CN109325596B - 一种基于钙浓度的神经突触可塑性计算方法 - Google Patents
一种基于钙浓度的神经突触可塑性计算方法 Download PDFInfo
- Publication number
- CN109325596B CN109325596B CN201811083069.XA CN201811083069A CN109325596B CN 109325596 B CN109325596 B CN 109325596B CN 201811083069 A CN201811083069 A CN 201811083069A CN 109325596 B CN109325596 B CN 109325596B
- Authority
- CN
- China
- Prior art keywords
- synaptic
- tag
- time
- prp
- concentration
- 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.)
- Active
Links
- 239000011575 calcium Substances 0.000 title claims abstract description 43
- 210000000225 synapse Anatomy 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 title claims abstract description 28
- 210000005036 nerve Anatomy 0.000 title claims abstract description 5
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 title claims abstract description 4
- 229910052791 calcium Inorganic materials 0.000 title claims abstract description 4
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 claims abstract description 72
- 229910001424 calcium ion Inorganic materials 0.000 claims abstract description 72
- 230000000946 synaptic effect Effects 0.000 claims abstract description 67
- 210000003520 dendritic spine Anatomy 0.000 claims abstract description 64
- 210000002569 neuron Anatomy 0.000 claims abstract description 58
- 230000001242 postsynaptic effect Effects 0.000 claims abstract description 39
- 210000001787 dendrite Anatomy 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 35
- 239000012528 membrane Substances 0.000 claims abstract description 26
- 210000005215 presynaptic neuron Anatomy 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 7
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 7
- 230000002123 temporal effect Effects 0.000 claims description 12
- 102000004108 Neurotransmitter Receptors Human genes 0.000 claims description 9
- 108090000590 Neurotransmitter Receptors Proteins 0.000 claims description 9
- 108090000862 Ion Channels Proteins 0.000 claims description 8
- 102000004310 Ion Channels Human genes 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000003518 presynaptic effect Effects 0.000 claims description 7
- 108090000312 Calcium Channels Proteins 0.000 claims description 6
- 102000003922 Calcium Channels Human genes 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 4
- 102000005962 receptors Human genes 0.000 claims description 4
- 108020003175 receptors Proteins 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 210000000170 cell membrane Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 150000002500 ions Chemical class 0.000 claims 1
- 210000004556 brain Anatomy 0.000 abstract description 11
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract description 2
- 230000003956 synaptic plasticity Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000036390 resting membrane potential Effects 0.000 description 2
- 241000238371 Sepiidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
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
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
Abstract
一种基于钙浓度的神经突触可塑性计算方法涉及大脑模拟仿真领域,尤其是针对大脑模拟仿真中脉冲神经网络的神经突触可塑性的计算问题。首先是钙离子浓度的计算,针对需要计算的突触,根据初始时刻t0的突触前神经元和突触后神经元的膜电位值,以及突触的初始连接权重w0,分别计算下一时刻t1的树突和树突棘中的钙离子浓度;其次,根据树突棘中的钙离子浓度,通过和钙离子浓度阈值Ca0s及Ca1s对比得到权重变化的方向,根据突触状态标签Tag和可塑性相关蛋白质PRP浓度,计算突触权重的变化,得到t1时刻的新权重。重复以上过程,计算模拟时间内的突触连接强度。本发明应用于构建类脑神经网络,完成类脑智能所需的学习和记忆过程的仿真,实现通用强人工智能,并应用于智能传媒、医疗等方面。
Description
技术领域
本发明涉及大脑模拟仿真领域,尤其是针对大脑模拟仿真中脉冲神经网络的神经突触可塑性的计算问题。
背景技术
大脑中包含数以亿万计的神经元,这些神经元相互连接构成神经网络,神经元连接的部分称为突触。以人脑为例,每个神经元会与几千个至几万个神经元产生连接,因此,大脑中的连接数量十分庞大。感知和认知过程会改变突触连接的强弱,也就是权重。这种突触连接权重变化的现象称为突触可塑性,是大脑学习和记忆的主要方式。如何准确地计算这些突触权重的变化过程是进行大脑模拟仿真的关键。最接近现有技术的神经突触可塑性计算方法为Graupner等人在 Calcium-based plasticity model explains sensitivityof synaptic changes to spike pattern,rate,and dendritic location一文中描述的方法,其问题在于,并没有考虑神经元内蛋白质浓度和树突棘状态对突触可塑性的影响,导致了计算不准确等问题。
发明内容
本发明所要解决的技术问题是在大脑模拟中突触可塑性模型和计算问题。
为了解决这一问题,本发明采用的技术方案分为以下五个步骤:
1.钙离子浓度的计算:针对需要计算的突触,根据初始时刻t0的突触前神经元和突触后神经元的膜电位值,以及突触的初始连接权重w0,分别计算下一时刻t1的树突和树突棘中的钙离子浓度,其中w0是非负常数,在实际应用中,建议取值为1,原因是在初始时刻做归一化处理;
2.确定权重变化方向(Flag):根据树突棘中的钙离子浓度,通过和钙离子浓度阈值Ca0s及Ca1s对比得到权重变化的方向,其中Ca0s和Ca1s均为非负常数,且Ca1s>Ca0s,在实际应用中,根据经验,建议Ca0s=0.5mM,Ca1s=1mM;
3.计算突触状态标签(Tag):根据权重变化方向及突触状态变化常数αT,βT,LTD和βT,LTP,计算突触标签状态,其中αT,βT,LTD和βT,LTP均为大于零的常数,在实际应用中,根据经验,建议αT=0.01,βT,LTD=0.5,βT,LTP=0.5;
4.计算可塑性相关蛋白质(PRP)浓度:根据树突中的钙离子浓度计算可塑性相关蛋白质浓度;
5.计算突触权重的变化:根据突触状态标签Tag和可塑性相关蛋白质PRP 浓度,计算突触权重的变化,得到t1时刻的新权重。
重复以上过程,计算模拟时间内的突触连接强度。
本发明的内容可以应用于构建类脑神经网络,完成类脑智能所需的学习和记忆过程的仿真,实现通用强人工智能,并应用于智能传媒、智能医疗、智能制造、智能教育和自动驾驶等方面。
根据本发明的第一个步骤,采用如下方法:
首先,设定突触前神经元和突触后神经元的初始膜电位值以及突触前神经元和突触后神经元之间的初始连接权重w0。其中突触前神经元和突触后神经元的初始膜电位值为小于零的常数,在实际应用中,建议设置为-70mV,原因是这是神经元的静息态膜电位,突触前神经元和突触后神经元之间的初始连接权重w0是非负常数,在实际应用中,建议取值为1,原因是在初始时刻做归一化处理。
其次,采用脉冲神经元模型对突触前神经元和突触后神经元进行建模,其中脉冲神经元模型来自于神经科学领域文献,模型的输入为各离子通道的电导、各离子通道的反转电位、输入电流和膜电容,以上输入数据均来自于神经科学领域文献,模型的输出为膜电位值。
再次,根据突触前神经元的脉冲神经元模型,利用欧拉法或龙格库塔法等数值计算方法计算t1时刻突触前神经元的膜电位。
然后,根据突触动力学模型对突触连接进行建模,其中突触动力学模型来自于神经科学领域文献,模型的输入为t1时刻突触前神经元膜电位,t1时刻突触后神经元膜电位,突触动力学时间常数以及突触受体的反转电位,突触动力学时间常数以及突触受体的反转电位均来自于神经科学领域参考文献,模型的输出为突触连接对突触后神经元产生的电流。
最后,根据突触动力学模型及突触后神经元的神经元模型,利用欧拉法或龙格库塔法等数值计算方法计算t1时刻突触后神经元的膜电位以及突触后神经元树突和树突棘中的钙离子浓度。突触后神经元树突中的钙离子源自位于细胞膜上的钙离子通道,突触后神经元树突棘中的钙离子源自位于树突棘上允许钙离子通过的突触受体。在t1时刻由钙离子通道进入神经元内的钙离子浓度[Ca2+]Ca-channel可以由包含该离子通道的脉冲神经元模型计算得出,在t1时刻由树突棘上允许钙离子通过的突触受体进入神经元内的钙离子浓度[Ca2+]receptor可以由该突触的动力学模型计算得出。突触后神经元树突和树突棘中的钙离子可以相互扩散,记t1时刻树突棘和该树突棘所处的树突中的钙离子浓度分别为 [Ca2+]s和[Ca2+]d。
根据本发明的第二个步骤,采用如下方法:
根据树突棘中的钙离子浓度[Ca2+]s和钙离子浓度阈值Ca0s及Ca1s对比得到 t1时刻该树突棘所处的突触的权重变化方向Flag。其中Ca0s和Ca1s均为非负常数,且Ca1s>Ca0s,在实际应用中,根据经验,建议Ca0s=0.5mM,Ca1s=1mM。如果t1时刻树突棘中的钙离子浓度[Ca2+]s低于阈值Ca0s,则Flag为0,该树突棘所处的突触不会发生连接权重变化;如果t1时刻树突棘中的钙离子浓度[Ca2+]s处于阈值Ca0s和阈值Ca1s之间,则Flag为-1,该树突棘所处的突触连接权重变化方向为减弱;如果t1时刻树突棘中的钙离子浓度[Ca2+]s高于阈值Ca1s,则Flag 为1,该树突棘所处的突触的连接权重变化方向为增加。
根据本发明的第三个方面,采用如下方法:
根据树突棘所处突触权重变化方向及突触状态变化常数αT,βT,LTD和βT,LTP得到t1时刻该树突棘所处的突触状态标签Tag。如果Tag为0,则该树突棘所处的突触不会发生连接权重变化;如果Tag大于0,则该树突棘所处的突触进入连接权重可以增加的状态;如果Tag小于0,则该树突棘所处的突触进入连接权重可以减弱的状态。Tag的演化是一个与Flag有关的动力学过程。
如果t1时刻Flag为0,则其中αT是大于零的常数,在实际应用中,根据经验,建议αT=0.01,若Tag以t0时刻初始值为0开始演化,则Tag关于时间的导数为0,Tag不发生变化;
如果t1时刻Flag为-1,则其中βT,LTD是大于零的常数,在实际应用中,根据经验,建议βT,LTD=0.5,若Tag以t0时刻初始值为0开始演化,则Tag关于时间的导数为负,Tag降低,直至降到Tag关于时间的导数为0时,即/>时停止下降,并保持/>
如果t1时刻Flag为1,则其中βT,LTP是大于零的常数,,在实际应用中,根据经验,建议βT,LTP=0.5,若Tag以t0时刻初始值为0开始演化,则Tag关于时间的导数为正,Tag升高,直至升至Tag关于时间的导数为0时,即/>时停止上升,并保持/>
根据本发明的第四个步骤,采用如下方法:
根据树突中的钙离子浓度[Ca2+]d和钙离子浓度阈值Ca0d得到t1时刻树突中PRP的浓度。PRP浓度的演化是与[Ca2+]d有关的动力学过程。其中Ca0d为非负常数,在实际应用中,根据经验,建议Ca0d=1mM。树突中的钙离子可以引发生成PRP的化学反应,单位时间内PRP的生成率记为PRPrate。如果t1时刻树突中的钙离子浓度[Ca2+]d低于阈值Ca0d,则PRPrate为0或衰减为0,PRP不发生变化;如果t1时刻树突中的钙离子浓度[Ca2+]d高于阈值Ca0d,则PRPrate按 alpha函数的形式变化,PRP作为PRPrate对时间的积分,先增加,后持平。
根据本发明的第五个步骤,采用如下方法:
首先,计算突触连接权重系数相关参数y,y的演化是与Tag和PRP浓度有关的动力学过程,其中τy是大于零的常数,在实际应用中,根据经验,τy=1ms。由于PRP浓度是非负的,若Tag和PRP浓度中有一个为0,则 y对时间的导数为0,y不会发生变化;若Tag为负,PRP浓度为正,则y对时间的导数为负,y降低;若Tag为正,PRP浓度为正,则y对时间的导数为正,y 升高。
其次,计算突触连接权重系数z,z与y之间的关系满足其中λ,zl,zh均为大于零的常数,zl代表权重系数z 的下限,zh代表权重系数z的上限,在实际应用中,根据经验,λ=1,zl=0.5,zh= 2。
再次,将突触连接权重系数z乘以初始连接权重w0,得到t1时刻的连接权重w1=z×w0。
最后,重复本发明的第一个步骤、第二个步骤、第三个步骤、第四个步骤和第五个步骤,计算整个模拟时间内神经元之间的突触连接权重变化。
本发明的有益效果是大大提高了大脑模拟中突触可塑性的计算精度,并可以应用于构建类脑神经网络,完成类脑智能所需的学习和记忆过程的仿真,实现通用强人工智能,并应用于智能传媒、智能医疗、智能制造、智能教育和自动驾驶等方面。
附图说明
图1为突触后神经元树突和树突棘示意图
图2为权重变化方向Flag和突触态标签Tag的计算流程图
图3为PRP生成率和PRP浓度的计算流程图
图4为突触连接权重系数相关参数y和突触连接权重系数z的计算流程图
具体实施方式
下面将结合本发明中的附图和具体实施方式对本发明的技术方式进行详细描述。
在钙离子浓度的计算中:
首先,设定突触前神经元和突触后神经元的初始膜电位值以及突触前神经元和突触后神经元之间的初始连接权重w0。其中突触前神经元和突触后神经元的初始膜电位值为小于零的常数,在实际应用中,建议设置为-70mV,原因是这是神经元的静息态膜电位,突触前神经元和突触后神经元之间的初始连接权重w0是非负常数,在实际应用中,建议取值为1,原因是在初始时刻做归一化处理。
其次,采用脉冲神经元模型对突触前神经元和突触后神经元进行建模,其中脉冲神经元模型来自于神经科学领域文献,模型的输入为各离子通道的电导、各离子通道的反转电位、输入电流和膜电容,以上输入数据均来自于神经科学领域文献,模型的输出为膜电位值。
再次,根据突触前神经元的脉冲神经元模型,利用欧拉法或龙格库塔法等数值计算方法计算t1时刻突触前神经元的膜电位。
然后,根据突触动力学模型对突触连接进行建模,其中突触动力学模型来自于神经科学领域文献,模型的输入为t1时刻突触前神经元膜电位,t1时刻突触后神经元膜电位,突触动力学时间常数以及突触受体的反转电位,模型的输出为突触连接对突触后神经元产生的电流。
最后,根据突触动力学模型及突触后神经元的神经元模型,利用欧拉法或龙格库塔法等数值计算方法计算t1时刻突触后神经元的膜电位以及突触后神经元树突和树突棘中的钙离子浓度。图1为突触后神经元树突和树突棘示意图,突触后神经元树突中的钙离子源自位于细胞膜上的钙离子通道,突触后神经元树突棘中的钙离子源自位于树突棘上允许钙离子通过的突触受体。在t1时刻由钙离子通道进入神经元内的钙离子浓度[Ca2+]Ca-channel可以由包含该离子通道的离子通道型神经元模型计算得出,在t1时刻由树突棘上允许钙离子通过的突触受体进入神经元内的钙离子浓度[Ca2+]receptor可以由该受体的动力学模型计算得出。突触后神经元树突和树突棘中的钙离子可以相互扩散,记t1时刻树突棘和该树突棘所处的树突中的钙离子浓度分别为[Ca2+]s和[Ca2+]d。
在突触的权重变化方向Flag和突触态标签Tag的计算中:
首先,根据树突棘中的钙离子浓度[Ca2+]s和钙离子浓度阈值Ca0s及Ca1s对比得到t1时刻该树突棘所处的突触的权重变化方向Flag。其中Ca0s和Ca1s均为非负常数,且Ca1s>Ca0s,在实际应用中,根据经验,建议Ca0s=0.5mM, Ca1s=1mM。如果t1时刻树突棘中的钙离子浓度[Ca2+]s低于阈值Ca0s,则Flag 为0,该树突棘所处的突触不会发生连接权重变化;如果t1时刻树突棘中的钙离子浓度[Ca2+]s处于阈值Ca0s和阈值Ca1s之间,则Flag为-1,该树突棘所处的突触连接权重变化方向为减弱;如果t1时刻树突棘中的钙离子浓度[Ca2+]s高于阈值 Ca1s,则Flag为1,该树突棘所处的突触的连接权重变化方向为增加。
其次,根据树突棘所处突触权重变化方向及突触状态变化常数αT,βT,LTD和βT,LTP得到t1时刻该树突棘所处的突触状态标签Tag。如果Tag为0,则该树突棘所处的突触不会发生连接权重变化;如果Tag大于0,则该树突棘所处的突触进入连接权重可以增加的状态;如果Tag小于0,则该树突棘所处的突触进入连接权重可以减弱的状态。Tag的演化是一个与Flag有关的动力学过程。如果t1时刻 Flag为0,则其中αT是大于零的常数,在实际应用中,根据经验,建议αT=0.01,若Tag以t0时刻初始值为0开始演化,则Tag关于时间的导数为0,Tag不发生变化;如果t1时刻Flag为-1,则/> 其中βT,LTD是大于零的常数,在实际应用中,根据经验,建议βT,LTD=0.5,若Tag以t0时刻初始值为0开始演化,则Tag关于时间的导数为负,Tag降低,直至降到Tag关于时间的导数为0时,即/>时停止下降,并保持/>如果t1时刻Flag为1,则/> 其中βT,LTP是大于零的常数,,在实际应用中,根据经验,建议βT,LTP=0.5,若Tag以t0时刻初始值为0开始演化,则Tag关于时间的导数为正,Tag升高,直至升至Tag关于时间的导数为0时,即/>时停止上升,并保持/>
图2为权重变化方向Flag和突触态标签Tag的计算流程图。如果t1时刻树突棘中的钙离子浓度[Ca2+]s低于阈值Ca0s,则Flag为0,若Tag以t0时刻初始值为0开始演化,则Tag不发生变化,仍然为0;如果树突棘中的钙离子浓度 [Ca2+]s处于阈值Ca0s和阈值Ca1s之间,则Flag为-1,若Tag以t0时刻初始值为 0开始演化,则Tag降低,直至降到时停止下降,并保持/>如果树突棘中的钙离子浓度[Ca2+]s高于阈值Ca1s,贼Flag 为1,若Tag以t0时刻初始值为0开始演化,则Tag升高,直至升至/>时停止上升,并保持/>在该计算流程示例中,Ca0s=0.5mM, Ca1s=1mM,αT=0.01,βT,LTD=0.5,βT,LTP=0.5。
在PRP生成率和PRP的计算中:
根据树突中的钙离子浓度[Ca2+]d和钙离子浓度阈值Ca0d得到t1时刻树突中 PRP的浓度。PRP浓度的演化是与[Ca2+]d有关的动力学过程。其中Ca0d为非负常数,在实际应用中,根据经验,建议Ca0d=1mM。树突中的钙离子可以引发生成PRP的化学反应,单位时间内PRP的生成率记为PRPrate。图3为PRP生成率和PRP的计算流程图。如果t1时刻树突中的钙离子浓度[Ca2+]d低于阈值Ca0d,若PRPrate以t0时刻初始值为0开始演化,则PRPrate不发生变化,仍然为0,PRP 是PRPrate对时间的积分,因此,PRP的浓度为0;如果t1时刻树突中的钙离子浓度[Ca2+]d高于阈值Ca0d,若PRPrate以t0时刻初始值为0开始演化,则PRPrate上升,PRP是PRPrate对时间的积分,因此,PRP的浓度增加。在该计算流程示例中, Ca0d=1mM。
在突触连接权重系数相关参数y和突触连接权重系数z的计算中:
首先,计算突触连接权重系数相关参数y,y的演化是与Tag和PRP浓度有关的动力学过程,其中τy是大于零的常数,在实际应用中,根据经验,τy=1ms。由于PRP浓度是非负的,若Tag和PRP浓度中有一个为0,则 y对时间的导数为0,y不会发生变化;若Tag为负,PRP浓度为正,则y对时间的导数为负,y降低;若Tag为正,PRP浓度为正,则y对时间的导数为正,y 升高。
其次,计算突触连接权重系数z,z与y之间的关系满足其中λ,zl,zh均为大于零的常数,zl代表权重系数z 的下限,zh代表权重系数z的上限,在实际应用中,根据经验,λ=1,zl=0.5,zh= 2。图4为突触连接权重系数相关参数y和突触连接权重系数z的计算流程图。由于PRP浓度是非负的,若Tag和PRP浓度中有一个为0,则y不会发生变化;若Tag为负,PRP浓度为正,则y降低;若Tag为正,PRP浓度为正,则y升高。由y可以计算出z。在该计算流程示例中,τy=1ms,λ=1,zl=0.5,zh=2。
最后,将突触连接权重系数z乘以初始连接权重w0,得到t1时刻的连接权重w1=z×w0。
Claims (3)
1.一种基于钙浓度的神经突触可塑性计算方法,其特征在于,包括以下五个步骤:
1)钙离子浓度的计算:针对需要计算的突触,根据初始时刻t0的突触前神经元和突触后神经元的膜电位值,以及突触的初始连接权重w0,分别计算下一时刻t1的树突和树突棘中的钙离子浓度,其中w0是非负常数;
2)确定权重变化方向Flag:根据树突棘中的钙离子浓度,通过和钙离子浓度阈值Ca0s及Ca1s对比得到权重变化的方向,其中Ca0s和Ca1s均为非负常数,且
Ca1s>Ca0s,Ca0s=0.5mM,Ca1s=1mM;
3)计算突触状态标签Tag:根据权重变化方向及突触状态变化常数αT,βT,LTD和βT,LTP,计算突触状态标签,其中αT=0.01,βT,LTD=0.5,βT,LTP=0.5;
4)计算可塑性相关蛋白质PRP浓度:根据树突中的钙离子浓度计算可塑性相关蛋白质浓度;
5)计算突触权重的变化:根据突触状态标签Tag和可塑性相关蛋白质PRP浓度,计算突触权重的变化,得到t1时刻的新权重;
重复以上过程,计算模拟时间内的突触连接强度;
步骤3)具体为:
根据树突棘所处突触权重变化方向及突触状态变化常数αT,βT,LTD和βT,LTP得到t1时刻该树突棘所处的突触状态标签Tag;如果Tag为0,则该树突棘所处的突触不会发生连接权重变化;如果Tag大于0,则该树突棘所处的突触进入连接权重可以增加的状态;如果Tag小于0,则该树突棘所处的突触进入连接权重减弱的状态;Tag的演化是一个与Flag有关的动力学过程;
如果t1时刻Flag为0,则其中αT=0.01,若Tag以t0时刻初始值为0开始演化,则Tag关于时间的导数为0,Tag不发生变化;
如果t1时刻Flag为-1,则其中βT,LTD=0.5,若Tag以t0时刻初始值为0开始演化,则Tag关于时间的导数为负,Tag降低,直至降到Tag关于时间的导数为0时,即/>时停止下降,并保持/>
如果t1时刻Flag为1,则其中βT,LTP=0.5,若Tag以t0时刻初始值为0开始演化,则Tag关于时间的导数为正,Tag升高,直至升至Tag关于时间的导数为0时,即/>时停止上升,并保持/>
步骤4)具体为:
根据树突中的钙离子浓度[Ca2+]d和钙离子浓度阈值Ca0d得到t1时刻树突中PRP的浓度;PRP浓度的演化是与[Ca2+]d有关的动力学过程;其中Ca0d=1mM;树突中的钙离子可以引发生成PRP的化学反应,单位时间内PRP的生成率记为PRPrate;如果t1时刻树突中的钙离子浓度[Ca2+]d低于阈值Cα0d,则PRPrate为0或衰减为0,PRP不发生变化;如果t1时刻树突中的钙离子浓度[Ca2+]d高于阈值Ca0d,则PRPrate按alpha函数的形式变化,PRP作为PRPrate对时间的积分,先增加,后持平;
步骤5)具体为:
首先,计算突触连接权重系数相关参数y,y的演化是与Tag和PRP浓度有关的动力学过程,其中τy=1ms;由于PRP浓度是非负的,若Tag和PRP浓度中有一个为0,则y对时间的导数为0,y不会发生变化;若Tag为负,PRP浓度为正,则y对时间的导数为负,y降低;若Tag为正,PRP浓度为正,则y对时间的导数为正,y升高;
其次,计算突触连接权重系数z,z与y之间的关系满足其中zl代表权重系数z的下限,zh代表权重系数z的上限,λ=1,z1=0.5,zh=2;
再次,将突触连接权重系数z乘以初始连接权重w0,得到t1时刻的连接权重w1=z×w0;最后,重复步骤1)、步骤2)、步骤3)、步骤4)和步骤5),计算整个模拟时间内神经元之间的突触连接权重变化。
2.根据权利要求1所述的计算方法,其特征在于,步骤1)具体为:首先,设定突触前神经元和突触后神经元的初始膜电位值以及突触前神经元和突触后神经元之间的初始连接权重w0;其中突触前神经元和突触后神经元的初始膜电位值设置为-70mV,突触前神经元和突触后神经元之间的初始连接权重w0取值为1;
其次,采用脉冲神经元模型对突触前神经元和突触后神经元进行建模,输出为膜电位值;
再次,根据突触前神经元的脉冲神经元模型,计算t1时刻突触前神经元的膜电位;
然后,根据突触动力学模型对突触连接进行建模,模型的输入为t1时刻突触前神经元膜电位,t1时刻突触后神经元膜电位,突触动力学时间常数以及突触受体的反转电位,模型的输出为突触连接对突触后神经元产生的电流;
最后,根据突触动力学模型及突触后神经元的神经元模型,计算t1时刻突触后神经元的膜电位以及突触后神经元树突和树突棘中的钙离子浓度;突触后神经元树突中的钙离子源自位于细胞膜上的钙离子通道,突触后神经元树突棘中的钙离子源自位于树突棘上允许钙离子通过的突触受体;在t1时刻由钙离子通道进入神经元内的钙离子浓度[Ca2+]Ca-channel由包含该离子通道的脉冲神经元模型计算得出,在t1时刻由树突棘上允许钙离子通过的突触受体进入神经元内的钙离子浓度[Ca2+]receptor由该突触的动力学模型计算得出;记t1时刻树突棘和该树突棘所处的树突中的钙离子浓度分别为[Ca2+]s和[Ca2+]d。
3.根据权利要求1所述的计算方法,其特征在于,步骤2)具体为:
根据树突棘中的钙离子浓度[Ca2+]s和钙离子浓度阈值Ca0s及Ca1s对比得到t1时刻该树突棘所处的突触的权重变化方向Flag;Ca0s=0.5mM,Ca1s=1mM;如果t1时刻树突棘中的钙离子浓度[Ca2+]s低于阈值Ca0s,则Flag为0,该树突棘所处的突触不会发生连接权重变化;如果t1时刻树突棘中的钙离子浓度[Ca2+]s处于阈值Ca0s和阈值Ca1s之间,则Flag为-1,该树突棘所处的突触连接权重变化方向为减弱;如果t1时刻树突棘中的钙离子浓度[Ca2+]s高于阈值Ca1s,则Flag为1,该树突棘所处的突触的连接权重变化方向为增加。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811083069.XA CN109325596B (zh) | 2018-09-17 | 2018-09-17 | 一种基于钙浓度的神经突触可塑性计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811083069.XA CN109325596B (zh) | 2018-09-17 | 2018-09-17 | 一种基于钙浓度的神经突触可塑性计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325596A CN109325596A (zh) | 2019-02-12 |
CN109325596B true CN109325596B (zh) | 2024-03-26 |
Family
ID=65265999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811083069.XA Active CN109325596B (zh) | 2018-09-17 | 2018-09-17 | 一种基于钙浓度的神经突触可塑性计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325596B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472733B (zh) * | 2019-07-22 | 2023-05-02 | 天津大学 | 一种基于神经形态学的在体神经元建模方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663428A (zh) * | 2012-03-29 | 2012-09-12 | 中国科学院上海光学精密机械研究所 | 神经网络模式识别系统和模式识别方法 |
CN103078054A (zh) * | 2013-01-04 | 2013-05-01 | 华中科技大学 | 一种模拟生物神经元和神经突触的单元、装置及方法 |
TW201533668A (zh) * | 2014-02-06 | 2015-09-01 | Qualcomm Inc | 基於突觸前尖峰的短期突觸記憶 |
CN105894086A (zh) * | 2014-12-23 | 2016-08-24 | 中国传媒大学 | 一种大规模大脑模拟中神经元链接的表示方法 |
CN106447032A (zh) * | 2016-09-09 | 2017-02-22 | 中国传媒大学 | 大脑神经元动作电位序列的快速预测方法 |
CN107045649A (zh) * | 2014-07-21 | 2017-08-15 | 徐志强 | 具有短期记忆和长期记忆的模拟神经网络 |
WO2017160864A1 (en) * | 2016-03-14 | 2017-09-21 | Board Of Regents, The University Of Texas System | Hydralazine and active derivatives thereof for neuronal cell survival and regeneration |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120129835A1 (en) * | 2010-11-16 | 2012-05-24 | Salk Institute For Biological Studies | Schizophrenia methods and compositions |
-
2018
- 2018-09-17 CN CN201811083069.XA patent/CN109325596B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663428A (zh) * | 2012-03-29 | 2012-09-12 | 中国科学院上海光学精密机械研究所 | 神经网络模式识别系统和模式识别方法 |
CN103078054A (zh) * | 2013-01-04 | 2013-05-01 | 华中科技大学 | 一种模拟生物神经元和神经突触的单元、装置及方法 |
TW201533668A (zh) * | 2014-02-06 | 2015-09-01 | Qualcomm Inc | 基於突觸前尖峰的短期突觸記憶 |
CN107045649A (zh) * | 2014-07-21 | 2017-08-15 | 徐志强 | 具有短期记忆和长期记忆的模拟神经网络 |
CN105894086A (zh) * | 2014-12-23 | 2016-08-24 | 中国传媒大学 | 一种大规模大脑模拟中神经元链接的表示方法 |
WO2017160864A1 (en) * | 2016-03-14 | 2017-09-21 | Board Of Regents, The University Of Texas System | Hydralazine and active derivatives thereof for neuronal cell survival and regeneration |
CN106447032A (zh) * | 2016-09-09 | 2017-02-22 | 中国传媒大学 | 大脑神经元动作电位序列的快速预测方法 |
Non-Patent Citations (5)
Title |
---|
Calcium-based plasticity model explains sensitivity of synaptic changes to spike pattern, rate, and dendritic location;Michael Graupner 等;《PNAS》;第109卷(第10期);3991–3996 * |
Predicting spikes with artificial neural network;Lihong CAO 等;《Science China Information Sciences》;第61卷;060428:1–060428:3 * |
基于忆阻器模拟的突触可塑性的研究进展;张晨曦 等;《中国科学:信息科学》(第02期);5-32 * |
基于新型神经元模型上的突触可塑性建模;尤志宁 等;《厦门大学学报( 自然科学版)》;第44卷;225-228 * |
学习和记忆的突触模型:长时程突触可塑性;徐春 等;《自然杂志》;第31卷(第03期);136-141 * |
Also Published As
Publication number | Publication date |
---|---|
CN109325596A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9542644B2 (en) | Methods and apparatus for modulating the training of a neural device | |
KR101700145B1 (ko) | 뉴럴 역학을 수정하기 위한 자동화 방법 | |
US20160260012A1 (en) | Short-term synaptic memory based on a presynaptic spike | |
CN112101535B (zh) | 脉冲神经元的信号处理方法及相关装置 | |
DE102012009502A1 (de) | Verfahren zum Trainieren eines künstlichen neuronalen Netzes | |
US9672464B2 (en) | Method and apparatus for efficient implementation of common neuron models | |
TWI550530B (zh) | 用於產生尖峰定時依賴可塑性曲線的緊湊表示的方法、設備、電腦可讀取媒體及電腦程式產品 | |
US20150278685A1 (en) | Probabilistic representation of large sequences using spiking neural network | |
WO2015148044A1 (en) | Conversion of neuron types to hardware | |
JP2017507397A (ja) | 自動エラー訂正のための同時レイテンシおよびレートコーディング | |
CN109325596B (zh) | 一种基于钙浓度的神经突触可塑性计算方法 | |
US9536190B2 (en) | Dynamically assigning and examining synaptic delay | |
CN107798384B (zh) | 一种基于可进化脉冲神经网络的鸢尾花卉分类方法和装置 | |
US9269045B2 (en) | Auditory source separation in a spiking neural network | |
Foderaro et al. | Indirect training of a spiking neural network for flight control via spike-timing-dependent synaptic plasticity | |
US20140365413A1 (en) | Efficient implementation of neural population diversity in neural system | |
Bakhshiev et al. | Application the spiking neuron model with structural adaptation to describe neuromorphic systems | |
Pfister et al. | Know thy neighbour: A normative theory of synaptic depression | |
Ferrari et al. | Biologically realizable reward-modulated hebbian training for spiking neural networks | |
Nilsson | Monte carlo optimization of neuromorphic cricket auditory feature detection circuits in the dynap-se processor | |
Li et al. | The Effects of Biological Constraints on the Performance of Spiking Neural Networks | |
CN116227588A (zh) | 基于虚拟突触思想的大规模视觉皮层神经网络仿真方法 | |
CN115879518A (zh) | 一种基于ai芯片的任务处理方法和装置 | |
Aulova et al. | Solving Inverse Problems in Viscoelasticity by Using Neural Network | |
Lehfeldt et al. | Spike-based statistical learning explains human performance in non-adjacent dependency learning tasks |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |