CN110931123B - 一种矩阵型脑网络及其构建方法 - Google Patents
一种矩阵型脑网络及其构建方法 Download PDFInfo
- Publication number
- CN110931123B CN110931123B CN201911243825.5A CN201911243825A CN110931123B CN 110931123 B CN110931123 B CN 110931123B CN 201911243825 A CN201911243825 A CN 201911243825A CN 110931123 B CN110931123 B CN 110931123B
- Authority
- CN
- China
- Prior art keywords
- network
- brain
- matrix
- branch
- neuron group
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 164
- 239000011159 matrix material Substances 0.000 title claims abstract description 73
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims abstract description 95
- 230000005284 excitation Effects 0.000 claims abstract description 31
- 230000005764 inhibitory process Effects 0.000 claims abstract description 26
- 210000003061 neural cell Anatomy 0.000 claims abstract description 18
- 210000004027 cell Anatomy 0.000 claims abstract description 14
- 210000002763 pyramidal cell Anatomy 0.000 claims abstract description 8
- 230000008878 coupling Effects 0.000 claims description 32
- 238000010168 coupling process Methods 0.000 claims description 32
- 238000005859 coupling reaction Methods 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 21
- 210000003710 cerebral cortex Anatomy 0.000 claims description 17
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 210000001103 thalamus Anatomy 0.000 claims description 7
- 230000002401 inhibitory effect Effects 0.000 abstract description 5
- 230000004936 stimulating effect Effects 0.000 abstract description 4
- 230000008035 nerve activity Effects 0.000 abstract description 2
- 206010002091 Anaesthesia Diseases 0.000 description 13
- 230000037005 anaesthesia Effects 0.000 description 13
- 210000001519 tissue Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 210000005013 brain tissue Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 208000003443 Unconsciousness Diseases 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000004761 scalp Anatomy 0.000 description 4
- 239000012530 fluid Substances 0.000 description 3
- 238000002695 general anesthesia Methods 0.000 description 3
- 210000003128 head Anatomy 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010021118 Hypotonia Diseases 0.000 description 1
- 208000032358 Intraoperative Awareness Diseases 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000002247 constant time method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 210000001652 frontal lobe Anatomy 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 210000003016 hypothalamus Anatomy 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000001646 magnetic resonance method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036640 muscle relaxation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000004129 prosencephalon Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
Abstract
本发明公开了一种矩阵型脑网络及其构建方法,所述矩阵型脑网络包括若干神经元群模块;所述神经元群模块包括激励神经细胞网络、锥体细胞网络以及抑制神经细胞网络;所述激励神经细胞网络以及抑制神经细胞网络输出信号均输出至锥体细胞网络。本发明建立若干神经元群模块,在根据若干神经元群模块构建矩阵型脑网络,这样通过矩阵型脑网络可以预测不同的脑神经活动状态下的脑电信号,从而生成了模拟脑电信号。
Description
技术领域
本发明涉及医学技术领域,特别涉及一种矩阵型脑网络及其构建方法。
背景技术
在进行重大手术前,需要对患者进行全身麻醉(俗称全麻),而全麻具有极高风险,例如,麻醉过深会引起麻醉并发症,甚至危及患者生命;麻醉过浅易发生“术中知晓”,产生痛苦和恐惧及精神后遗症;因此如何精确地估算麻醉深度,使得医生可以根据麻醉深度确定麻醉用量,以提高麻醉安全性。
目前基于脑电信号展开的麻醉深度监测的方法主要包括双频指数、听觉诱发电位指数、脑功能状态指数,熵指数,复杂度和小波分析法等。例如,美国Aspect公司(now partof Covidien)主推出的BIS监护仪,其实采用双谱分析方便,并通过0-100的指数来反映麻醉意识深度。然而,上述方法中普遍采用的是患者的真实脑电信号,而真实脑电信号在采集过程中会存在干扰信号等,造成真实脑电信号异常。此时,医生需要根据血压、心率、呼吸频率、肌松程度等间接指标来判断病人的麻醉状态,这需要依赖医生的业务水平,并且不同医生的判断结果也会存在不同。那么,如何在麻醉前可以根据患者信息生成模拟脑电信号,通过生成的模拟脑电信号对真实脑电信号进行验证,从而人们关注的焦点。而在生成模拟脑电信号过程,如何构建脑网络模型成为重中之重。
发明内容
鉴于现有技术的不足,本发明旨在提供一种矩阵型脑网络及其构建方法。
本发明所采用的技术方案如下:
一种矩阵型脑网络,所述矩阵型脑网络包括若干神经元群模块;所述神经元群模块包括激励神经细胞网络、锥体细胞网络以及抑制神经细胞网络;所述激励神经细胞网络以及抑制神经细胞网络输出信号均输出至锥体细胞网络。
所述矩阵型脑网络,其中,所述锥体细胞网络的输出信号部分输入至与该神经元群模块耦合的神经元群模块,部分反馈至该神经元群模块的激励神经细胞网络,部分反馈至该神经元群模块的抑制神经细胞网络。
所述矩阵型脑网络,其中,所述若干神经元群模块中每个神经元群模块对应一脑皮区域,并且各神经元模块对应的脑皮区域构成脑皮层。
所述矩阵型脑网络,其中,所述若干神经元群模块根据各神经网络模型之间的耦合强度建立连接。
所述矩阵型脑网络,其中,所述激励神经细胞网络包括第一脉冲支路以及第一反馈支路,第一脉冲支路的电压信号与第一反馈支路的电压信号相加后,通过电压-脉冲编码器将相加后的电压信号转换为脉冲信号后传输至锥体细胞网络。
所述矩阵型脑网络,其中,所述抑制神经细胞网络包括第二脉冲支路以及第二反馈支路,第二脉冲支路的电压信号与第二反馈支路的电压信号相加后,通过电压-脉冲编码器将相加后的电压信号转换为脉冲信号后传输至锥体细胞网络。
所述矩阵型脑网络,其中,所述锥体细胞网络包括局部激励支路、局部抑制支路以及外部激励支路,局部激励支路接收激励神经细胞网络传输的脉冲信号,局部抑制支路接收抑制神经网络传输的脉冲信号,外部激励支路接收输入脉冲,并且所述局部激励支路的、局部抑制支路以及外部激励支路汇合。
一种矩阵型脑网络的构建方法,所述构建方法用于构建如上任一所述的矩阵型脑网络,所述构建方法包括:
建立若干神经元群模块,并确定各神经元群模块之间的耦合强度;
根据获取到耦合强度在若干神经元群模块之间建立连接,以生成所述矩阵型脑网络。
所述矩阵型脑网络的构建方法,其中,所述根据确定各神经元群模块之间的耦合强度具体包括:
获取用户的脑部数据,并根据所述脑部数据生成结构型脑网络;
获取该结构型脑网络中神经网络节点的耦合强度系数,以得到各神经元群模块之间的耦合强度。
所述矩阵型脑网络的构建方法,其中,所述根据获取到耦合强度在若干神经元群模块之间建立连接,以生成所述矩阵型脑网络具体包括:
根据获取到的耦合强度系数形成矩阵序列;
根据所述矩阵序列在若干神经元群模块之间建立连接,以得到矩阵型脑网络。
有益效果:与现有技术相比,本发明提供了一种矩阵型脑网络及其构建方法,所述矩阵型脑网络包括若干神经元群模块;所述神经元群模块包括激励神经细胞网络、锥体细胞网络以及抑制神经细胞网络;所述激励神经细胞网络以及抑制神经细胞网络输出信号均输出至锥体细胞网络。本发明建立若干神经元群模块,在根据若干神经元群模块构建矩阵型脑网络,这样通过矩阵型脑网络可以预测不同的脑神经活动状态下的脑电信号,从而生成了模拟脑电信号。
附图说明
图1为本发明提供的矩阵型脑网络中神经元群模块的示意图。
图2为本发明提供的矩阵型脑网络构建方法中人脑模型的一个角度的示意图。
图3为本发明提供的生成脑电信号的方法中人脑模型的另一个角度的示意图。
图4为本发明提供的矩阵型脑网络中脑网络连通图的一个角度的示意图。
图5为本发明提供的矩阵型脑网络中脑网络连通图的另一个角度的示意图。
图6为本发明提供的矩阵型脑网络构建方法的流程图。
具体实施方式
本发明提供一种矩阵型脑网络及其构建方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面结合附图,通过对实施例的描述,对发明内容作进一步说明。
本实施提供了一种矩阵型脑网络,如图1所示,所述矩阵型脑网络包括若干神经元群模块;所述神经元群模块包括激励神经细胞网络、锥体细胞网络以及抑制神经细胞网络;所述激励神经细胞网络以及抑制神经细胞网络输出信号均输出至锥体细胞网络。其中,每个神经元群模块表示一脑皮层区域,所述矩阵脑网络包括多个神经元群模块,并且各神经元群模块对应的脑皮层区域构成脑皮层,即脑皮层可以划分为多个脑皮层区域,每个脑皮层对于一个神经元群模块,并且该神经元群模块包含于形成所述矩阵型脑网络的多个神经元群模块中。
此外,所述多个脑皮层区域中的每个脑皮层区域负责不同的功能,例如,枕叶区负责视觉功能;顶叶区负责触觉和空间;颞叶区负责听觉和综合感知;额叶运动皮层负责协调肢体运动;前额皮层区负责理解、记忆和判断等。由此,当矩阵型脑网络包括的多神经元群模块数量越多,矩阵型脑网络更加准确。然而。虽然越多的矩阵型脑网络模拟出来的脑电信号越接近真实脑电信号,但会带来系统效率低下。从而,在本实施例的一个可能实现方式中,如图4-5所示,所述矩阵型脑网络具有76个神经元群模块,即将左右脑皮层共划分为76个区域,这样通过76个神经元群模块可以使得矩阵型脑网络具有良好的效果,同时通过76神经元群模块可以在保证模拟的脑电信号有效的前提下,可以将系统运行性能与结果复杂度进行平衡。
进一步,由于脑电信号EEG是大量神经元活动的反映,特别是在麻醉过程中,脑电信号EEG变化具有很强的非线性特征。其中,麻醉过程中脑电信号EEG是根据丘脑和脑皮层间的大量神经元会产生振荡耦合形成,并且且随着麻醉深度的变化,耦合强度会有明显不同,以使得脑电信号EEG变化具有很强的非线性特征,此外,在丘脑和脑皮层间的振荡耦合过程中,丘脑的功能很像是一个知觉“开关”或整体脑活动的显示器,并且丘脑和脑皮层神经网络的规则性活动是麻醉和知觉的关键。例如,在开始进入睡眠状态和维持睡眠的过程中,有一个正向的抑制过程,该抑制过程是由前脑底部和丘脑下部经由GaBa+离子传递到觉醒核心,同时觉醒核心同时向失觉核心发出以反馈过程,这说明当觉醒核心受到抑制时,该反馈正过程加强了失觉核心的神经活动,从而引发一个类似于单稳触发电路一样的有知觉和无知觉状态,并且人脑始终处于一个有知觉或无知觉的状态。由此,为了所述矩阵型脑网络可以生成脑电信号,在确定若干神经元群模块后,所述若干神经元群模需要构建一个分部平滑的过程模型,并且各神经元群模块可以按照各神经元群模块之间的耦合强度建立矩阵型脑网络,同时所述矩阵型脑网络可以把微观的脑细胞活动,同介观的脑皮层区活动和宏观的脑电图信号号结合起来,这样通过所述矩阵型脑网络可以模拟脑电信号。
进一步,在本实施例的一个实现方式中,所述神经元群模块为JANSEN-RIT(J-R)模块,所述JANSEN-RIT模块包括激励神经细胞网络、锥体细胞网络以及抑制神经细胞网络;所述激励神经细胞网络的激励信号、抑制神经细胞网络的抑制信号、以及锥体细胞网络的外部激励信号形成脑电波,并将所述脑电信号输出至外部的神经元群模块。如图1所示,所述激励神经细胞网络、锥体细胞网络以及抑制神经细胞网络均可以表示为神经环路。所述激励神经细胞网络包括第一脉冲支路以及第一反馈支路,第一脉冲支路的电压信号与第一反馈支路的电压信号相加后,通过电压-脉冲编码器将相加后的电压信号转换为脉冲信号后传输至锥体细胞网络;所述抑制神经细胞网络包括第二脉冲支路以及第二反馈支路,第二脉冲支路的电压信号与第二反馈支路的电压信号相加后,通过电压-脉冲编码器将相加后的电压信号转换为脉冲信号后传输至锥体细胞网络;锥体细胞网络包括局部激励支路、局部抑制支路以及外部激励支路,局部激励支路接收激励神经细胞网络传输的脉冲信号,局部抑制支路接收抑制神经网络传输的脉冲信号,外部激励支路接收输入脉冲,并且所述局部激励支路的、局部抑制支路以及外部激励支路汇合后形成脑电波信号,所述脑电波信号通过电压-脉冲编码器后输出至其他神经元群模块,通过分别反馈至该JANSEN-RIT模块的激励神经细胞网络以及抑制神经细胞网络。此外,如图1所示,在所述Si,i=1,2,3为电压-脉冲编码器,用于将细胞内的电压信号转换成轴突丘上的脉冲信号;以及/>均为是脉冲-电压译码器,用于把收到的脉冲信号进行加权卷积后转换成突触后的电压,其中,1T、2T以及3T均为外部输出信号的神经元群模块的编号;/>为加法器,用于把突触后的树突电压进行整合转换成细胞内的电压信号;C1T,C13,C2T,C23,C31,C32以及C3T均为神经网络群之间平均突触数;m1T(t),m1(t),m2T(t),m2(t),m3(t)以及m3T(t)均为脉冲信号,v1T(t),v13(t),v1(t),v2T(t),v23(t),v2(t),v3T(t),v31(t),v32(t)以及v3(t)均为电压信号,其中,v3(t)为可被检测到的脑电信号。
基于上述矩阵型脑网络,本实施例还提供了一种矩阵型脑网络的构建方法,如图6所示,所述方法包括:
S10、建立若干神经元群模块,并确定各神经元群模块之间的耦合强度;
S20、根据获取到耦合强度在若干神经元群模块之间建立连接,以生成所述矩阵型脑网络。
具体地,所述神经元群模块为上述实施例所述的神经元群模块,其结构这里就不再一一说明,具体可以参数上述说明。所述耦合强度指的是根据用户脑部数据生成的结构型脑网络中神经网络节点的耦合强度系数。由此,所述根据确定各神经元群模块之间的耦合强度具体包括:
获取用户的脑部数据,并根据所述脑部数据生成结构型脑网络;
获取该结构型脑网络中神经网络节点的耦合强度系数,以得到各神经元群模块之间的耦合强度。
具体地,所述脑部数据为根据解剖学获取得到,根据所述脑部数据可以建议一个结构脑网络,例如,所述结构脑网络包括76个区域。在建立所述结构脑网络后,对于结构脑网络的每个区域,获取该区域中各神经网络节点之间的耦合强度系数。此外,所述脑部数据包括脑皮层区域和各脑皮层区域的关联性,其中,各脑皮层区域的关联强度可以用0,1和-1表示,也可以是归一化后从-1到+1的任何值,而各种脑活动则可以用一组描述大规模脑神经网络的动态时域方程表示,这些方程可以根据研究的目的进行选择,例如,我们可以选择如下的方程组对常规的脑电信号进行模拟:
代表节点i在时间t时基于局部动态函数f(xi(t))的平均电场,wij是连接节点i和j的各向同质电导矩阵,g是全局耦合函数,(t-Δtij)代表时间延迟。此外,上述动态时域方程中的参数可以由已知生理参数值,包括不限于模型中各种脑组织的导电率等来确定。
进一步,在本实施例的一个实现方式中,所述根据获取到耦合强度在若干神经元群模块之间建立连接,以生成所述矩阵型脑网络具体包括:
根据获取到的耦合强度系数形成矩阵序列;
根据所述矩阵序列在若干神经元群模块之间建立连接,以得到矩阵型脑网络。
具体地,在获取到所有耦合强度系数后,根耦合强度系数来确定各区域的矩阵,这样结构型脑网络的动态演变就会产生一系列脑网络矩阵,而在不同时间点,根据结构脑网络确定的耦合强度系数就可以将若干神经元群模块连接,以形成一个矩阵型脑网络,而根据该矩形脑网络可以生成脑脑电信号。
进一步,在确定矩阵型脑网络后,可以根据预设联通参数驱动所述矩阵型脑网络产生脑电信号,其中,所述预设联通参数用于控制所述矩阵型脑网络中各神经元群模块状态。
具体地,所述预设联通参数用于表示各J-R模块的连通状态,其中,所述联通参数包括未联通、弱联通、正常联通以及强联通,例如,分别采用0,1,2,和3表示。此外,所述J-R模块是由如图1所示的三个神经网络环路组成,并且能够根据预设参数而产生脑电波,其中,所述预设参数可以为脑组织导电系数等,所述脑组织导电系数可以包括头皮,头盖骨,脑组织液,白色组织,灰色组织以及血管等。
进一步,每一个神经网路环路都是用其关键状态变量来表示,例如,平均膜电位,平均激活率和它们之间的相互转换(脉冲-波电位及波电位-脉冲)等,这样可以根据震荡频率和锥体的平均PSP基准线确定各J-R模块的连通状态,即根据预先选定用于控制状态转移的联通参数,可以使得各个脑皮区之间的相互作用将会产生诸如多稳、同步以及直至协同等状态,从而产生相应的脑电波信号。
进一步,在本实施例的一个实现方式中,所述根据预设联通参数驱动所述矩阵型脑网络产生脑电信号具体包括:
获取丘脑以及脑皮层的神经活动;
根据所述连通参数驱动所述矩阵型脑网络,通过所述矩阵型脑网络确定所述神经活动对应的电位信息,并根据所述电位信息得到脑电信号。
具体地,所述丘脑以及脑皮层的神经活动为已知的,可以通过CT或者磁共振等途径获取到,在获取到丘脑和脑皮层的神经活动后,根据丘脑和脑皮层的神经活动确定各神经元群模块的连通参数,并通过所述连通参数驱动所述矩阵型脑网络,以使得所述通过所述矩阵型脑网络确定所述神经活动对应的电位信息,并根据所述电位信息得到脑电信号。
进一步,在本实施例的一个实现方式中,所述通过所述矩阵型脑网络确定所述神经活动对应的电位信息,并根据所述电位信息得到脑电信号;
对丘脑以及脑皮层对应的脑部图像进行识别以区分脑部组分,并将各脑部组分与其对应的电质参数相结合,以得到人脑模型;
根据所述人脑模型确定脑部头皮的各电极点单元的电位,并根据确定到的所有电位生成所述脑电信号。
具体地,所述脑部图像可以是通过核磁共振获取到,并且所述脑部图像包括多张连续核磁共振图像,以便于可以获取到脑部各部位的图像。在获取到脑部图像后,对所述脑部图像进行识别以确定脑部组分,其中,所述脑部组分包括盖骨,脑液,脑灰色物质,脑白色物质等几十种人头组织。在识别到脑部组分后,可以将脑部组分与已知电质参数,例如,头皮,头盖骨,脑组织液,白色组织,灰色组织以及血管等,相结合而建立以数字人头模型,即得到人脑模型,如图2和3所示。此外,在建立人脑模型后,将该数字化的人脑模型抽象成几百万个小的单元,每一个单元代表人脑的不同部位和组织,并被赋予相应的电质参数,这样每一个单元不仅可以代表不同的人头组织,也可以代表同样组织的不同电质参数,之后确定数字化的人脑模型中各个小单元的点位,然后从中找出头皮上对应电极点的单元的点位,以得到脑电信号。
基于上述生成脑电信号的方法,本实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述实施例所述的生成脑电信号的方法中的步骤。
基于上述生成脑电信号的方法,本发明还提供了一种电子设备,如图所示,其包括至少一个处理器(processor);显示屏;以及存储器(memory),还可以包括通信接口(Communications Interface)和总线。其中,处理器、显示屏、存储器和通信接口可以通过总线完成相互间的通信。显示屏设置为显示初始设置模式中预设的用户引导界面。通信接口可以传输信息。处理器可以调用存储器中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器通过运行存储在存储器中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及移动终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是: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 (1)
1.一种矩阵型脑网络的构建方法,其特征在于,所述构建方法用于构建矩阵型脑网络,所述矩阵型脑网络包括76个神经元群模块;每个神经元群模块包括激励神经细胞网络、锥体细胞网络以及抑制神经细胞网络;
将左右脑皮层共划分为76个脑皮层区域,每个神经元群模块表示一个脑皮层区域,并且各神经元群模块对应的脑皮层区域构成脑皮层;
所述锥体细胞网络的输出信号部分输入至与该神经元群模块耦合的神经元群模块,部分反馈至该神经元群模块的激励神经细胞网络,部分反馈至该神经元群模块的抑制神经细胞网络;
所述76个神经元群模块根据各神经元群模块之间的耦合强度建立连接;
所述激励神经细胞网络包括第一脉冲支路以及第一反馈支路,第一脉冲支路的电压信号与第一反馈支路的电压信号相加后,通过电压-脉冲编码器将相加后的电压信号转换为脉冲信号后传输至锥体细胞网络;
所述抑制神经细胞网络包括第二脉冲支路以及第二反馈支路,第二脉冲支路的电压信号与第二反馈支路的电压信号相加后,通过电压-脉冲编码器将相加后的电压信号转换为脉冲信号后传输至锥体细胞网络;
所述锥体细胞网络包括局部激励支路、局部抑制支路以及外部激励支路,局部激励支路接收激励神经细胞网络传输的脉冲信号,局部抑制支路接收抑制神经细胞网络传输的脉冲信号,外部激励支路接收输入脉冲,并且所述局部激励支路、局部抑制支路以及外部激励支路汇合后形成脑电信号;
所述构建方法包括:
建立76个神经元群模块,并确定各神经元群模块之间的耦合强度;
根据获取到的耦合强度在76个神经元群模块之间建立连接,以生成所述矩阵型脑网络;
确定各神经元群模块之间的耦合强度具体包括:
获取用户的脑部数据,并根据所述脑部数据生成结构型脑网络,其中,脑部数据包括脑皮层区域和各脑皮层区域的关联强度;
获取该结构型脑网络中神经网络节点的耦合强度系数,以得到各神经元群模块之间的耦合强度;
根据获取到的耦合强度在76个神经元群模块之间建立连接,以生成所述矩阵型脑网络具体包括:
根据获取到的耦合强度系数形成矩阵序列;
根据所述矩阵序列在76个神经元群模块之间建立连接,以得到矩阵型脑网络;
在生成矩阵型脑网络后,根据预设联通参数驱动所述矩阵型脑网络产生脑电信号,其中,所述预设联通参数表示各神经元群模块的联通状态;所述预设联通参数包括:未联通、弱联通、正常联通以及强联通;
根据预设联通参数驱动所述矩阵型脑网络产生脑电信号具体包括:获取丘脑以及脑皮层的神经活动,根据所述预设联通参数驱动所述矩阵型脑网络,通过所述矩阵型脑网络确定所述神经活动对应的电位信息,并根据所述电位信息产生脑电信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243825.5A CN110931123B (zh) | 2019-12-06 | 2019-12-06 | 一种矩阵型脑网络及其构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243825.5A CN110931123B (zh) | 2019-12-06 | 2019-12-06 | 一种矩阵型脑网络及其构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110931123A CN110931123A (zh) | 2020-03-27 |
CN110931123B true CN110931123B (zh) | 2024-01-05 |
Family
ID=69857531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911243825.5A Active CN110931123B (zh) | 2019-12-06 | 2019-12-06 | 一种矩阵型脑网络及其构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110931123B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023108418A1 (zh) * | 2021-12-14 | 2023-06-22 | 深圳先进技术研究院 | 脑图谱构建及神经环路检测的方法和相关产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899640A (zh) * | 2014-07-21 | 2015-09-09 | 徐志强 | 神经网络的模拟装置及方法 |
EP3235427A1 (en) * | 2016-04-21 | 2017-10-25 | CodeBox Computerdienste GmbH | Method and system for estimating a location of an epileptogenic zone of a mammalian brain |
CN107981997A (zh) * | 2017-11-23 | 2018-05-04 | 郑州布恩科技有限公司 | 一种基于人脑运动意图的智能轮椅控制方法及系统 |
CN110263924A (zh) * | 2019-06-19 | 2019-09-20 | 北京计算机技术及应用研究所 | 一种神经元群模型的参数和状态估计方法 |
CN110428043A (zh) * | 2019-07-11 | 2019-11-08 | 燕山大学 | 基于粒子群算法的神经元群模型参数自适应优化方法 |
-
2019
- 2019-12-06 CN CN201911243825.5A patent/CN110931123B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899640A (zh) * | 2014-07-21 | 2015-09-09 | 徐志强 | 神经网络的模拟装置及方法 |
EP3235427A1 (en) * | 2016-04-21 | 2017-10-25 | CodeBox Computerdienste GmbH | Method and system for estimating a location of an epileptogenic zone of a mammalian brain |
CN107981997A (zh) * | 2017-11-23 | 2018-05-04 | 郑州布恩科技有限公司 | 一种基于人脑运动意图的智能轮椅控制方法及系统 |
CN110263924A (zh) * | 2019-06-19 | 2019-09-20 | 北京计算机技术及应用研究所 | 一种神经元群模型的参数和状态估计方法 |
CN110428043A (zh) * | 2019-07-11 | 2019-11-08 | 燕山大学 | 基于粒子群算法的神经元群模型参数自适应优化方法 |
Non-Patent Citations (5)
Title |
---|
"Electroencephalogram and visual evoked potential generation in a mathematical model of coupled cortical columns";Ben H. Jansen et al.;《Biological Cybernetics》;第357-366页 * |
"Mathematical framework for large-scale brain network modeling in The Virtual Brain";PaulaSanz-Leon等;《NeuroImage》;第385-430页 * |
"耦合时延与耦合强度的相互作用对脑功能连接的影响规律";段洁;《中国优秀硕士学位论文全文数据库 基础科学辑》;第1-50页 * |
Ben H. Jansen et al..Electroencephalogram and visual evoked potential generation in a mathematical model of coupled cortical columns.1995,第第73卷卷第357-366页. * |
段洁.耦合时延与耦合强度的相互作用对脑功能连接的影响规律.2019,第1-50页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110931123A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110840411B (zh) | 一种麻醉深度的测量装置、存储介质及电子设备 | |
WO2021109600A1 (zh) | 一种生成脑电信号的方法、存储介质及电子设备 | |
JP2023521187A (ja) | 脳波に対する測定、分析、制御に基づく音響電気刺激ニューロモデュレーション方法および装置 | |
Miller et al. | Rapid online language mapping with electrocorticography | |
US20230082594A1 (en) | Transcranial stimulation device and method based on electrophysiological testing | |
CN104887198A (zh) | 基于人体生理信号多参数融合的疼痛定量分析系统及方法 | |
CN105125186B (zh) | 一种确定干预治疗方式的方法及系统 | |
CN110931123B (zh) | 一种矩阵型脑网络及其构建方法 | |
Wang et al. | A Novel Rapid Assessment of Mental Stress by Using PPG Signals Based on Deep Learning | |
SITARAM et al. | 18| BCIS THAT USE BRAIN METABOLIC SIGNALS | |
US20230302253A1 (en) | Systems, methods, and devices for measurement, identification, and generation of sleep state models | |
CN116313029B (zh) | 一种数字针灸动态控制优化的方法、系统和装置 | |
Fu et al. | Calculation and analysis of microstate related to variation in executed and imagined movement of force of hand clenching | |
Murat et al. | Development of brainwave balancing index using EEG | |
LaRocco et al. | Optimizing computer–brain Interface parameters for non-invasive brain-to-brain Interface | |
CN116099124A (zh) | 一种基于个体化参数的经颅交流电刺激系统 | |
EP3957248A1 (en) | Systems, methods and devices for biomarker shaping and sleep profile enhancement | |
CN112652381A (zh) | 心理健康矫正计划生成方法及系统 | |
CN115363523A (zh) | 一种癫痫发作区定位系统、设备及介质 | |
Carino-Escobar et al. | Brain–computer interface performance analysis of monozygotic twins with discordant hand dominance: A case study | |
Chen et al. | Research on Working Memory States Based on Weighted-Order Propagation Number Algorithm: An EEG Perspective | |
Matamoros et al. | Analysis of EEG Signals in a Patient with Spastic Cerebral Palsy Undergone Dolphin-Assisted Therapies | |
KR102403540B1 (ko) | 이명 및 관련 인지장애를 개선시키는 신경 조절 장치 및 방법 | |
Ngoma | Analysis of Control Attainment in Endogenous Electroencephalogram Based Brain Computer Interfaces | |
Rao et al. | A reliable eye blink based home automation system using false free detection algorithm |
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 | ||
CP03 | Change of name, title or address |
Address after: 518000, 18th Floor, Building B, High tech Innovation Center, Guangqiao Road, Tianliao Community, Yutang Street, Guangming District, Shenzhen, Guangdong Province Patentee after: Shenzhen Delikai Medical Electronics Co.,Ltd. Country or region after: China Address before: 6 / F, building 10, Guanlong Village Second Industrial Zone, Xili street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN DELICA MEDICAL EQUIPMENT Co.,Ltd. Country or region before: China |