CN112183738B - 一种模拟神经元多种放电模式的演示系统 - Google Patents

一种模拟神经元多种放电模式的演示系统 Download PDF

Info

Publication number
CN112183738B
CN112183738B CN202011073005.9A CN202011073005A CN112183738B CN 112183738 B CN112183738 B CN 112183738B CN 202011073005 A CN202011073005 A CN 202011073005A CN 112183738 B CN112183738 B CN 112183738B
Authority
CN
China
Prior art keywords
resistor
triode
capacitor
analog
circuit module
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
Application number
CN202011073005.9A
Other languages
English (en)
Other versions
CN112183738A (zh
Inventor
满梦华
马贵蕾
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.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
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 Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN202011073005.9A priority Critical patent/CN112183738B/zh
Publication of CN112183738A publication Critical patent/CN112183738A/zh
Application granted granted Critical
Publication of CN112183738B publication Critical patent/CN112183738B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Analogue/Digital Conversion (AREA)

Abstract

本发明公开了一种模拟神经元多种放电模式的演示系统，包括神经元电路，神经元电路包括数字电路模块以及模拟电路模块，模拟电路模块受控于数字电路模块，数字电路模块用于对模拟电路模块输入信号以及运行稳态可塑性规则，并根据输入信号，使模拟电路模块生成膜电位和阈值电压，以实现动作电位的演示输出；或，根据输入信号，调节模拟电路模块的输入电导，以实现神经元电路稳态可塑性的演示；或，根据输入信号，调节模拟电路模块的泄漏电阻，以实现神经元电路稳态可塑性的演示；或，根据输入信号，调节模拟电路模块的阈值电压，以实现神经元电路稳态可塑性的演示。本发明能够演示神经元放电的多种动力学特性和演示神经元的稳态可塑性机制。

Description

一种模拟神经元多种放电模式的演示系统
技术领域
本发明涉及模仿生物神经元领域，尤其涉及一种模拟神经元多种放电模式的演示系统。
背景技术
类脑智能是以计算建模为手段，受脑神经和人类认知行为机制启发，并通过软硬件协同实现的机器智能。类脑智能硬件系统相较于传统人工智能系统具有生物合理性强、处理速度快，并行程度高，可满足嵌入式场合实际工程应用的实时性要求，研究和开发类脑智能硬件系统具有重要的理论和应用价值。
神经元是构成神经系统的结构单元和功能单元，实现神经元电路是实现类脑神经网络的基础。生物神经元本身是一个具有高度非线性特征的随机动力学单元，用硬件演示系统复现生物神经元动作电位放电的多种模式，对教学、研究生物神经元的电生理特性和动力学特性，以及理解类脑计算和人工智能模型背后的生物学原理，都具有重要应用价值。
发明内容
本发明为了解决以上问题，提供了一种模拟神经元多种放电模式的演示系统，能用硬件演示系统复现生物神经元动作电位放电的多种模式。
为实现上述目的，本发明所采用的技术方案如下：
一种模拟神经元多种放电模式的演示系统，包括神经元电路，所述神经元电路包括数字电路模块以及模拟电路模块，所述模拟电路模块包括膜特性单元、去极化单元、脉冲复极化单元、簇放电复极化单元和心电复极化单元，所述模拟电路模块受控于所述数字电路模块，所述数字电路模块用于对所述模拟电路模块输入信号以及运行稳态可塑性规则，并根据输入信号，使所述模拟电路模块生成膜电位和阈值电压，以实现动作电位的演示输出；
或，根据输入信号，调节所述模拟电路模块的输入电导，以实现神经元电路稳态可塑性的演示；
或，根据输入信号，调节所述模拟电路模块的泄漏电阻，以实现神经元电路稳态可塑性的演示；
或，根据输入信号，生成或调节所述模拟电路模块的阈值电压，以实现神经元电路稳态可塑性的演示。
可选的，所述数字电路模块包括微控制器、用户控制接口和显示模块，所述用户控制接口的输出端与所述微控制器的输入端连接，所述微控制器的输出端与所述显示模块的输入端连接；
所述微控制器通过数模转换模块DA1和第一电压跟随器将第一电压信号输入至所述膜特性单元，所述微控制器将第二电压信号输入至所述去极化单元，所述膜特性单元根据所述第一电压信号生成膜电位，所述去极化单元根据所述第二电压信号生成动作电位放电的阈值电压Vth；
所述脉冲复极化单元通过动作电位输出模块与所述微控制器连接，输出膜电压产生的动作电位信号，所述脉冲复极化单元还连接有模拟开关SWT2，所述模拟开关SWT2受控于所述微控制器，并通过所述微控制器选择与所述簇放电复极化单元或与所述心电复极化单元连接。
可选的，所述膜特性单元包括输入电容Cin、运算放大器、可变电阻Rvar1、膜电容Cmem以及可变电阻Rvar2，所述输入电容Cin的一端与所述第一电压跟随器的输出端连接，所述输入电容Cin的另一端与所述运算放大器的同相输入端连接，所述可变电阻Rvar1的一端与所述运算放大器的反相输入端连接，所述可变电阻Rvar1的另一端与所述运算放大器的输出端连接，所述运算放大器的输出端还连接着所述膜电容Cmem和所述可变电阻Rvar2的一端，所述膜电容Cmem和所述可变电阻Rvar2的另一端接地，其中，所述输入电容Cin、运算放大器以及可变电阻Rvar1用以将所述第一电压信号转换成电流信号，以使所述膜电容Cmem两端生成膜电位，所述可变电阻Rvar1和所述可变电阻Rvar2受控于所述微控制器，所述微控制器用以改变所述可变电阻Rvar1和所述可变电阻Rvar2的电阻值。
可选的，所述去极化单元包括数模转换芯片DA2、第二电压跟随器、比较器、动作电位幅值电压源Vap以及去极化电阻R1，所述第二电压信号通过所述数模转换芯片DA2和第二电压跟随器生成动作电位放电的阈值电压Vth至所述比较器的同相输入端，所述比较器的反相输入端与所述膜电容Cmem的一端连接，所述比较器的输出端通过模拟开关SWT1与所述动作电位幅值电压源Vap的正极连接，所述动作电位幅值电压源Vap的负极接地，所述模拟开关SWT1的输出端与所述去极化电阻R1的一端连接，所述去极化电阻R1的另一端与所述膜电容Cmem的一端连接。
可选的，所述脉冲复极化单元包括超极化电压源Vsp、三极管Q1，电阻R2、电阻R3以及电容C1，所述三极管Q1的基极分为两路，第一路与所述电阻R3的一端连接，第二路与所述电容C1的一端连接，所述电阻R3的另一端与所述膜电容Cmem的一端连接，所述电容C1的另一端接地，所述三极管Q1的发射极与所述超极化电压源Vsp的负极连接，所述超极化电压源Vsp的正极接地，所述三极管Q1的集电极与所述电阻R2的一端连接，所述电阻R2的另一端与所述膜电容Cmem的一端连接，其中，所述电阻R3的一端还连接所述动作电位输出模块和所述模拟开关SWT2的输入端。
可选的，所述动作电位输出模块包括第三电压跟随器以及模数转换芯片AD1，所述第三电压跟随器的输入端与所述电阻R3的一端连接，所述第三电压跟随器的输出端与所述模数转换芯片AD1的输入端连接，所述模数转换芯片AD1的输出端与所述微控制器连接。
可选的，所述簇放电复极化单元包括三极管Q2、三极管Q3、电阻R4、电阻R5以及电容C2，所述三极管Q2的基极与所述模拟开关SWT2的一个输出端连接，所述三极管Q2的集电极与所述电阻R4的一端连接，所述电阻R4的另一端与所述电容C2的一端连接，所述电容C2的另一端接地，所述三极管Q2的发射极与所述三极管Q3的集电极连接，所述三极管Q3的基极分为两路，第一路与所述电阻R4的另一端连接，第二路与所述电容C2的一端连接，所述三极管Q3的发射极与所述电阻R5的一端连接，所述电阻R5的另一端接地。
可选的，所述心电复极化单元包括三极管Q4、三极管Q5、三极管Q6、电阻R6、电阻R7以及电容C3，所述三极管Q4的发射极与所述模拟开关SWT2的一个输出端连接，所述三极管Q4的基极与所述三极管Q5的发射极连接，所述三极管Q4的集电极与所述三极管Q6的集电极连接，所述三极管Q5的基极与所述电阻R6的一端连接，所述三极管Q5的集电极与所述电阻R7的一端连接，所述电阻R6和所述电阻R7的另一端与所述电容C3的一端连接，所述电容C3的另一端接地，所述三极管Q6的基极分为三路，第一路与所述电阻R6的另一端连接，第二路与所述电阻R7的另一端连接，第三路与所述电容C3的一端连接，所述三极管Q6的发射极接地。
本发明与现有技术相比，所取得的技术进步在于：
本发明提出了一种模拟神经元多种放电模式的演示系统，输入信号可以是外界输入或根据用户接口编程，演示脉冲放电、簇放电、心肌放电三种放电模式，其中每种放电模式的多种参数可调，利用参数的变化，通过显示界面显示动作电位波形随参数变化的变化情况，进而能够展示神经元放电的多种动力学特性，同时也可通过调节阈值电压、输入电导以及泄漏电阻演示神经元电路的稳态可塑性机制。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1为本发明的原理图。
图2为本发明神经元电路输出的动作脉冲波形示意图。
图3为本发明神经元电路输出的簇放电波形示意图。
图4为本发明神经元电路输出的心肌放电波形示意图。
图5为本发明稳态可塑性调节过程流程图。
具体实施方式
下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
如图1所示，本发明公开了一种模拟神经元多种放电模式的演示系统，包括神经元电路，神经元电路包括数字电路模块以及模拟电路模块，模拟电路模块包括膜特性单元、去极化单元、脉冲复极化单元、簇放电复极化单元和心电复极化单元，模拟电路模块受控于数字电路模块，数字电路模块用以对模拟电路模块输入信号和运行稳态可塑性规则，并根据输入信号，使所述模拟电路模块生成膜电位和阈值电压，以实现动作电位的演示输出；
或，根据输入信号，调节模拟电路模块的输入电导，以实现神经元电路稳态可塑性的演示；
或，根据输入信号，调节模拟电路模块的泄漏电阻，以实现神经元电路稳态可塑性的演示；
或，根据输入信号，生成或调节模拟电路模块的阈值电压，以实现神经元电路稳态可塑性的演示。
其中，本发明是对一个电容(即本发明的膜电容Cmem)进行充电或放电，以此来模拟神经元细胞的放电动作，在膜电容Cmem两端生成的膜电位即是神经元细胞膜两侧的电势差；神经元细胞膜两侧的电势差超过一个阈值后会生成动作电位，在本发明中，模拟电路模块生成的阈值电压Vth即是模拟生成动作电位放电的阈值，具体的，在本发明中，演示了脉冲放电、簇放电、心肌放电三种神经元放电模式，具体如下：
本发明中，数字电路模块包括微控制器、用户控制接口和显示模块，用户控制接口的输出端与微控制器的输入端连接，微控制器的输出端与显示模块的输入端连接，其中，微控制器可以是ARM或单片机等，微控制器通过用户控制接口接收用户发送图形界面操作指令或编程指令，即输入信号，其中，微控制器的输入信号包括：第一电压信号、第二电压信号、调节输入电导的信号、调节泄漏电阻的信号以及调节阈值电压Vth的信号，同时微控制器还用于接收模拟电路输出的动作电位信号。
其中，微控制器通过数模转换模块DA1和第一电压跟随器将第一电压信号输入至膜特性单元，通过数模转换模块DA2和第二电压跟随器将第二电压信号输入至去极化单元，膜特性单元根据第一电压信号生成膜电位，去极化单元根据第二电压信号生成阈值电压Vth。
其中，脉冲复极化单元通过动作电位输出模块与微控制器连接，输出膜电压产生的动作电位信号，脉冲复极化单元还连接有模拟开关SWT2，模拟开关SWT2受控于微控制器，并通过微控制器选择与簇放电复极化单元或与心电复极化单元连接。
具体的，在本发明中，膜特性单元包括输入电容Cin、运算放大器、可变电阻Rvar1、膜电容Cmem以及可变电阻Rvar2，输入电容Cin的一端与第一电压跟随器的输出端连接，输入电容Cin的另一端与运算放大器的同相输入端连接，可变电阻Rvar1的一端与运算放大器的反相输入端连接，可变电阻Rvar1的另一端与运算放大器的输出端连接，运算放大器的输出端还连接着膜电容Cmem和可变电阻Rvar2的一端，膜电容Cmem和可变电阻Rvar2的另一端接地，其中，输入电容Cin、运算放大器以及可变电阻Rvar1用以将第一电压信号转换成电流信号，以使膜电容Cmem两端生成膜电位，可变电阻Rvar1和可变电阻Rvar2受控于微控制器，微控制器用以改变可变电阻Rvar1和可变电阻Rvar2的电阻值。
第一电压信号转换成电流信号后，一部分流入膜电容Cmem，引起膜电容Cmem两端电压的升高生成膜电压，另一部分通过可变电阻Rvar2泄漏到模拟地电位，当没有信号输入时，膜电容Cmem内部电荷同样可以通过可变电阻Rvar2泄漏。其中，可变电阻Rvar1以及可变电阻Rvar2的阻值均受微控制器控制。
去极化单元包括数模转换芯片DA2、第二电压跟随器、比较器、动作电位幅值电压源Vap以及去极化电阻R1，微控制器通过数模转换芯片DA2和第二电压跟随器生成动作电位放电的阈值电压Vth至比较器的同相输入端，比较器的反相输入端与膜电容Cmem的一端连接，比较器的输出端通过模拟开关SWT1与动作电位幅值电压源Vap的正极连接，动作电位幅值电压源Vap的负极接地，模拟开关SWT1的输出端与去极化电阻R1的一端连接，去极化电阻R1的另一端与膜电容Cmem的一端连接。
微控制器通过数模转换芯片DA2和第二电压跟随器生成动作电位放电的阈值电压Vth至比较器的同相输入端，阈值电压Vth受微控制器控制，比较器比较膜电容Cmem上生成的膜电位与阈值电压Vth，当膜电位高于阈值电压Vth时，比较器输出高电平触发模拟开关SWT1闭合，动作电位幅值电压源Vap通过去极化电阻R1，为膜电容Cmem充电，使膜电容Cmem上的电压升高到动作电位幅值Vap。
脉冲复极化单元包括超极化电压源Vsp、三极管Q1，电阻R2、电阻R3以及电容C1，三极管Q1的基极分为两路，第一路与电阻R3的一端连接，第二路与电容C1的一端连接，电阻R3的另一端与膜电容Cmem的一端连接，电容C1的另一端接地，三极管Q1的发射极与超极化电压源Vsp的负极连接，超极化电压源Vsp的正极接地，三极管Q1的集电极与电阻R2的一端连接，电阻R2的另一端与膜电容Cmem的一端连接，其中，电阻R3的一端还依次连接动作电位输出模块和模拟开关SWT2的输入端。
当去极化单元为膜电容Cmem充电时，同样会通过电阻R3对电容C1缓慢充电，电容C1电压缓慢上升，当其大于三极管Q1基极的开启电压时，电容C1的电荷通过三极管Q1的基极-发射极泄放，三极管Q1集电极-发射极的电流快速增加，膜电容Cmem通过电阻R2和三极管Q1向超极化电压源Vsp的负极快速放电，膜电容Cmem的电压迅速下降，当低于阈值电压Vth时，模拟开关SWT1断开。此时，电容C1的电压仍然高于三极管Q1的基极开启电压，膜电容Cmem的电压继续下降直到超极化电压源的幅值Vsp，当电容C1的电压低于三极管Q1的基极开启电压时，三极管Q1集电极-发射极的电流关断，膜电容Cmem的电位达到稳定状态，从而完成一个动作电位脉冲的产生过程。
动作电位脉冲信号通过动作电位输出模块输出至微控制器，其中，动作电位输出模块包括第三电压跟随器以及模数转换芯片AD1，第三电压跟随器的输入端与电阻R3的一端连接，用以接收产生的动作电位脉冲信号，第三电压跟随器的输出端与模数转换芯片AD1的输入端连接，模数转换芯片AD1的输出端与微控制器连接，微控制器通过显示模块输出动作脉冲波形，神经元电路输出的动作脉冲波形示意图如图2所示。
簇放电复极化单元包括三极管Q2、三极管Q3、电阻R4、电阻R5以及电容C2，三极管Q2的基极与模拟开关SWT2的一个输出端连接，三极管Q2的集电极与电阻R4的一端连接，电阻R4的另一端与电容C2的一端连接，电容C2的另一端接地，三极管Q2的发射极与三极管Q3的集电极连接，三极管Q3的基极分为两路，第一路与电阻R4的另一端连接，第二路与电容C2的一端连接，三极管Q3的发射极与电阻R5的一端连接，电阻R5的另一端接地。
微控制器控制模拟开关SWT2将簇放电复极化单元连通到膜电容Cmem时，去极化单元为膜电容Cmem充电时，同样通过三极管Q2的基极向发射极和集电极注入电流，三极管Q2的集电极电流通过电阻R4向电容C2充电，使其电压升高，当高于三极管Q3的基极开启电压时，三极管Q3的集电极-发射极电流快速增加，从而使三极管Q2的基极-发射极电流能够通过三极管Q3集电极-发射极和电阻R5快速泄放到模拟地，导致了膜电容Cmem的电压有一定的下降。此时，电容C2的电荷同样通过三极管Q2的集电极-发射极、三极管Q3的集电极-发射极、以及电阻R5以一个更快的速度泄放，在膜电容Cmem的电压还未低于阈值电压Vth时，电容C2的电压已下降到三极管Q3的基极开启电压以下，三极管Q3的集电极与发射极之间的电流截止，簇放电中的一个放电脉冲过程结束，去极化单元继续为膜电容Cmem充电，重复上述过程几次后，脉冲复极化单元为膜电容Cmem放电时，完成一次簇放电过程。簇放电的放电脉冲经动作电位输出模块到微控制器，并通过显示模块输出，神经元电路输出的簇放电波形示意图如图3所示。
心电复极化单元包括三极管Q4、三极管Q5、三极管Q6、电阻R6、电阻R7以及电容C3，三极管Q4的发射极与模拟开关SWT2的一个输出端连接，三极管Q4的基极与三极管Q5的发射极连接，三极管Q4的集电极与三极管Q6的集电极连接，三极管Q5的基极与电阻R6的一端连接，三极管Q5的集电极与电阻R7的一端连接，电阻R6和电阻R7的另一端与电容C3的一端连接，电容C3的另一端接地，三极管Q6的基极分为三路，第一路与电阻R6的另一端连接，第二路与电阻R7的另一端连接，第三路与电容C3的一端连接，三极管Q6的发射极接地。
微控制器控制模拟开关SWT2将心电复极化单元连通到膜电容Cmem时，去极化单元为膜电容Cmem充电，同样通过三极管Q4和三极管Q5的发射极-基极注入电流，进而通过电阻R6和电阻R7为电容C3充电，使其电压升高，当高于三极管Q6的基极开启电压时，电容C3的电荷通过三极管Q6的基极-发射极泄放，三极管Q6的集电极-发射极的电流因此快速增加，从而使三极管Q4的集电极-发射极电流能够通过三极管Q6集电极-发射极快速泄放到模拟地，导致了膜电容Cmem的电压有一定的下降，电压下降量由三极管Q4和三极管Q5的基极-发射极串联偏置决定并维持，当脉冲复极化单元为膜电容Cmem放电时，完成一次心肌放电过程。心肌放电的放电脉冲经动作电位输出模块到微控制器，并通过显示模块输出，神经元电路输出的心肌放电波形示意图如图4所示。
每种神经元都有其固有的放电频率，如果神经元的输出动作电位的频率(即神经元兴奋率)超出神经元固有放电频率时，神经元将通过稳态可塑性调节将神经元兴奋率调节到固有放电频率，反之亦然，当神经元的放电频率等于固有放电频率时，我们认为神经元达到了放电率自稳态。
本发明通过以下两方面来实现调节固有放电频率，即通过以下两方面来实现稳态可塑性的演示：一是，调节神经元的细胞膜的敏感性(即输入电导及泄漏电阻)来改变神经元的放电频率，最终使得神经元的兴奋频率达到固有放电频率；
二是，如果外部输入的第一电压信号长时间大于阈值电压Vth，神经元的阈值电压Vth将会增加，使得神经元兴奋率降低，相反地，如果外部输入的第一电压信号长时间不能达到神经元的阈值电压Vth，神经元的阈值电压Vth将会降低。
具体的，微控制器内运行有稳态可塑性规则，稳态可塑性规则规定了神经元的固有放电频率f0以及稳态调控时间ts，其中，稳态调控时间ts是指神经元电路将输出动作电位的频率调整到固有放电频率f0所需的时间，微控制器实时监测神经元输出动作电位的频率，记做放电频率f，当监测到f不等于神经元的固有放电频率f0时开始计时，计时时间用t表示。在计时时间t小于稳态调控时间ts时，如果瞬时的放电频率f大于神经元的固有放电频率f0，则微控制器通过减小输入电导(即增大可变电阻Rvar1的电阻值)以及泄漏电阻(即减小可变电阻Rvar2的电阻值)来实现其放电频率的调节，若神经元的放电频率f达到并保持在固有放电频率f0，则结束稳态调节；相反，如果瞬时的放电频率f小于神经元的固有频率f0，则通过增大输入电导(即减小可变电阻Rvar1的电阻值)以及泄漏电阻(即增大可变电阻Rvar2的电阻值)来实现其放电频率的调节，若神经元的放电频率f达到并保持在固有放电频率f0，则结束稳态调节。
需要指出的是，这里阻值的调节变化率可以呈指数形式变化也可以选择呈线性形式变化。
经过输入电导及泄漏电阻的调节后，神经元的瞬时放电频率f依然还未等于且未保持在固有频率f0，也即计时时间t大于稳态调控时间ts时，此时继续对比瞬时的放电频率f与固有频率f0的大小，如果瞬时的放电频率f大于固有频率f0，则增大放电阈值电压Vth，直至神经元的放电频率f达到并保持在固有放电频率f0；相反，如果瞬时的放电频率f小于固有频率f0，则减小放电阈值电压Vth，直至神经元的放电频率f达到并保持在固有放电频率f0，调节流程图如图5所示。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明权利要求保护的范围之内。

Claims (7)

1.一种模拟神经元多种放电模式的演示系统，其特征在于，包括神经元电路，所述神经元电路包括数字电路模块以及模拟电路模块，所述模拟电路模块包括膜特性单元、去极化单元、脉冲复极化单元、簇放电复极化单元和心电复极化单元，所述模拟电路模块受控于所述数字电路模块，所述数字电路模块用于对所述模拟电路模块输入信号以及运行稳态可塑性规则，并根据输入信号，使所述模拟电路模块生成膜电位和阈值电压，以实现动作电位的演示输出；
或，根据输入信号，调节所述模拟电路模块的输入电导，以实现神经元电路稳态可塑性的演示；
或，根据输入信号，调节所述模拟电路模块的泄漏电阻，以实现神经元电路稳态可塑性的演示；
或，根据输入信号，调节所述模拟电路模块的阈值电压，以实现神经元电路稳态可塑性的演示；
其中，所述数字电路模块包括微控制器、用户控制接口和显示模块，所述用户控制接口的输出端与所述微控制器的输入端连接，所述微控制器的输出端与所述显示模块的输入端连接；
所述微控制器通过数模转换模块DA1和第一电压跟随器将第一电压信号输入至所述膜特性单元，所述微控制器将第二电压信号输入至所述去极化单元，所述膜特性单元根据所述第一电压信号生成膜电位，所述去极化单元根据所述第二电压信号生成动作电位放电的阈值电压Vth；
所述脉冲复极化单元通过动作电位输出模块与所述微控制器连接，输出膜电压产生的动作电位信号，所述脉冲复极化单元还连接有模拟开关SWT2，所述模拟开关SWT2受控于所述微控制器，并通过所述微控制器选择与所述簇放电复极化单元或与所述心电复极化单元连接。
2.根据权利要求1所述的模拟神经元多种放电模式的演示系统，其特征在于：所述膜特性单元包括输入电容Cin、运算放大器、可变电阻Rvar1、膜电容Cmem以及可变电阻Rvar2，所述输入电容Cin的一端与所述第一电压跟随器的输出端连接，所述输入电容Cin的另一端与所述运算放大器的同相输入端连接，所述可变电阻Rvar1的一端与所述运算放大器的反相输入端连接，所述可变电阻Rvar1的另一端与所述运算放大器的输出端连接，所述运算放大器的输出端还连接着所述膜电容Cmem和所述可变电阻Rvar2的一端，所述膜电容Cmem和所述可变电阻Rvar2的另一端接地，其中，所述输入电容Cin、运算放大器以及可变电阻Rvar1用以将所述第一电压信号转换成电流信号，以使所述膜电容Cmem两端生成膜电位，所述可变电阻Rvar1和所述可变电阻Rvar2受控于所述微控制器，所述微控制器用以改变所述可变电阻Rvar1和所述可变电阻Rvar2的电阻值。
3.根据权利要求2所述的模拟神经元多种放电模式的演示系统，其特征在于：所述去极化单元包括数模转换芯片DA2、第二电压跟随器、比较器、动作电位幅值电压源Vap以及去极化电阻R1，所述第二电压信号通过所述数模转换芯片DA2和第二电压跟随器生成动作电位放电的阈值电压Vth至所述比较器的同相输入端，所述比较器的反相输入端与所述膜电容Cmem的一端连接，所述比较器的输出端通过模拟开关SWT1与所述动作电位幅值电压源Vap的正极连接，所述动作电位幅值电压源Vap的负极接地，所述模拟开关SWT1的输出端与所述去极化电阻R1的一端连接，所述去极化电阻R1的另一端与所述膜电容Cmem的一端连接。
4.根据权利要求3所述的模拟神经元多种放电模式的演示系统，其特征在于：所述脉冲复极化单元包括超极化电压源Vsp、三极管Q1，电阻R2、电阻R3以及电容C1，所述三极管Q1的基极分为两路，第一路与所述电阻R3的一端连接，第二路与所述电容C1的一端连接，所述电阻R3的另一端与所述膜电容Cmem的一端连接，所述电容C1的另一端接地，所述三极管Q1的发射极与所述超极化电压源Vsp的负极连接，所述超极化电压源Vsp的正极接地，所述三极管Q1的集电极与所述电阻R2的一端连接，所述电阻R2的另一端与所述膜电容Cmem的一端连接，其中，所述电阻R3的一端还连接所述动作电位输出模块和所述模拟开关SWT2的输入端。
5.根据权利要求4所述的模拟神经元多种放电模式的演示系统，其特征在于：所述动作电位输出模块包括第三电压跟随器以及模数转换芯片AD1，所述第三电压跟随器的输入端与所述电阻R3的一端连接，所述第三电压跟随器的输出端与所述模数转换芯片AD1的输入端连接，所述模数转换芯片AD1的输出端与所述微控制器连接。
6.根据权利要求5所述的模拟神经元多种放电模式的演示系统，其特征在于：所述簇放电复极化单元包括三极管Q2、三极管Q3、电阻R4、电阻R5以及电容C2，所述三极管Q2的基极与所述模拟开关SWT2的一个输出端连接，所述三极管Q2的集电极与所述电阻R4的一端连接，所述电阻R4的另一端与所述电容C2的一端连接，所述电容C2的另一端接地，所述三极管Q2的发射极与所述三极管Q3的集电极连接，所述三极管Q3的基极分为两路，第一路与所述电阻R4的另一端连接，第二路与所述电容C2的一端连接，所述三极管Q3的发射极与所述电阻R5的一端连接，所述电阻R5的另一端接地。
7.根据权利要求6所述的模拟神经元多种放电模式的演示系统，其特征在于：所述心电复极化单元包括三极管Q4、三极管Q5、三极管Q6、电阻R6、电阻R7以及电容C3，所述三极管Q4的发射极与所述模拟开关SWT2的一个输出端连接，所述三极管Q4的基极与所述三极管Q5的发射极连接，所述三极管Q4的集电极与所述三极管Q6的集电极连接，所述三极管Q5的基极与所述电阻R6的一端连接，所述三极管Q5的集电极与所述电阻R7的一端连接，所述电阻R6和所述电阻R7的另一端与所述电容C3的一端连接，所述电容C3的另一端接地，所述三极管Q6的基极分为三路，第一路与所述电阻R6的另一端连接，第二路与所述电阻R7的另一端连接，第三路与所述电容C3的一端连接，所述三极管Q6的发射极接地。
CN202011073005.9A 2020-10-09 2020-10-09 一种模拟神经元多种放电模式的演示系统 Active CN112183738B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011073005.9A CN112183738B (zh) 2020-10-09 2020-10-09 一种模拟神经元多种放电模式的演示系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011073005.9A CN112183738B (zh) 2020-10-09 2020-10-09 一种模拟神经元多种放电模式的演示系统

Publications (2)

Publication Number Publication Date
CN112183738A CN112183738A (zh) 2021-01-05
CN112183738B true CN112183738B (zh) 2022-01-18

Family

ID=73947863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011073005.9A Active CN112183738B (zh) 2020-10-09 2020-10-09 一种模拟神经元多种放电模式的演示系统

Country Status (1)

Country Link
CN (1) CN112183738B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3050050B1 (fr) * 2016-04-11 2021-10-15 Univ De Lille 1 Neurone artificiel
CN107742153B (zh) * 2017-10-20 2020-02-21 华中科技大学 一种基于忆阻器的具有稳态可塑性的神经元电路
CN109714119B (zh) * 2018-12-29 2023-10-24 中国人民解放军陆军工程大学 神经形态电路和信号频移检测系统
CN209216149U (zh) * 2018-12-29 2019-08-06 中国人民解放军陆军工程大学 神经元仿生电路和神经形态系统
CN209980299U (zh) * 2019-07-08 2020-01-21 中国人民解放军陆军工程大学 数模混合神经元电路

Also Published As

Publication number Publication date
CN112183738A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
Yang et al. Memristive synapses and neurons for bioinspired computing
CN104573238B (zh) 一种忆阻细胞神经网络的电路设计方法
Wilson Simplified dynamics of human and mammalian neocortical neurons
CN110097182B (zh) 用神经激活梯度λ控制的三维Hopfield神经网络模型实现电路
CN109816096B (zh) 一种基于忆阻器的感知器神经网络电路及其调节方法
CN104335224A (zh) 神经元电路及其方法
JP2019517085A (ja) 人工ニューロン
CN103324979B (zh) 一种可编程阈值电路
Eisenberg et al. Hardware architecture of a neural network model simulating pattern recognition by the olfactory bulb
CN109352644A (zh) 基于cpg神经元网络的机械臂运动节律控制方法
CN112183738B (zh) 一种模拟神经元多种放电模式的演示系统
CN109978159A (zh) 一种简易的Fitzhugh-Nagumo神经元电路
CN114936626B (zh) 一种用于离散神经元网络的初值控制方法
CN209216149U (zh) 神经元仿生电路和神经形态系统
KR102584868B1 (ko) 온칩 학습이 가능한 뉴로모픽 아키텍쳐
CN209980299U (zh) 数模混合神经元电路
Srivastava et al. Silicon neuron-analog CMOS VLSI implementation and analysis at 180nm
Saighi et al. A conductance-based silicon neuron with dynamically tunable model parameters
Shin et al. Dynamic range and sensitivity adaptation in a silicon spiking neuron
CN109376851A (zh) 仿生系统的脉冲神经元信号发生电路基于忆阻的实现方法
Zheng et al. Spiking Neuron Implementation Using a Novel Floating Memcapacitor Emulator
Chen et al. STDP learning rule based on memristor with STDP property
Wang et al. Neuromorphic synapses with reconfigurable voltage-gated dynamics for biohybrid neural circuits
Mahapatra et al. Computational study of Hodgkin-Huxley type calcium-dependent potassium current in urinary bladder over activity
CN214475009U (zh) 一种阈值转换忆阻器仿真模型的电路

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