化率信号(17)，经过副控制器模糊化接口模块(11)处理后得到对应的隶属度，选取其中小的隶属度作为总的模糊推理前件的隶属度的取小法，综合过程通过对所有经过副控制器模糊化接口模块(11)得到的模糊集合进行并运算的取大法，最后经过副控制器解模糊模块(13)输出伸缩因子变化量(18)；同时，偏差信号(16)和偏差变化率信号(17)经过主控制器模糊化接口模块(23)，完成偏差信号(16)和偏差变化率信号(17)的主控制器分区及确定其隶属度函数；主控制器模糊化接口模块(23)也采用七级语言变量，即正大(PB)，正中(PM)，正小(PS)，零(ZO)，负小(NS)，负中(NM)和大(NB)，每级语言变量对应一个模糊集合为隶属度函数；偏差信号(16)和偏差变化率(17)信号经过主控制器模糊推理模块(24)进行模糊推算，主控制器模糊推理模块(24)包含有基于标准模型的主控制器模糊控制规则库，所述主模糊控制器规则库包含49条主模糊控制器规则，所述主模糊控制器规则激活采用偏差信号(16)与偏差变化率信号(17)，经过主控制器模糊化接口模块(23)处理后得到对应的隶属度，选取其中小的隶属度作为总的模糊推理前件的隶属度的取小法，综合过程采用对所有经过主控制器模糊化接口模块(23)得到的模糊集合进行并运算的取大法；最后经过主控制器解模糊模块(25)输出主控制器控制变化量(19)，通过信号解模糊调幅模块(8)将论域内的主控制器控制变化量(19)转化成对闭环电生理装置的实际控制变化量(21)，实现变论域模糊模块的自适应控制系统。
4.根据权利要求1所述基于FPGA的丘脑皮层放电状态变论域模糊控制系统，其特征是：所述的误差信号获取及模糊化调幅模块(6)和信号解模糊调幅模块(8)，根据闭环电生理装置(10)和丘脑皮层神经核团模型(26)输出的信号幅值上下限与模糊系统论域的设定范围，通过变论域模糊控制FPGA芯片(1)上的除法器模块(15)、乘法器模块(14)以及信号滤波器完成模块设计，误差信号获取及模糊化调幅模块(6)的输出信号和信号解模糊调幅模块(8)的输出信号，按照NIOS II软核处理器(7)相应指令输入到伸缩因子副模糊控制器模块(4)和主模糊控制器模块(5)，作为模糊系统论域内的标准输入信号。
5.根据权利要求1所述基于FPGA的丘脑皮层放电状态变论域模糊控制系统，其特征是：所述信号采集装置(9)包括有模拟量输入接口和数据采集卡，信号采集装置(9)进行对闭环电生理转置(3)与上位机(10)之间的数据通讯，所述数据采集卡采用研华多功能数据采集卡KPCI-811型号。
6.根据权利要求1所述基于FPGA的丘脑皮层放电状态变论域模糊控制系统，其特征是：所述闭环电生理转置(3)包括控制电极，测量电极和异常状态下的被测丘脑神经细胞；所述测量电极与控制电极和被测丘脑神经细胞相互连接，获取的丘脑放电信息作为模拟信号输入传输给信号采集装置(9)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710131135.5A CN106842949A (zh) | 2017-03-07 | 2017-03-07 | 基于fpga的丘脑皮层放电状态变论域模糊控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710131135.5A CN106842949A (zh) | 2017-03-07 | 2017-03-07 | 基于fpga的丘脑皮层放电状态变论域模糊控制系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106842949A true CN106842949A (zh) | 2017-06-13 |
Family
ID=59138271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710131135.5A Pending CN106842949A (zh) | 2017-03-07 | 2017-03-07 | 基于fpga的丘脑皮层放电状态变论域模糊控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106842949A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107510888A (zh) * | 2017-08-17 | 2017-12-26 | 天津大学 | 基于dsp+fpga的去dbs伪迹的局部场电位实时检测分析平台 |
| CN114236466A (zh) * | 2021-11-24 | 2022-03-25 | 南京航空航天大学 | 基于模糊集的离散制造车间rfid和uwb融合定位系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004017812A2 (en) * | 2002-08-21 | 2004-03-04 | New York University | Neuro-mimetic control systems and methods |
| CN1556450A (zh) * | 2003-12-31 | 2004-12-22 | 中国人民解放军第三军医大学野战外科 | 基于瞬态视觉诱发电位提取脑机接口控制信号的方法 |
| CN101561661A (zh) * | 2009-05-25 | 2009-10-21 | 中国农业大学 | 模糊控制方法和模糊控制器 |
| CN103019382A (zh) * | 2012-12-17 | 2013-04-03 | 北京大学 | 一种利用诱发电位反映脑部主观动机信号的脑机接口方法 |
| CN105653873A (zh) * | 2016-01-15 | 2016-06-08 | 天津大学 | 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统 |
-
2017
- 2017-03-07 CN CN201710131135.5A patent/CN106842949A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004017812A2 (en) * | 2002-08-21 | 2004-03-04 | New York University | Neuro-mimetic control systems and methods |
| CN1556450A (zh) * | 2003-12-31 | 2004-12-22 | 中国人民解放军第三军医大学野战外科 | 基于瞬态视觉诱发电位提取脑机接口控制信号的方法 |
| CN101561661A (zh) * | 2009-05-25 | 2009-10-21 | 中国农业大学 | 模糊控制方法和模糊控制器 |
| CN103019382A (zh) * | 2012-12-17 | 2013-04-03 | 北京大学 | 一种利用诱发电位反映脑部主观动机信号的脑机接口方法 |
| CN105653873A (zh) * | 2016-01-15 | 2016-06-08 | 天津大学 | 基于fpga的运动障碍非侵入式康复的闭环脑-机-体系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107510888A (zh) * | 2017-08-17 | 2017-12-26 | 天津大学 | 基于dsp+fpga的去dbs伪迹的局部场电位实时检测分析平台 |
| CN114236466A (zh) * | 2021-11-24 | 2022-03-25 | 南京航空航天大学 | 基于模糊集的离散制造车间rfid和uwb融合定位系统及方法 |
| CN114236466B (zh) * | 2021-11-24 | 2024-07-23 | 南京航空航天大学 | 基于模糊集的离散制造车间rfid和uwb融合定位系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | CerebelluMorphic: large-scale neuromorphic model and architecture for supervised motor learning | |
| CN104112066B (zh) | 基于fpga的癫痫状态闭环控制实验平台 | |
| CN103691058B (zh) | 帕金森病基底核-丘脑网络的深度脑刺激fpga实验平台 | |
| CN108284442B (zh) | 一种基于模糊神经网络的机械臂柔性关节控制方法 | |
| Lotfi et al. | Adaptive brain emotional decayed learning for online prediction of geomagnetic activity indices | |
| CN105022486B (zh) | 基于不同表情驱动的脑电信号辨识方法 | |
| CN105718655B (zh) | 帕金森状态的闭环神经刺激控制系统 | |
| Macpherson et al. | Parallel and hierarchical neural mechanisms for adaptive and predictive behavioral control | |
| CN107169184A (zh) | 基于FPGA的基底核网络beta节律仿真系统 | |
| CN106842949A (zh) | 基于fpga的丘脑皮层放电状态变论域模糊控制系统 | |
| CN108762084A (zh) | 基于模糊控制决策的水田灌溉系统及方法 | |
| CN106407568A (zh) | 结合有限元分析的帕金森状态下基底核刺激实时仿真平台 | |
| CN108372506A (zh) | 一种基于cpg模型的人形机器人自适应行走框架实现方法 | |
| Setiawan et al. | Transfer learning with multiple pre-trained network for fundus classification | |
| Yan et al. | Study on prediction model of dissolved oxygen about water quality monitoring system based on BP neural network | |
| CN113197585B (zh) | 一种神经肌肉信息交互模型构建及参数辨识优化方法 | |
| Alvado et al. | Hardware computation of conductance-based neuron models | |
| Salimi-Nezhad et al. | A neuromimetic realization of hippocampal CA1 for theta wave generation | |
| Mustafa | On performance evaluation of brain based learning processes using neural networks | |
| CN108873705A (zh) | 一种基于非线性pid的hh神经元同步控制方法 | |
| Leukhin et al. | Bio-plausible simulation of three monoamine systems to replicate emotional phenomena in a machine | |
| Jacobs et al. | Methods for constructing physiologically motivated neuromorphic models in CNNs | |
| CN110245389B (zh) | 基于FPGA的Spiking前馈网络海马功能仿真系统 | |
| CN107341543A (zh) | 一种基于强化学习的小脑模型建模方法 | |
| CN104992059A (zh) | 基于内在动机的运动平衡机器人自主认知系统及控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170613 |
|
| WD01 | Invention patent application deemed withdrawn after publication |