一种虚拟数字脑构建方法与系统及智能机器人控制系统
技术领域
本公开涉及大脑网络及类脑人工智能相关技术领域,具体的说,是涉及一种虚拟数字脑构建方法与系统以及智能机器人控制系统,采用本公开的虚拟数字脑构建方法构建的虚拟数字脑可用于智能机器人的控制。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,并不必然构成在先技术。
脑科学主要研究大脑的结构与功能,理解认知、记忆、思维等意识产生的机理。脑科学对各种脑功能机理的解析,对有效诊断和治疗脑疾病有重要的临床意义。类脑人工智能是通过借鉴脑科学研究成果,来模拟人脑功能,二者相互借鉴、相互融合的发展是近年来国际科学界涌现的新趋势,其对人类健康和新一代人工智能技术及新型信息产业的发展意义重大,是国际科技界潜心研究的重要领域。
脑科学研究的关键是要实现对神经元集群活动的实时观察,并通过特定神经环路的结构追踪及其活动操纵,研究其对脑功能的充分性和必要性,进而在全脑尺度上解析神经环路的结构和功能。基于预静息态功能磁共振成像(fMRI)数据,得到人脑中各个脑区间的熵连接,由这些熵连接和各个脑区组成人脑的一个网络,这个网络就是人脑的一个因果连接网,称为个体化的虚拟数字脑,是人脑的一个虚拟仿真模型,包括节点、节点之间的连接关系以及因果连接的强度。连接网中的每一个节点代表一个布鲁德曼功能脑区或自动解剖结构标注模板中的一个对应脑区,节点间有方向的连线表示脑区间的因果连接,连线的方向代表脑区间因果连接的方向。
发明人发现,现有的虚拟大脑模型是欧洲基于受试者脑结构磁共振成像和弥散张量成像数据,构建的个体化脑网络模型,并通过功能磁共振成像数据、脑电图和脑磁图数据调节模型参数,使模型的输出信号同真实的脑信号尽可能接近。但由于脑结构网相对固定,构建的结构网预测模型存在缺陷,经过测试发现模型预测数据与实际数据相差太大,无法在实际应用中推广利用,从而不能为类脑人工智能是提供准确的人脑功能模拟模型,不利于人工智能的智能化发展,同时不能通过模型为人脑疾病判断提供准确的数据支持。
发明内容
本公开为了解决上述问题,提出了一种虚拟数字脑构建方法与系统以及智能机器人控制系统,分别建立虚拟数字脑的结构网络和因果网络,通过结构网络对虚拟数字脑中的因果网络进行改进,结构与功能的信息,建立更加贴合人脑网络的节点神经活动信号预测模型,更适合用于人工智能和人类神经系统活动机理的研究。
为了实现上述目的,本公开采用如下技术方案:
一个或多个实施例提供了一种虚拟数字脑构建方法,包括如下步骤:
构建虚拟数字脑得到静息状态和任务状态下的脑功能因果连接网络;
获取大脑的弥散张量成像数据,利用确定性算法和概率算法相结合的混合纤维束跟踪方法,构建大脑结构网络;
比较结构网络与脑功能因果连接网络,将脑区间不存在直接结构连接的因果连接删除,获得删除后的静息状态和任务态下的因果连接网络即为改进的虚拟数字脑;
以静息态作为基线,获得任务信号刺激下脑区的激活状态,确定神经活动信号之间的关系,从而确定改进的虚拟数字脑中各个节点的关联强弱,建立节点神经活动信号模型即为最终的虚拟数字脑。
一个或多个实施例一种虚拟数字脑构建系统,包括:
脑功能因果连接网络构建模块:被配置为用于获取静息状态和任务状态下磁共振成像数据,利用熵连接分别构建虚拟数字脑得到静息状态和任务状态下的脑功能因果连接网络;
大脑结构网络构建模块:被配置为用于获取大脑的弥散张量成像(DTI)数据,利用确定性算法和概率算法相结合的混合纤维束跟踪方法,构建大脑结构网络;
删除模块:被配置为用于比较结构网络与脑功能因果连接网络,将脑区间不存在直接结构连接的因果连接删除,获得删除后的静息状态和任务态下的因果连接网络即为改进的虚拟数字脑;
确定模块:以静息态作为基线,获得任务信号刺激下脑区的激活状态,确定神经活动信号之间的关系,从而确定改进的虚拟数字脑中各个节点的关联强弱,建立节点神经活动信号模型即为最终的虚拟数字脑。
一种智能机器人控制系统,采用上述的一种虚拟数字脑构建方法获得的最终的虚拟数字脑作为智能机器人控制的训练模型,将智能机器人的训练数据输入至最终的虚拟数字脑,生成训练后的智能机器人的控制模型。
一种虚拟大脑,采用上述的一种虚拟数字脑构建方法中的多变量因果回归模型构建虚拟大脑的数字模型。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法所述的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法所述的步骤。
与现有技术相比,本公开的有益效果为:
本公开通过结构网络对脑功能因果连接网络进行了改进,联合运用功能和结构信息,将脑区间不存在直接结构连接的因果连接删除,去除间接连接的影响,以便有利于后续处理中,建立更加有效的节点神经活动信号预测模型。
本公开通过联合运用功能和结构信息建立的虚拟数字脑作为智能机器人的训练模型,使得机器人的控制更加智能化,根据执行的操作更加准确,有利于推动人工智能的发展。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的限定。
图1是本公开实施例1的虚拟数字脑构建方法的流程图;
图2是本公开实施例1的确定改进的虚拟数字脑中各个节点的关联强弱的算法流程图;
图3是本公开实施例2的系统框图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是,在不冲突的情况下,本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式中公开的技术方案中,如图1所示,一种虚拟数字脑构建方法,包括如下步骤:
步骤1、构建虚拟数字脑得到静息状态和任务状态下的脑功能因果连接网络;
步骤2、获取大脑的弥散张量成像数据,利用确定性算法和概率算法相结合的混合纤维束跟踪方法,构建大脑结构网络;
步骤3、比较结构网络与脑功能因果连接网络,将脑区间不存在直接结构连接的因果连接删除,获得删除后的静息状态和任务态下的因果连接网络即为改进的虚拟数字脑;
步骤4、以静息态作为基线,获得任务信号刺激下脑区的激活状态,确定神经活动信号之间的关系,从而确定改进的虚拟数字脑中各个节点的关联强弱,建立节点神经活动信号预测模型即为最终的虚拟数字脑。
本实施例中,通过结构网络对脑功能因果连接网络进行了改进,联合运用功能和结构信息,将脑区间不存在直接结构连接的因果连接删除,去除间接连接的影响,以便有利于后续处理中,建立更加有效的节点神经活动信号预测模型。
步骤1中,可以采用熵连接构建:获取静息状态和任务状态下磁共振成像数据,利用熵连接分别构建虚拟数字脑得到静息状态和任务状态下的脑功能因果连接网络。
熵连接方法,熵连接是一种因果连接,表示的是脑区间信号变化的驱动关系,即脑区间熵连接是指一个脑区神经活动信号的变化驱动另一个脑区神经活动信号产生相应的变化。如果脑区A在t时刻的神经活动信号S的变化在t+1时刻驱动脑区B的神经活动信号发生了相同的变化,则称脑区A和B之间存在同步因果连接。神经活动信号S在t时刻从脑区A流入脑区B,S称为脑区A在t时刻的同步输出信号,S也称为脑区B在t时刻的同步输入信号。如果脑区A在t时刻的神经活动信号S的变化在t+1时刻驱动脑区B的神经活动信号发生了相反的变化,则称脑区A和B之间存在异步因果连接。神经活动信号S在t时刻从脑区A流入脑区B,S称为脑区A在t时刻的异步输出信号,S也称为脑区B在t时刻的异步输入信号。
DTI:弥散张量成像,简称为DTI,是一种描述大脑结构的新方法,是核磁共振成像(MRI)的特殊形式。举例来说,如果说核磁共振成像是追踪水分子中的氢原子,那么弥散张量成像便是依据水分子移动方向制图。
步骤2中,可以获取大脑的弥散张量成像(DTI)数据,利用确定性算法和概率算法相结合的混合纤维束跟踪方法,构建大脑结构网络的方法,具体可以包括如下步骤:
步骤21、获取弥散张量成像(DTI)数据,对这些进行预处理,预处理后的弥散张量成像(DTI)数据。
可选的,预处理可以包括噪声去除和扭曲纤维组织矫正,其中噪声去除方法可以通过中值滤波方法实现,扭曲纤维组织矫正可以通过非线性配准方法来实现。
步骤22、将预处理后的弥散张量成像(DTI)数据,采用确定性算法跟踪获得脑区间的纤维束及其纤维束连接,再采用概率算法进行修正和完善获得最终的脑区间的纤维束及其纤维束连接。
步骤23、根据脑区间的纤维束连接,构建脑结构连接网即为大脑结构网络。
采用确定性算法和概率算法相结合的混合纤维束跟踪方法,构建大脑结构网络,混合纤维束跟踪方法的优点是可以提高构建的结构网络的结构连接的准确性。
在静息状态下,虚拟数字脑中每个脑区即删除后的静息状态因果连接网中的每个节点的神经活动信号的瞬时值,可以通过多变量因果回归模型进行预测,静息状态下多变量因果回归模型具体如下:
式中,Rk(t+1)表示脑区Rk在t+1时刻的血氧水平信号值即为神经活动信号的输出值,Uk是一个常量,aki和bkj是实数,分别对应输入信号SIki(t)和AIkj(t);SIki(t)表示脑区Rk在t时刻的第i个同步输入BOLD信号的值;AIkj(t)表示脑区Rk在t时刻的第j个异步输入BOLD信号的值;Ek(t)是一个随机变量,表示t时刻的预测误差。
血氧水平信号(blood oxygen leveldependent,简称为BOLD)的值,由于功能磁共振不能直接测量神经活动信号的值,只能获得BOLD信号的值,研究证明BOLD信号的变化与神经活动信号的变化是一致的,因此,可以用BOLD信号来映射神经活动信号,因此本实施例中直接用BOLD信号的值代替神经活动信号的值。
可选的,静息状态下多变量因果回归模型中,可以通过一个迭代算法获得模型中的参数Uk,aki和bkj的值,算法描述如下:
步骤4-1、初始化Uk,aki和bkj的值;
步骤4-2、获取输入信号SIki(t)和AIkj(t),并输入至对应的改进的虚拟数字脑的脑区,获得下一时刻各个脑区的神经活动信号的实际值;
步骤4-3、根据静息状态下多变量因果回归模型计算下一时刻的各个脑区的神经活动信号的预测值;
步骤4-4、预测值和实际值的差值为预测误差,以预测误差平方和Ek2最小为目标函数,计算获得Uk,aki和bkj的值;删除使得aki和bkj为负数的输入信号,执行步骤4-2迭代计算更新Uk,aki和bkj的值,直到aki和bkj的值都为正实数。
其中,令
表示误差的平方和,
式中,T表示总的时刻数,即采集的功能磁共振成像数据的总容积数或者总采样点数。
去掉aki和bkj中的负值在公式(1)中所对应的输入信号SIki(t)和AIkj(t),更新公式(1),并重复步骤4-2和4-3,重复执行上面的步骤直到所有的aki和bkj的值都为正实数,停止迭代。
任务状态下,如果施加任务刺激信号到脑区Rk,令f(t)表示t时刻刺激信号在脑区Rk引起的响应,那么在任务状态下,脑区Rk在t+1时刻BOLD信号的值Rvk(t+1)通过任务状态下的多变量因果回归模型计算,可以如下:
步骤4、以静息态作为基线,获得任务信号刺激下脑区的激活状态,确定神经活动信号之间的关系,从而确定改进的虚拟数字脑中各个节点的关联强弱,建立节点神经活动信号预测模型的方法,如图2所示,可以包括如下步骤:
步骤41、获得改进后的虚拟数字脑中各个脑区在当前时刻t的神经活动信号的初始值,设置迭代次数TN;
删除后的静息状态和任务态下的因果连接网络,可以简称为改进后的虚拟数字脑。
步骤42、令t=t+1,根据静息状态下多变量因果回归模型或者任务状态下的多变量因果回归模型,以及当前神经活动信号的值,更新当前脑区在下一时刻即t+1时刻的神经活动信号的值,获得当前脑区对应的输出信号的值;所述输出信号包括同步输出信号和异步输出信号。
具体的,可以如图3所示,令t=t+1,如果有基于任务的刺激信号(也叫虚拟刺激信号)施加到脑区Rk,则该脑区在t+1时刻神经活动信号的值按照公式(2)更新,否则按照公式(1)更新。图中,SORkm表示脑区Rk在t+1时刻的第m个同步输出信号的值,SORkm输出到对应的一个脑区,这个脑区用一个方框表示,这里,m=1,…,Mk,Mk表示脑区Rk的同步输出信号总数;AORkn表示脑区Rkt+1时刻的第n个异步输出信号的值,AORkn也输出到对应的一个脑区,这个脑区也用一个方框表示,这里,n=1,…,Nk,Nk表示脑区Rk的异步输出信号总数。
步骤43、根据改进后的虚拟数字脑的各个脑区的因果连接关系,确定当前脑区的输出信号的作用脑区,采用人脑并行运算法则和静息状态下多变量因果回归模型,更新其它脑区神经活动信号的值;直到所有脑区神经活动信号在t+1时刻的值都更新了一次。
如图3中,SORkm和AORkn所对应的脑区神经活动信号的值,按照人脑并行运算法则利用公式(1)同时进行更新,按照同样的方式更新其它脑区神经活动信号的值,直到所有脑区神经活动信号在t+1时刻的值都更新了一次。
步骤44、重复执行步骤42和43,直到达到迭代次数TN,停止迭代。
如果基于任务的刺激信号施加到两个或两个以上的脑区,则按照人脑并行运算法则,按照上述步骤同时进行更新。
根据迭代结果,计算脑区Rk神经活动信号强度,根据信号强度确定神经活动信号之间的关系强弱,从而确定各个节点的关联强弱,建立节点神经活动信号预测模型即为最终的虚拟数字脑。
本实施例中,所述节点神经活动信号预测模型结构包括各个节点,以及各个节点的之间的连接关系,以及各个节点之间的关系的关联强弱。
静息状态下:根据迭代结果,计算脑区Rk神经活动信号强度,可以计算在静息状态下脑区Rk的神经活动信号TN次迭代结果的平均值Rka,求平均值的目的是为了消除噪声干扰,则Rka由如下公式计算得到:
在静息状态下,计算脑区Rk神经活动信号强度的公式,可以定义如下:
式中,c是一个常量。
任务状态下:根据迭代结果,计算脑区Rk神经活动信号强度,可以计算在任务状态下脑区Rk的神经活动信号TN次迭代结果的平均值Rvka,平均值Rvka由如下公式计算得到:
在任务状态下,计算脑区Rk神经活动信号强度的公式,可以定义如下:
利用公式(3)和(4)获得各脑区神经活动信号的强度。
本实施例通过结构网络对脑功能因果连接网络进行了改进,联合运用功能和结构信息,将脑区间不存在直接结构连接的因果连接删除,去除间接连接的影响,在后续处理中,分别针对静息状态和任务状态建立不同的回归模型进行预测,从而使得建立的节点神经活动信号预测模型更加有效。
实施例2
本实施例提供一种虚拟数字脑构建系统,如图3所示,包括:
脑功能因果连接网络构建模块:被配置为用于获取静息状态和任务状态下磁共振成像数据,利用熵连接分别构建虚拟数字脑得到静息状态和任务状态下的脑功能因果连接网络;
大脑结构网络构建模块:被配置为用于获取大脑的弥散张量成像(DTI)数据,利用确定性算法和概率算法相结合的混合纤维束跟踪方法,构建大脑结构网络;
删除模块:被配置为用于比较结构网络与脑功能因果连接网络,将脑区间不存在直接结构连接的因果连接删除,获得删除后的静息状态和任务态下的因果连接网络即为改进的虚拟数字脑;
确定模块:以静息态作为基线,获得任务信号刺激下脑区的激活状态,确定神经活动信号之间的关系,从而确定改进的虚拟数字脑中各个节点的关联强弱,建立节点神经活动信号预测模型即为最终的虚拟数字脑。
实施例3
本实施例提供一种智能机器人控制系统,采用实施例1中所述的一种虚拟数字脑构建方法获得的最终的虚拟数字脑作为智能机器人控制的训练模型,将智能机器人的训练数据输入至最终的虚拟数字脑,生成训练后的智能机器人的控制模型。
本公开通过联合运用功能和结构信息建立的虚拟数字脑作为智能机器人的训练模型,使得机器人的控制更加智能化,根据执行的操作更加准确。
实施例4
本实施例提供一种虚拟大脑,采用实施例1所述的一种虚拟数字脑构建方法中的多变量因果回归模型构建虚拟大脑的数字模型。
虚拟大脑主体是个基于超级计算机构建的数字模型,它通过一个类似摄像镜头的仪器来观察,并可指挥机械臂执行相应的动作。虚拟大脑系统中还包括多个个模拟“神经元”,它们能通过变化的电压来模拟脑电波。
可以理解的,在应用实施例1提供的多变量因果回归模型以及由此衍生的各种改进模型都在本申请的保护范围内,衍生的各种改进模型可以包括虚拟脑,数字脑,智能控制脑模型。
实施例5
本实施例提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1的方法所述的步骤。
实施例6
本实施例提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1的方法所述的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。