CN113420873B - 阿尔茨海默病智能早期筛查系统 - Google Patents

阿尔茨海默病智能早期筛查系统 Download PDF

Info

Publication number
CN113420873B
CN113420873B CN202110978302.6A CN202110978302A CN113420873B CN 113420873 B CN113420873 B CN 113420873B CN 202110978302 A CN202110978302 A CN 202110978302A CN 113420873 B CN113420873 B CN 113420873B
Authority
CN
China
Prior art keywords
neurons
model
synapse
associative memory
memory capacity
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
CN202110978302.6A
Other languages
English (en)
Other versions
CN113420873A (zh
Inventor
王卫苹
缪珊
梁元辰
王震
何畅
罗熊
王昊
时彦清
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202110978302.6A priority Critical patent/CN113420873B/zh
Publication of CN113420873A publication Critical patent/CN113420873A/zh
Application granted granted Critical
Publication of CN113420873B publication Critical patent/CN113420873B/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
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G06N3/08—Learning methods
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种阿尔茨海默病智能早期筛查系统，包括：模型搭建模块，用于使用脉冲神经网络搭建海马CA3区的类脑忆阻神经形态模型，以模拟海马CA3区的联想记忆能力、信息存储能力、以及正常状态下产生脑电信号的能力；突触缺失模拟模块，用于在搭建的类脑忆阻神经形态模型的基础上，建立突触缺失模型，研究不同的突触缺失水平以及不同的网络连接结构对于人脑联想记忆能力的影响；仿真演示模块，用于对所述突触缺失模型的联想记忆能力进行仿真，并以像素图像模式对所述突触缺失模型进行演示。本发明能够对阿尔茨海默病的病况及病因进行直观展示与可视化分析，有助于解决阿尔茨海默病早期诊断困难的问题。

Description

阿尔茨海默病智能早期筛查系统
技术领域
本发明涉及神经网络模型搭建技术领域，特别涉及一种阿尔茨海默病智能早期筛查系统。
背景技术
据中国阿尔茨海默病协会2011年的公布调查结果显示，全球有约3650万人患有痴呆症，每七秒就有一个人患上此病，平均生存期只有5.9年。随着我国老龄化不断加深，阿尔茨海默病对老年人健康的危害也日益严重，因此，开展针对阿尔茨海默病发病过程以及患有该病的失智老人的治疗研究已经迫在眉睫。
联想记忆是人脑海马CA3区的重要认知功能之一，阿尔茨海默病症状中的一个重要方面便是患者大脑联想记忆能力的衰退，这也是该病患病阶段的重要表征。以天津医科大学为代表的众多科研机构都进行了相关研究，通过搭建脉冲神经网络模拟海马CA3区的联想记忆能力，研究突触缺失和突触补偿对联想记忆能力的影响，进而对阿尔茨海默病的不同患病阶段进行仿真和研究。这些研究对人脑联想记忆能力随突触缺失程度增加而减退、突触补偿对联想记忆能力减退的缓解效果等进行了较为全面和深入的讨论，对阿尔茨海默病患病机理的研究起到了重要的推动作用。
然而目前已有的绝大多数研究成果，其表现形式仍以数学公式、放电散点图等较为专业的术语和图表为主，适用于科研领域内的交流，但对于大众的普及程度不高。并且，如果需要更改变量重复进行实验，则需要在程序代码内修改，步骤较为繁琐。为了使实验能够方便地在不同输入变量的条件下重复进行，并且将实验结果通俗易懂地展现，就需要在现有的研究成果基础上对程序算法进行改进和创新，以构建一种新的实验平台。
忆阻器是一种表示磁通与电荷关系的电路器件，其阻值由流经它的电荷确定，具有记忆功能，在模拟人工突触的研究中具有广阔的应用前景。在硬件类脑神经系统方面，湖北大学、江西理工大学、东南大学等科研机构进行了基于忆阻突触的联想记忆神经网络仿真研究，但目前已有的研究中尚没有基于忆阻突触的突触缺失、突触补偿等模型。
发明内容
本发明的目的在于提供一种阿尔茨海默病智能早期筛查系统，通过建立阿尔茨海默病的模拟、识别与控制实验平台，能够对病况及病因进行直观展示与可视化分析，有助于解决阿尔茨海默病早期诊断困难的问题，可以广泛应用于健康管理指导和临床诊疗。
为解决上述技术问题，本发明的实施例提供如下方案：
一种阿尔茨海默病智能早期筛查系统，包括：
模型搭建模块，用于使用脉冲神经网络搭建海马CA3区的类脑忆阻神经形态模型，以模拟海马CA3区的联想记忆能力、信息存储能力、以及正常状态下产生脑电信号的能力；
突触缺失模拟模块，用于在搭建的类脑忆阻神经形态模型的基础上，建立突触缺失模型，研究不同的突触缺失水平以及不同的网络连接结构对于人脑联想记忆能力的影响；
仿真演示模块，用于对所述突触缺失模型的联想记忆能力进行仿真，并以像素图像模式对所述突触缺失模型进行演示。
优选地，所述模型搭建模块中，根据海马CA3区的解剖结构及其内部突触连接特性，建立一个三层的类Hopfield网络，用Izhikevich神经元模型作为网络的节点对模型中的神经元进行描述，各神经元之间通过Hebbian法则采用全连接的方式连接。
优选地，所述突触缺失模拟模块具体用于：
对联想记忆能力下降的轻度认知功能障碍以及对患有阿尔茨海默病的早中后期所对应的联想记忆能力进行模拟，分别从短期联想记忆能力、长期联想记忆能力以及从自联想记忆能力、异联想记忆能力和多向联想记忆能力角度进行研究，与此同时产生不同的脑电信号，进而模拟阿尔茨海默病患者的联想记忆能力丧失状况及其对应的脑电信号。
优选地，所述突触缺失模拟模块中，通过随机减小神经元之间连接权值的大小实现突触缺失变化。
优选地，所述仿真演示模块中，利用MATLAB平台仿真各种突触缺失情形下人脑的联想记忆能力，并以FLASH进行动态演示。
优选地，所述像素图像模式包括：以像素点对应相应的神经元，形成一组像素图，形象化地进行参数的输入与记忆，并通过像素点的闪烁来表现神经元的放电动作。
优选地，所述系统包括标题界面、设置界面、运行界面；
所述标题界面为打开系统时显示的界面；
所述设置界面为对各项参数进行设置、保存和读取的操作界面；
所述运行界面为实验进行时显示的界面，用于显示实验的过程及结果。
优选地，在所述设置界面，通过鼠标、键盘或触摸屏进行每个像素点的输入绘制，其中每个像素点都对应一个0至1的参数，每个模式中采用一百个像素点以10×10的方式进行排列，构成一组像素图。
优选地，所述模型搭建模块中，使用绝缘栅场效晶体管构建脉冲神经元模型，使用忆阻器构建突触模型，通过调整忆阻器的正负方向，实现对信号的增强或抑制，与软件实验系统中连接权值的正负相对应。
本发明实施例提供的技术方案带来的有益效果至少包括：
本发明实施例中，根据海马CA3区神经元的结构和活动特点设计研发了可以早期筛查和演示阿尔茨海默病的智能系统，以帮助患者更早地诊断病症，同时为医疗和科研人员针对阿尔茨海默病的病因进行可视化展示。所述系统可以通过APP或者PC端搭载，可以作为针对阿尔茨海默病的医疗教辅系统、临床诊断参考辅助系统以及治疗辅助系统，从而解决阿尔茨海默病的早期诊断困难问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的阿尔茨海默病智能早期筛查系统的结构示意图；
图2是本发明实施例提供的系统主流程图；
图3是本发明实施例提供的主计时器流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的实施例提供了一种阿尔茨海默病智能早期筛查系统，如图1所示，所述系统包括：
模型搭建模块，用于使用脉冲神经网络搭建海马CA3区的类脑忆阻神经形态模型，以模拟海马CA3区的联想记忆能力、信息存储能力、以及正常状态下产生脑电信号的能力；
突触缺失模拟模块，用于在搭建的类脑忆阻神经形态模型的基础上，建立突触缺失模型，研究不同的突触缺失水平以及不同的网络连接结构对于人脑联想记忆能力的影响；
仿真演示模块，用于对所述突触缺失模型的联想记忆能力进行仿真，并以像素图像模式对所述突触缺失模型进行演示。
本发明所述系统构建了阿尔茨海默病的模拟、识别与控制实验平台，可进行基于类脑神经形态系统的认知功能障碍及阿尔茨海默病早期筛查。
首先，所述模型搭建模块基于对人脑神经类疾病及海马CA3区的记忆类疾病-阿尔茨海默病的研究需要，使用脉冲神经网络搭建海马CA3区的类脑忆阻神经形态模型，模拟海马CA3区的联想记忆能力、大容量信息存储能力、不存在认知功能障碍时产生脑电信号的能力。
所述模型搭建模块中，根据海马CA3区的解剖结构及其内部突触连接特性，建立一个三层的类Hopfield网络，用Izhikevich神经元模型作为网络的节点对模型中的神经元进行描述，各神经元之间通过Hebbian法则采用全连接的方式连接。
由于突触缺失会扰乱海马CA3区的联想记忆功能，进而引起认知功能障碍和阿尔茨海默病。本发明在搭建的海马CA3区类脑神经形态模型的基础上，建立突触缺失模型，研究不同的突触缺失水平以及不同的网络连接结构对于人脑联想记忆功能的影响，并对联想记忆能力下降的轻度认知功能障碍以及对患有阿尔茨海默病的早中后期所对应的联想记忆能力进行模拟，分别从短期联想记忆能力、长期联想记忆能力以及从自联想记忆能力、异联想记忆能力和多向联想记忆能力角度进行研究，与此同时产生不同的脑电信号，进而模拟阿尔茨海默病患者的联想记忆能力丧失状况及其对应的脑电信号。
本发明实施例中，可以将系统模拟阿尔茨海默病产生的脑电EEG数据特征与从医院收集的真实阿尔茨海默病患者EEG数据特征进行对比，保证系统模拟的真实有效性。
以本系统的实验结果为基础，可以与阿尔茨海默病患者的认知障碍情况进行比照，有助于对阿尔茨海默病的早期干预和控制，从而预防或是减轻阿尔茨海默病患者的患病程度。
进一步地，所述仿真演示模块中，利用MATLAB平台仿真各种突触缺失情形下人脑的联想记忆能力，并以FLASH进行动态演示。
本发明所述系统创造性地使用了一种新的记忆模式与输入模式，即像素图像模式，所述像素图像模式中，以像素点对应相应的神经元，形成一组像素图，形象化地进行参数的输入与记忆，并通过像素点的闪烁来表现神经元的放电动作。
具体地，本发明通过进行原创算法的设计，以Izhikevich 神经元模型为基础，构建类Hopfield网络，对海马CA3区神经元内部动作进行模拟，并进一步借助原创的新算法对放电情况进行分析，绘制出静态像素图像作为实验结果，并计算其记忆恢复率和准确率，给出联想记忆能力的综合评定结果。
在演示方式上本发明使用原创的动态像素图像演示模式，即以神经元对应像素点的模式为基础，通过像素点的闪烁来表现神经元的放电动作，解决了传统演示模式随着神经元量的增加以及时间的延长，图示所需的展示空间也就越大，经常造成坐标轴过长、图示过大、静态坐标表示等不便于进行众多神经元的直接观察和集中表示的情况。
本发明系统基于以上特点，预测更为准确，性能更为可靠，使用更为简单方便，特别是有助于解决阿尔茨海默病早期诊断困难的问题，对其病况及病因进行直观展示与更优化的可视化分析，从而可以更广泛地用于指导健康管理和临床诊疗。
在具体的实施例中，本发明所述系统的工作流程如下：
（1）建立类Hopfield神经网络模型，根据海马CA3区的解剖结构及其内部突触连接特性，建立一个三层的类Hopfield神经网络模型。Hopfield神经网络属于反馈神经网络类型，其采用反馈连接，考虑输出与输入在时间上的传输延迟，所表示的是一个动态过程，这里用差分方程或微分方程来描述。
其中模型中的神经元用Izhikevich神经元描述，各神经元之间通过Hebbian法则采用全连接的方式连接。所建模型中的260个神经元被分为三组(1-80, 81-180, 181-260)，分别表示CA3a区，CA3b区和CA3c区。记忆由模型中神经元放电序列的模式来表示，不同的模式表示不同的记忆。
和以往的260个神经元不同的是，本发明所述系统中为了简化用户操作和运算程序，将其简化成每层100个神经元，总共300个。
（2）通过随机减小神经元之间连接权值的大小实现突触缺失变化，配合改变空间噪声强度，利用MATLAB平台仿真在各种突触缺失情形下的联想记忆能力，最终利用FLASH动态直观展示像素图像的变化。
（3）依据本发明，所述系统主要包括3个界面：标题界面、设置界面、运行界面。其中，标题界面为刚打开系统时显示的界面；设置界面为对各项参数进行设置、保存和读取的操作界面；运行界面为实验进行时显示的界面，显示实验的过程及结果。
界面中的各个按钮都配有文字说明，并使用不同的颜色和样式加以区分：【进入】、【进行实验】等与前进相关的按钮，为绿色向右箭头；【中止实验】为红色向左箭头；【复制】、【粘贴】等其他操作按钮则为浅蓝色。
界面中各种动态文本框使用不同底色加以区分：如设置各项参数的文本框为普通的白底，各个设置名称的文本框为黄底，实验结束后显示综合结果的文本框则为橙色底色。
运行界面中仍然会显示本次实验设置的各项参数（连接强度、输入强度及各个记忆模式、输入模式等），且不能在运行界面修改，用户可看到本次实验的全部信息，便于记录和分析。
传统的网络状神经元结构图示在进行参数记忆与输入时，容易出现对应神经元位置不易系统化搜索、不同区域神经元排列模式不一致使观察参数时较为混乱、参数的输入过程过程较为繁复等问题。而本发明所述系统采用原创的神经元对应像素点的记忆与输入模式，在操作上更为简便，通过鼠标、键盘、触摸屏即可完成每个像素点的输入绘制。其中每个像素点都对应一个0至1的参数，每个模式中一百个像素点以10×10的方式进行排列，构成一组像素图，使得对各模式参数的观察、设置以及修改更加的直观与简便，也更容易对其进行理解与分析。
具体地，以MATLAB平台仿真及动态展示为例，所述MATLAB平台包含以下功能：（1）用户个人管理；（2）基本参数设置；（3）记忆模式与输入模式设置；（4）数据保存与读取设置；（5）传统放电静态图像查看；（6）动态像素图像演示。
在功能（1）用户个人管理功能中，用户可以注册账号、登录账号、修改个人信息。在功能（2）基本参数设置功能中，用户通过在对应的文本框中输入数值来对神经网络的连接强度、输入强度等基本参数进行设置。在功能（3）记忆模式与输入模式设置功能中，用户可以通过以鼠标点击绘制的方式，并可以进行复制、粘贴等操作，对各模式进行直观地设置和修改。在功能（4）数据保存与读取设置功能中，用户可以通过保存已设定的各项参数，在下一次运行系统时直接读取设置。在功能（5）传统放电静态图像查看功能中，用户可以通过本系统自动进行动态绘制，得到以时间为横坐标，神经元序号为纵坐标的散点图。在功能（6）动态像素图像演示功能中，用户可以通过FLASH动态，直观查看像素点闪现即神经元放电。
进一步地，本发明在上述软件实验平台的基础上，还提出了一种基于CMOS脉冲神经元和忆阻突触的硬件联想记忆神经网络，并使用PSPICE仿真软件对其进行了模型搭建和功能测试。本发明提出的基于忆阻器突触的突触缺失模型，在PSPICE的初步仿真实验中获得了与软件实验平台中相似的结果。
在电路搭建上，本发明使用绝缘栅场效晶体管（MOS管）构建脉冲神经元模型，在输入方波信号的情况下，可输出近似方波的脉冲信号；根据忆阻器的数学模型，使用受控电压源、积分器等元件构建所需的数学表达式，从而搭建基本的忆阻器模型，进而利用忆阻器构建突触模型；使用单忆阻突触，通过调整忆阻器的正负方向，实现对信号的增强或抑制，与软件实验系统中连接权值的正负相对应。
作为本发明中软件实验平台向硬件领域的扩展，该模型初步论证了基于忆阻器搭建硬件神经网络以对阿尔茨海默病进行模拟的可行性，对硬件类脑神经系统的搭建以及该病的进一步模拟研究具有一定的参考意义。
进一步地，作为本发明的一种具体实现方式，本发明的神经网络算法如下：
（1）神经元放电特性
Izhikevich神经元模型结合了Hodgkin-Huxley类模型动力学特性的生物似真性和积分-放电模型的计算有效性的优点。每个神经元的放电特性由两个变量
Figure 79691DEST_PATH_IMAGE001
和
Figure 955243DEST_PATH_IMAGE002
表达，其中
Figure 984379DEST_PATH_IMAGE001
的值对应于第i个神经元的膜电位，
Figure 287185DEST_PATH_IMAGE002
为膜电位的恢复变量，
Figure 34561DEST_PATH_IMAGE003
对应于第i个神经元的突触电流。以第一层神经元为例，模型中神经元放电的数学表达式为：
Figure 448225DEST_PATH_IMAGE005
Figure 863025DEST_PATH_IMAGE006
若：
Figure 569688DEST_PATH_IMAGE007
则：
Figure 538781DEST_PATH_IMAGE008
Figure 490556DEST_PATH_IMAGE009
其中，
Figure 228705DEST_PATH_IMAGE010
和
Figure 873313DEST_PATH_IMAGE011
都为常数；
Figure 329702DEST_PATH_IMAGE012
表示时间；
Figure 85169DEST_PATH_IMAGE013
是神经元的膜电位；
Figure 943403DEST_PATH_IMAGE014
表示膜的恢复变量；
Figure 260378DEST_PATH_IMAGE015
是强度为
Figure 938484DEST_PATH_IMAGE016
的自相关高斯白噪声；
Figure 497641DEST_PATH_IMAGE017
是神经元的阈值；
Figure 210382DEST_PATH_IMAGE018
为外部输入，
Figure 196792DEST_PATH_IMAGE019
为常数，表示输入信号的强度大小。
Figure 627774DEST_PATH_IMAGE020
Figure 725043DEST_PATH_IMAGE021
是二值变量，表示神经元是否有外部输入。
（2）神经元突触可塑性
从人工神经元和人工神经网络的角度看，Hebbian法则可以被描述为一种决定怎样改变模型神经元之间权值的方法。当两个神经元同步激活时，这两个神经元之间的权值增大，否则权值减小。
在Hopfield网络结构形式的假设下，海马CA3区细胞之间连接的突触由Hebbian形式的突触修饰法则修饰。在本发明用一组扩展的Hebbian学习法则作为模型中神经元突触之间修饰的方法。用以下一组方程为例：
Figure 292290DEST_PATH_IMAGE022
Figure 948137DEST_PATH_IMAGE023
是连接强度；
Figure 600836DEST_PATH_IMAGE024
是第一层和第二层所有神经元记忆模式各项和的平均值；
Figure 501796DEST_PATH_IMAGE025
，
Figure 189129DEST_PATH_IMAGE025
分别表示存储在第一层，第二层的记忆模式，其中
Figure 517342DEST_PATH_IMAGE026
为记忆模式的数量。
进一步地，作为本发明的一种具体实现方式，本发明的静态图像算法如下：
每次实验最后生成的静态图像是为了描述此次神经元同步放电的效果。
一次实验中，每层神经元都会生成对应的一个放电记录矩阵（Szt）。矩阵的每一行代表一个时刻，每一列代表一个神经元。如果某一神经元在某一时刻放电，则矩阵对应位置值为1，否则为0。
对Szt每一行求和后，可以找出Szt中除第一行和最后一行外，同时放电神经元个数最多的5个时刻，记作tm1,tm2, ... ,tm5。而后考察这5个时刻及其前、后相邻时刻（tm1-1 , tm1, tm1+1, ... , tm5+1）共15个时刻中放电的神经元并生成静态图像。
首先为每层神经元建立一个对应的静态图像数组（STATIC）。STATIC中每个元素均为自然数，数值为0~4，对应一个像素点的5种颜色，由浅到深分别为白、浅灰、中灰、深灰、黑。图像生成步骤如下：首先将STATIC的100个元素全部设为0（即对应像素点为白色），而后考察上述15个时刻中放电的神经元。若神经元放电一次，则其对应STATIC中的元素加1，即像素点颜色加深一级（STATIC中元素最大值为4，达到4则不再增加）。将15个时刻中放电神经元叠加后，便生成了最终的STATIC数组及其静态图。若设置了合适参数，可以使得记忆模式为1的神经元同步放电，而其他神经元放电不明显同步，则根据此算法生成的静态图像将会与记忆模式的图像较为接近。
而后对所得的STATIC数组进行进一步处理，计算出每层神经元放电的记忆恢复率（记忆模式被恢复的部分占记忆模式全体的比例）和准确率（绘制出的静态图像中与记忆模式图像重合的比例）。对上述结果进行加权平均（每层权值相等，记忆恢复率与准确率的权值之比为4：1），得出一个最终分数，显示在左下方，并给出记忆状态的判断（≥90：正常状态；80（含）~90：轻度记忆障碍；70（含）~80：中度记忆障碍；＜70：重度记忆障碍）。
进一步地，作为本发明的一种具体实现方式，本发明使用的基础函数如下：
本发明系统程序以FLASH中Action Script 3.0（AS3.0）语言编写。
（1）求数组前N项的平均值
将数组前N个元素累加，而后除以N即可。
（2）求数组中a个最大值的序号
首先对数组进行降序排序，计算得到数组中a个最大值，而后在原数组中分别查找这a个值首次出现的位置（即其序号），记录在新数组中，以这个新数组作为返回值。
（3）正态分布随机数及高斯白噪声
产生正态分布随机数：
使用Box-Muller方法，将均匀分布随机数转换为正态分布随机数。对于均匀随机数
Figure 657336DEST_PATH_IMAGE027
，应用如下公式：
Figure 96408DEST_PATH_IMAGE028
则
Figure 638248DEST_PATH_IMAGE029
为服从标准正态分布的随机数。
产生强度为
Figure 638827DEST_PATH_IMAGE030
（单位dbw）的高斯白噪声：
在上述正态分布随机数
Figure 266117DEST_PATH_IMAGE031
的基础上，令：
Figure 508880DEST_PATH_IMAGE032
则
Figure 170805DEST_PATH_IMAGE033
为强度为
Figure 840821DEST_PATH_IMAGE034
的高斯白噪声。
进一步地，作为本发明的一种具体实现方式，本发明的参数设置过程如下：
（1）基本参数设置
对神经网络的连接强度、输入强度等基本参数进行设置。在对应的文本框中输入数值，下一次实验开始时系统会自动读取文本框中数值并更新对应变量。
（2）记忆模式与输入模式设置
每一层神经元储存一种记忆模式，并对应一种输入模式，所谓的模式实质是对应每个神经元的一组0-1变量。在设置界面中，每个0-1变量对应一个黑白像素点，每个模式中的100个变量以10×10的形式排列，可以理解成一幅像素图。以鼠标点击绘制等方式，对各模式进行直观地设置和修改，并可以进行复制、粘贴等操作。
（3）保存设置与读取设置
将当前设定的各项参数保存，以便在下一次运行系统时读取设置，更方便地进行实验。
进一步地，作为本发明的一种具体实现方式，本发明的动态演示过程如下：
（1）主计时器
将AS3.0中的计时功能与前文所述神经网络算法相结合，使其每隔0.05秒前进一个时间单位，对各个神经元的
Figure 689828DEST_PATH_IMAGE035
进行一次更新，同时对传统放电图像和动态像素图像进行更新。在这种情况下，可以较为清晰地展示神经元的放电过程。
（2）常规放电图像
即常用的以时间为横坐标，神经元序号为纵坐标的散点图，在本发明系统中为动态绘制。
（3）动态像素图像
本发明系统中原创的展示形式，每个像素点对应一个神经元，神经元放电则像素点闪现一次。与传统放电图像相比，本发明的动态像素展示方式更加直观、易懂。
基于上述方案，本发明所述系统的主流程如图2所示，主计时器的流程如图3所示。综上所述，本发明设计研发了可以早期筛查和演示阿尔茨海默病的智能系统，能够帮助患者更早地诊断病症，同时为医疗和科研人员针对阿尔茨海默病的病因进行可视化展示。所述系统可以通过APP或者PC端搭载，可以作为针对阿尔茨海默病的医疗教辅系统、临床诊断参考辅助系统以及治疗辅助系统，从而解决阿尔茨海默病的早期诊断困难问题。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (3)

1.一种阿尔茨海默病智能早期筛查系统，其特征在于，包括：
模型搭建模块，用于使用脉冲神经网络搭建海马CA3区的类脑忆阻神经形态模型，以模拟海马CA3区的联想记忆能力、信息存储能力、以及正常状态下产生脑电信号的能力；
所述模型搭建模块中，根据海马CA3区的解剖结构及其内部突触连接特性，建立一个三层的类Hopfield网络，用Izhikevich神经元模型作为网络的节点对模型中的神经元进行描述，各神经元之间通过Hebbian法则采用全连接的方式连接；
所述模型搭建模块中，使用绝缘栅场效晶体管构建脉冲神经元模型，使用忆阻器构建突触模型，通过调整忆阻器的正负方向，实现对信号的增强或抑制，与软件实验系统中连接权值的正负相对应；
突触缺失模拟模块，用于在搭建的类脑忆阻神经形态模型的基础上，建立突触缺失模型，研究不同的突触缺失水平以及不同的网络连接结构对于人脑联想记忆能力的影响；
所述突触缺失模拟模块具体用于：
对联想记忆能力下降的轻度认知功能障碍以及对患有阿尔茨海默病的早中后期所对应的联想记忆能力进行模拟，分别从短期联想记忆能力、长期联想记忆能力以及从自联想记忆能力、异联想记忆能力和多向联想记忆能力角度进行研究，与此同时产生不同的脑电信号，进而模拟阿尔茨海默病患者的联想记忆能力丧失状况及其对应的脑电信号；
所述突触缺失模拟模块中，通过随机减小神经元之间连接权值的大小实现突触缺失变化；
仿真演示模块，用于对所述突触缺失模型的联想记忆能力进行仿真，区别于传统放电静态图像的方法，以像素图像模式对所述突触缺失模型进行演示；
所述像素图像模式包括：以像素点对应相应的神经元，形成一组像素图，形象化地进行参数的输入与记忆，并通过像素点的闪烁来表现神经元的放电动作；静态图像算法如下：一次实验中，每层神经元都会生成对应的一个放电记录矩阵，即Szt；矩阵的每一行代表一个时刻，每一列代表一个神经元；如果某一神经元在某一时刻放电，则矩阵对应位置值为1，否则为0；
对Szt每一行求和后，找出Szt中除第一行和最后一行外，同时放电神经元个数最多的5个时刻，记作tm1, tm2, ... , tm5；而后考察这5个时刻及其前、后相邻共15个时刻中放电的神经元并生成静态图像；
首先为每层神经元建立一个对应的静态图像数组，即STATIC；STATIC中每个元素均为自然数，数值为0~4，对应一个像素点的5种颜色，由浅到深分别为白、浅灰、中灰、深灰、黑；图像生成步骤如下：首先将STATIC的100个元素全部设为0，即对应像素点为白色，而后考察上述15个时刻中放电的神经元；若神经元放电一次，则其对应STATIC中的元素加1，即像素点颜色加深一级，STATIC中元素最大值为4，达到4则不再增加；将15个时刻中放电神经元叠加后，便生成了最终的STATIC数组及其静态图像；若设置了合适参数，可以使得记忆模式为1的神经元同步放电，而其他神经元放电不明显同步，则根据此算法生成的静态图像将会与记忆模式的图像较为接近；
所述仿真演示模块中，利用MATLAB平台仿真各种突触缺失情形下人脑的联想记忆能力，并以FLASH进行动态演示；
在动态演示后对所得的STATIC数组进行进一步处理，计算出每层神经元放电的记忆恢复率和准确率，所述记忆恢复率是指记忆模式被恢复的部分占记忆模式全体的比例，所述准确率是指绘制出的静态图像中与记忆模式图像重合的比例；对上述结果进行加权平均，即：每层权值相等，记忆恢复率与准确率的权值之比为4：1，得出一个最终分数，显示在左下方，并给出记忆状态的判断，判断方式如下：≥90：正常状态；≥80且＜90：轻度记忆障碍；≥70且＜80：中度记忆障碍；＜70：重度记忆障碍。
2.根据权利要求1所述的阿尔茨海默病智能早期筛查系统，其特征在于，所述系统包括标题界面、设置界面、运行界面；
所述标题界面为打开系统时显示的界面；
所述设置界面为对各项参数进行设置、保存和读取的操作界面；
所述运行界面为实验进行时显示的界面，用于显示实验的过程及结果。
3.根据权利要求2所述的阿尔茨海默病智能早期筛查系统，其特征在于，在所述设置界面，通过鼠标、键盘或触摸屏进行每个像素点的输入绘制，其中每个像素点都对应一个0至1的参数，每个模式中采用一百个像素点以10×10的方式进行排列，构成一组像素图。
CN202110978302.6A 2021-08-25 2021-08-25 阿尔茨海默病智能早期筛查系统 Active CN113420873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110978302.6A CN113420873B (zh) 2021-08-25 2021-08-25 阿尔茨海默病智能早期筛查系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110978302.6A CN113420873B (zh) 2021-08-25 2021-08-25 阿尔茨海默病智能早期筛查系统

Publications (2)

Publication Number Publication Date
CN113420873A CN113420873A (zh) 2021-09-21
CN113420873B true CN113420873B (zh) 2021-12-10

Family

ID=77719394

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110978302.6A Active CN113420873B (zh) 2021-08-25 2021-08-25 阿尔茨海默病智能早期筛查系统

Country Status (1)

Country Link
CN (1) CN113420873B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279557A (zh) * 2015-11-13 2016-01-27 徐志强 基于人脑工作机制的记忆和思维模拟装置
CN106354990A (zh) * 2015-07-13 2017-01-25 西北工业大学 一种EEG和fMRI一致性的检测方法
CN110751067A (zh) * 2019-10-08 2020-02-04 艾特城信息科技有限公司 一种结合生物形态神经元模型的动态表情识别方法
CN111882064A (zh) * 2020-08-03 2020-11-03 中国人民解放军国防科技大学 基于忆阻器实现脉冲神经网络竞争学习机制的方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5902732A (en) * 1995-10-04 1999-05-11 Cytoscan Sciences Llc Drug screening process measuring changes in cell volume
US7050856B2 (en) * 2002-01-11 2006-05-23 Medtronic, Inc. Variation of neural-stimulation parameters
CA2642041C (en) * 2005-12-23 2014-07-15 Le Tan Thanh Tai Spatio-temporal pattern recognition using a spiking neural network and processing thereof on a portable and/or distributed computer
CN101567079B (zh) * 2009-06-05 2011-06-29 西安电子科技大学 基于Hopfield神经网络的运动模糊图像恢复方法
CN103679710B (zh) * 2013-11-29 2016-08-17 杭州电子科技大学 基于多层神经元群放电信息的图像弱边缘检测方法
WO2019183376A1 (en) * 2018-03-21 2019-09-26 The Board Of Trustees Of The Leland Stanford Junior University Methods for temporal and spatial multiplexing of spatial light modulators and systems for same

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106354990A (zh) * 2015-07-13 2017-01-25 西北工业大学 一种EEG和fMRI一致性的检测方法
CN105279557A (zh) * 2015-11-13 2016-01-27 徐志强 基于人脑工作机制的记忆和思维模拟装置
CN110751067A (zh) * 2019-10-08 2020-02-04 艾特城信息科技有限公司 一种结合生物形态神经元模型的动态表情识别方法
CN111882064A (zh) * 2020-08-03 2020-11-03 中国人民解放军国防科技大学 基于忆阻器实现脉冲神经网络竞争学习机制的方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Synaptic compensation on Hopfield network: implications for memory rehabilitation;R. A. Menezes 等，;《Neural Computing and Applications volume》;20101114;第2010年卷;第753–757页 *
基于突触可塑性的无标度脉冲神经网络的动态特性研究;郭磊 等，;《生物医学工程学杂志》;20191231(第06期);第902-910页 *
基于类Hopfield网络的海马CA3区联想记忆功能障碍的建模与仿真;赵旺兄，;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20110315;第2011年卷(第3期);摘要、第8页、第22-23页、第32页 *
海马CA3区联想记忆功能的神经网络建模;赵旺兄 等，;《中国组织工程研究与临床康复》;20100828(第17期);第201-211页 *
赵旺兄，.基于类Hopfield网络的海马CA3区联想记忆功能障碍的建模与仿真.《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》.2011,第2011年卷(第3期), *

Also Published As

Publication number Publication date
CN113420873A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
Wang et al. Simulation of retinal ganglion cell response using fast independent component analysis
Tadeusiewicz et al. Exploring neural networks with C
Cheng et al. Facial expression recognition method based on improved VGG convolutional neural network
Połap et al. Multi-threaded learning control mechanism for neural networks
Wu et al. Detecting dynamic behavior of brain fatigue through 3-d-CNN-LSTM
CN106407889A (zh) 基于光流图深度学习模型在视频中人体交互动作识别方法
Sagar et al. A neurobehavioural framework for autonomous animation of virtual human faces
Zeng et al. Improving multi-layer spiking neural networks by incorporating brain-inspired rules
Tian et al. A novel evaluation strategy to artificial neural network model based on bionics
CN105701540A (zh) 一种自生成神经网络构建方法
Vogelstein et al. Connectal coding: discovering the structures linking cognitive phenotypes to individual histories
Khashman Blood cell identification using emotional neural networks.
CN113420873B (zh) 阿尔茨海默病智能早期筛查系统
Johnson Theories in developmental cognitive neuroscience
Cajic et al. Neuro-Fuzzy Disease Detection Using Interpolation in Matlab: Unveiling the Hidden Patterns
Świetlik et al. Memory and forgetting processes with the firing neuron model
Salimi-Nezhad et al. A neuromimetic realization of hippocampal CA1 for theta wave generation
CN116402134A (zh) 基于行为感知的知识追踪方法及系统
CN105845001A (zh) 基于fpga的多电极阵列仿真实验平台
CN113616209B (zh) 基于时空注意力机制的精神分裂症患者甄别方法
CN114548239A (zh) 一种基于类哺乳动物视网膜结构人工神经网络的图像识别与分类方法
CN109685143A (zh) 一种甲状腺锝扫图像的识别模型构建方法及装置
Jacobs et al. Methods for constructing physiologically motivated neuromorphic models in CNNs
CN114295967A (zh) 一种基于迁移神经网络的模拟电路故障诊断方法
Rogers Neural networks as a critical level of description for cognitive neuroscience

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