CN113807242A - 小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用 - Google Patents
小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用 Download PDFInfo
- Publication number
- CN113807242A CN113807242A CN202111083206.1A CN202111083206A CN113807242A CN 113807242 A CN113807242 A CN 113807242A CN 202111083206 A CN202111083206 A CN 202111083206A CN 113807242 A CN113807242 A CN 113807242A
- Authority
- CN
- China
- Prior art keywords
- complex
- peak
- response
- spike
- condition
- 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.)
- Pending
Links
- 210000000449 purkinje cell Anatomy 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 43
- 210000001638 cerebellum Anatomy 0.000 title claims abstract description 5
- 230000004044 response Effects 0.000 claims abstract description 114
- 230000002490 cerebral effect Effects 0.000 claims abstract description 54
- 238000012216 screening Methods 0.000 claims abstract description 32
- 230000004936 stimulating effect Effects 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 5
- 210000004027 cell Anatomy 0.000 claims description 15
- 239000000835 fiber Substances 0.000 claims description 10
- 230000009194 climbing Effects 0.000 claims description 9
- 230000000946 synaptic effect Effects 0.000 claims description 9
- 210000000225 synapse Anatomy 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000036755 cellular response Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 210000005056 cell body Anatomy 0.000 claims description 3
- 210000000170 cell membrane Anatomy 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000000638 stimulation Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 9
- 230000000877 morphologic effect Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012421 spiking Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明属于计算神经科学技术领域，公开了一种小脑浦肯野细胞复杂尖峰识别方法，所述小脑浦肯野细胞复杂尖峰识别方法包括：刺激浦肯野细胞获得复杂尖峰响应波形；基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件；根据所述条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应；所述小脑浦肯野细胞复杂尖峰识别系统，包括复杂尖峰响应波形获取模块、阈值范围条件构建模块、复杂尖峰条件筛选模块、复杂尖峰响应筛选模块。本发明不仅能够加深对复杂尖峰形态特征的理解，而且有助于促进浦肯野细胞响应机制的研究。
Description
技术领域
本发明属于计算神经科学技术领域，尤其涉及一种小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用。
背景技术
目前，复杂尖峰和简单尖峰作为小脑浦肯野细胞的两种响应模式，从早期观测以来，记录的数据显示复杂尖峰的起始部分十分稳定，但是后面小穗的变化很大。同时由于复杂尖峰的发放频率通常在1至2Hz，并夹杂在发放频率为100Hz以上的简单尖峰之中，对于复杂尖峰的识别较为困难。复杂尖峰识别方法的研究能够加深对复杂尖峰形态特征的理解，而且有助于促进浦肯野细胞响应机制的研究。
虽然现存许多关于复杂尖峰和简单尖峰的研究，但是这些研究存在如下问题。传统实验中，对于复杂尖峰的识别主要依赖于伴随复杂尖峰的短暂放电暂停，此特征便于识别，但是由于暂停的时长变化较大，目前缺乏具体的参数标准，当复杂尖峰形态变化较大时无法准确识别；在处理浦肯野细胞的大量响应波形数据时，对于复杂尖峰的提取尚缺乏一种行之有效的方法。
通过上述分析，现有技术存在的问题及缺陷为：
(1)传统实验中，对于复杂尖峰的识别主要依赖于伴随复杂尖峰的短暂放电暂停，但是由于暂停的时长变化较大，目前缺乏具体的参数标准，当复杂尖峰形态变化较大时无法准确识别。
(2)在处理浦肯野细胞的大量响应波形数据时，对于复杂尖峰的提取尚缺乏一种行之有效的方法，导致在小脑浦肯野细胞的响应机制研究方面无法采用计算机技术快速提取分析大量复杂尖峰数据，研究进展缓慢。
解决以上问题及缺陷的难度为：小脑浦肯野细胞的生理特性决定了复杂尖峰发放频率较低，因此难以通过实验对大量数据的分析得出复杂尖峰特征。
解决以上问题及缺陷的意义为：复杂尖峰识别方法的研究不仅能够加深对复杂尖峰形态特征的理解，而且有助于促进浦肯野细胞响应机制的研究。
发明内容
针对现有技术存在的问题，本发明提供了一种小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用。
本发明是这样实现的，一种小脑浦肯野细胞复杂尖峰识别方法，所述小脑浦肯野细胞复杂尖峰识别方法包括：
利用攀援纤维突触刺激浦肯野细胞；根据浦肯野细胞响应波形的初始尖峰所处的幅值范围进行初步筛选；对响应波形第一、二尖峰响应差值和间隔时间的共有特征进行分析，设定二次筛选条件，从而得到复杂尖峰的识别方法。
进一步，所述小脑浦肯野细胞复杂尖峰识别方法包括以下步骤：
步骤一，刺激浦肯野细胞获得复杂尖峰响应波形；
步骤二，基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；
步骤三，以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件；
步骤四，根据所述条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应，所述条件即是复杂尖峰的识别方法。
进一步，步骤一中，所述刺激浦肯野细胞获得复杂尖峰响应波形，包括：
(1)采用电流钳方式输入电流控制细胞初始电压稳定，公式如下：
其中，I表示输入的电流，amp表示电流强度，del表示触发时间、dur表示持续时间。电流I直接注入到细胞体soma内部。
(2)攀缘纤维突触刺激的电流可以由具备指数上升和下降性质的电导g所控制，在细胞初始电压稳定的条件下通过激发攀援纤维突触刺激，获得复杂尖峰响应，公式如下：
i＝g*(v-e)；
其中，v代表细胞膜电位，即细胞初始电压。e代表细胞的反转电位，这里取值为0。当实验时间t未到达突触刺激时刻onset时g＝0，当实验时间t到达onset后，公式如下：
其中，tau0和tau1分别代表突触最大电导的上升时间和衰减时间；amp由下式定义：
amp＝adjust*gmax；
其中，gmax是最大电导，本模型gmax是1.22nS，adjust由下式定义：
其中tpeak由下式得出：
进一步，步骤二中，所述基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件，公式如下：
v＝[vmin,vmax]；
其中，v表示复杂尖峰初始尖峰电位，vmin和vmax分别表示复杂尖峰需满足的最小电位和最大电位，vmin＝-25mv，vmax＝10mv。
进一步，步骤三中，所述以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件，包括：
(1)复杂尖峰初始小穗响应峰值需大于第二小穗峰值，设定Δv为小穗尖峰差值，公式如下：
Δv＝v1-v2＞11mv；
其中，v1、v2分别表示复杂尖峰初始小穗和第二小穗响应峰值，取差值作为Δv；若Δv小于11mv则可判定该波形不属于复杂尖峰，否则进行下一步，判断波形第二小穗响应电位是否大于-45mv，若大于则继续下一步处理。
(2)相邻的第一、二响应电位峰值时刻的间隔需小于时间Δt，Δt的计算公式如下：
Δt＝t1-t2；
其中，t1、t2分别表示复杂尖峰初始小穗和第二小穗达到峰值的时间，Δt取值为1.5ms。
本发明的另一目的在于提供一种应用所述的小脑浦肯野细胞复杂尖峰识别方法的小脑浦肯野细胞复杂尖峰识别系统，所述小脑浦肯野细胞复杂尖峰识别系统包括：
复杂尖峰响应波形获取模块，用于通过刺激浦肯野细胞获得复杂尖峰响应波形；
阈值范围条件构建模块，用于基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；
复杂尖峰条件筛选模块，用于以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件；
复杂尖峰响应筛选模块，用于根据所述条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应，所述条件即是复杂尖峰的识别方法。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
刺激浦肯野细胞获得复杂尖峰响应波形；基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件；根据所述条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应，所述条件即是复杂尖峰的识别方法。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
刺激浦肯野细胞获得复杂尖峰响应波形；基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件；根据所述条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应，所述条件即是复杂尖峰的识别方法。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的小脑浦肯野细胞复杂尖峰识别系统。
本发明的另一目的在于提供一种所述的小脑浦肯野细胞复杂尖峰识别系统在计算神经科学领域浦肯野细胞响应机制分析中的应用。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过攀援纤维突触刺激细胞获得复杂尖峰响应波形；分析多种细胞复杂尖峰波形初始尖峰的幅值，获得复杂尖峰波形初始尖峰应处于的幅值区间；分析不同形态的浦肯野细胞中复杂尖峰波形第一、二尖峰响应差值和间隔时间的共有特征，将特征参数作为识别条件，进而得到一种小脑浦肯野细胞复杂尖峰识别方法。本发明对复杂尖峰识别方法的研究不仅能够加深对复杂尖峰形态特征的理解，而且有助于促进浦肯野细胞响应机制的研究。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述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小脑浦肯野细胞复杂尖峰识别方法流程图。
图2是本发明实施例提供的小脑浦肯野细胞复杂尖峰识别方法原理图。
图3是本发明实施例提供的小脑浦肯野细胞复杂尖峰识别系统结构框图；
图中：1、复杂尖峰响应波形获取模块；2、阈值范围条件构建模块；3、复杂尖峰条件筛选模块；4、复杂尖峰响应筛选模块。
图4是本发明实施例提供的十种浦肯野细胞复杂尖峰响应趋势图。
图5是本发明实施例提供的十种细胞复杂尖峰第一、二尖峰差值示意图。
图6是本发明实施例提供的十种细胞复杂尖峰第一、二尖峰响应间隔示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的小脑浦肯野细胞复杂尖峰识别方法包括以下步骤：
S101，刺激浦肯野细胞获得复杂尖峰响应波形；
S102，基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；
S103，以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件；
S104，根据所述条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应，所述条件即是复杂尖峰的识别方法。
本发明实施例提供的小脑浦肯野细胞复杂尖峰识别方法原理图如图2所示。
如图3所示，本发明实施例提供的小脑浦肯野细胞复杂尖峰识别系统包括：
复杂尖峰响应波形获取模块1，用于通过刺激浦肯野细胞获得复杂尖峰响应波形；
阈值范围条件构建模块2，用于基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；
复杂尖峰条件筛选模块3，用于以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件；
复杂尖峰响应筛选模块4，用于根据所述条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应，所述条件即是复杂尖峰的识别方法。
下面结合具体实施例对本发明的技术方案作进一步描述。
如图2所示，本发明根据小脑浦肯野细胞复杂尖峰响应趋势建立一种识别复杂尖峰的方法，包含以下步骤：
步骤1：获得浦肯野细胞复杂尖峰响应波形；
步骤2：基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；
步骤3：根据复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件。
在具体实施时，获得浦肯野细胞复杂尖峰响应波形的步骤如下：
采用电流钳方式输入电流控制细胞初始电压稳定，公式如下：
其中，I表示输入的电流，amp表示电流强度，del表示触发时间、dur表示持续时间。电流I直接注入到细胞体soma内部。
攀缘纤维突触刺激的电流可以由具备指数上升和下降性质的电导g所控制，在细胞初始电压稳定的条件下通过激发攀援纤维突触刺激，获得复杂尖峰响应。公式如下：
i＝g*(v-e)
其中，v代表细胞膜电位，即细胞初始电压。e代表细胞的反转电位，这里取值为0。当实验时间t未到达突触刺激时刻onset时g＝0，当实验时间t到达onset后，公式如下：
其中tau0和tau1分别代表突触最大电导的上升时间和衰减时间。amp由下式定义：
amp＝adjust*gmax
其中gmax是最大电导，本模型gmax是1.22nS，adjust由下式定义：
其中tpeak由下式得出：
随后，构建复杂尖峰需满足的阈值范围条件。公式如下：
v＝[vmin,vmax]
其中，v表示复杂尖峰初始尖峰电位，vmin和vmax分别表示复杂尖峰需满足的最小电位和最大电位。本发明中vmin＝-25mv，vmax＝10mv。
最后，以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件。包括：
(1)复杂尖峰初始小穗响应峰值需大于第二小穗峰值，本发明设定Δv为小穗尖峰差值，公式如下：
Δv＝v1-v2＞11mv
其中，v1、v2分别表示复杂尖峰初始小穗和第二小穗响应峰值，取差值作为Δv。若Δv小于11mv则可判定该波形不属于复杂尖峰，否则进行下一步，判断波形第二小穗响应电位是否大于-45mv，若大于则继续下一步处理。
(2)相邻的第一、二响应电位峰值时刻的间隔需小于时间Δt，Δt的计算公式如下：
Δt＝t1-t2
其中，t1、t2分别表示复杂尖峰初始小穗和第二小穗达到峰值的时间。本发明中Δt取值为1.5ms。
根据以上条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应，以上条件即是复杂尖峰的识别方法。
本发明实施例提供的十种浦肯野细胞复杂尖峰响应趋势图如图4所示，本发明实施例提供的十种细胞复杂尖峰第一、二尖峰差值示意图如图5所示，本发明实施例提供的十种细胞复杂尖峰第一、二尖峰响应间隔示意图如图6所示。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种小脑浦肯野细胞复杂尖峰识别方法，其特征在于，所述小脑浦肯野细胞复杂尖峰识别方法包括：利用攀援纤维突触刺激浦肯野细胞；根据浦肯野细胞响应波形的初始尖峰所处的幅值范围进行初步筛选；对响应波形第一、二尖峰响应差值和间隔时间的共有特征进行分析，设定二次筛选条件，从而得到复杂尖峰的识别方法。
2.如权利要求1所述的小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用，其特征在于，所述小脑浦肯野细胞复杂尖峰识别方法包括以下步骤：
步骤一，刺激浦肯野细胞获得复杂尖峰响应波形；
步骤二，基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；
步骤三，以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件；
步骤四，根据所述条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应，所述条件即是复杂尖峰的识别方法。
3.如权利要求2所述的小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用，其特征在于，步骤一中，所述刺激浦肯野细胞获得复杂尖峰响应波形，包括：
(1)采用电流钳方式输入电流控制细胞初始电压稳定，公式如下：
其中，I表示输入的电流，amp表示电流强度，del表示触发时间、dur表示持续时间。电流I直接注入到细胞体soma内部。
(2)攀缘纤维突触刺激的电流可以由具备指数上升和下降性质的电导g所控制，在细胞初始电压稳定的条件下通过激发攀援纤维突触刺激，获得复杂尖峰响应，公式如下：
i＝g*(v-e)；
其中，v代表细胞膜电位，即细胞初始电压。e代表细胞的反转电位，这里取值为0。当实验时间t未到达突触刺激时刻onset时g＝0，当实验时间t到达onset后，公式如下：
其中，tau0和tau1分别代表突触最大电导的上升时间和衰减时间；amp由下式定义：
amp＝adjust*gmax；
其中，gmax是最大电导，本模型gmax是1.22nS，adjust由下式定义：
其中tpeak由下式得出：
4.如权利要求2所述的小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用，其特征在于，步骤二中，所述基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件，公式如下：
v＝[vmin，vmax]；
其中，v表示复杂尖峰初始尖峰电位，vmin和vmax分别表示复杂尖峰需满足的最小电位和最大电位，vmin＝-25mv，vmax＝10mv。
5.如权利要求2所述的小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用，其特征在于，步骤三中，所述以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件，包括：
(1)复杂尖峰初始小穗响应峰值需大于第二小穗峰值，设定Δv为小穗尖峰差值，公式如下：
Δv＝v1-v2＞11mv；
其中，v1、v2分别表示复杂尖峰初始小穗和第二小穗响应峰值，取差值作为Δv；若Δv小于11mv则可判定该波形不属于复杂尖峰，否则进行下一步，判断波形第二小穗响应电位是否大于-45mv，若大于则继续下一步处理；
(2)相邻的第一、二响应电位峰值时刻的间隔需小于时间Δt，Δt的计算公式如下：
Δt＝t1-t2；
其中，t1、t2分别表示复杂尖峰初始小穗和第二小穗达到峰值的时间，Δt取值为1.5ms。
6.一种实施如权利要求1～5任意一项所述的小脑浦肯野细胞复杂尖峰识别方法的小脑浦肯野细胞复杂尖峰识别系统，其特征在于，所述小脑浦肯野细胞复杂尖峰识别系统包括：
复杂尖峰响应波形获取模块，用于通过刺激浦肯野细胞获得复杂尖峰响应波形；
阈值范围条件构建模块，用于基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；
复杂尖峰条件筛选模块，用于以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件；
复杂尖峰响应筛选模块，用于根据所述条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应，所述条件即是复杂尖峰的识别方法。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
刺激浦肯野细胞获得复杂尖峰响应波形；基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件；根据所述条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应，所述条件即是复杂尖峰的识别方法。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
刺激浦肯野细胞获得复杂尖峰响应波形；基于获得的小脑浦肯野细胞复杂尖峰响应波形，构建复杂尖峰需满足的阈值范围条件；以复杂尖峰初始尖峰与第二小穗电位的差值与响应间隔时间作为筛选复杂尖峰的条件；根据所述条件筛选出的响应波形即作为小脑浦肯野细胞的复杂尖峰响应，所述条件即是复杂尖峰的识别方法。
9.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求6所述的小脑浦肯野细胞复杂尖峰识别系统。
10.一种如权利要求6所述的小脑浦肯野细胞复杂尖峰识别系统在计算神经科学领域浦肯野细胞响应机制分析中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111083206.1A CN113807242A (zh) | 2021-09-15 | 2021-09-15 | 小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111083206.1A CN113807242A (zh) | 2021-09-15 | 2021-09-15 | 小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113807242A true CN113807242A (zh) | 2021-12-17 |
Family
ID=78941226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111083206.1A Pending CN113807242A (zh) | 2021-09-15 | 2021-09-15 | 小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113807242A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030208451A1 (en) * | 2002-05-03 | 2003-11-06 | Jim-Shih Liaw | Artificial neural systems with dynamic synapses |
| US20060167369A1 (en) * | 2004-12-22 | 2006-07-27 | Montgomery Erwin B Jr | Methods for identifying neuronal spikes |
| JP2006271876A (ja) * | 2005-03-30 | 2006-10-12 | Kyoto Univ | スパイクソーティング装置、スパイクソーティング方法、スパイクソーティングプログラムおよび記録媒体 |
| US20080247471A1 (en) * | 2005-03-18 | 2008-10-09 | University Of Florida Research Foundation, Inc. | Low Power, Wavelet-Based Spike Detector |
| US20120041293A1 (en) * | 2008-12-23 | 2012-02-16 | Commissariat A L'energie Atomique Et Aux Ene Alt | Methods and devices for processing pulse signals, and in particular neural action potential signals |
| US20130325766A1 (en) * | 2012-06-04 | 2013-12-05 | Csaba Petre | Spiking neuron network apparatus and methods |
| CN104335224A (zh) * | 2012-07-25 | 2015-02-04 | Hrl实验室有限责任公司 | 神经元电路及其方法 |
| US20190000377A1 (en) * | 2017-06-29 | 2019-01-03 | The Regents Of The University Of Colorado, A Body Corporate | Integrated Circuit For Simultaneous Electrophysiology Recording And Optogenetic Neural Control |
| US20190156179A1 (en) * | 2017-11-22 | 2019-05-23 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Stdp-based learning method for a network having dual accumulator neurons |
| CN112472108A (zh) * | 2021-02-05 | 2021-03-12 | 南京畅享医疗科技有限公司 | 神经元放电尖峰信号挑拣方法、装置和计算机设备 |
-
2021
- 2021-09-15 CN CN202111083206.1A patent/CN113807242A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030208451A1 (en) * | 2002-05-03 | 2003-11-06 | Jim-Shih Liaw | Artificial neural systems with dynamic synapses |
| US20060167369A1 (en) * | 2004-12-22 | 2006-07-27 | Montgomery Erwin B Jr | Methods for identifying neuronal spikes |
| US20080247471A1 (en) * | 2005-03-18 | 2008-10-09 | University Of Florida Research Foundation, Inc. | Low Power, Wavelet-Based Spike Detector |
| JP2006271876A (ja) * | 2005-03-30 | 2006-10-12 | Kyoto Univ | スパイクソーティング装置、スパイクソーティング方法、スパイクソーティングプログラムおよび記録媒体 |
| US20120041293A1 (en) * | 2008-12-23 | 2012-02-16 | Commissariat A L'energie Atomique Et Aux Ene Alt | Methods and devices for processing pulse signals, and in particular neural action potential signals |
| US20130325766A1 (en) * | 2012-06-04 | 2013-12-05 | Csaba Petre | Spiking neuron network apparatus and methods |
| CN104335224A (zh) * | 2012-07-25 | 2015-02-04 | Hrl实验室有限责任公司 | 神经元电路及其方法 |
| US20190000377A1 (en) * | 2017-06-29 | 2019-01-03 | The Regents Of The University Of Colorado, A Body Corporate | Integrated Circuit For Simultaneous Electrophysiology Recording And Optogenetic Neural Control |
| US20190156179A1 (en) * | 2017-11-22 | 2019-05-23 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Stdp-based learning method for a network having dual accumulator neurons |
| CN112472108A (zh) * | 2021-02-05 | 2021-03-12 | 南京畅享医疗科技有限公司 | 神经元放电尖峰信号挑拣方法、装置和计算机设备 |
Non-Patent Citations (2)
| Title |
|---|
| YANG Y，ET AL: "Purkinje-cell plasticity and cerebellar motor learning are graded by complex-spike duration", NATURE, vol. 510, 11 May 2014 (2014-05-11), pages 529 - 532 * |
| 王德娟: "小脑平行纤维—浦肯野细胞突触长时程增强机制的研究", 小脑平行纤维—浦肯野细胞突触长时程增强机制的研究, 15 October 2015 (2015-10-15), pages 4 - 9 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Amit et al. | Dynamics of a recurrent network of spiking neurons before and following learning | |
| Li et al. | Affective state recognition from EEG with deep belief networks | |
| CN109979438A (zh) | 语音唤醒方法及电子设备 | |
| Aksenova et al. | An unsupervised automatic method for sorting neuronal spike waveforms in awake and freely moving animals | |
| CN107361766A (zh) | 一种基于emd域多维信息的情绪脑电信号识别方法 | |
| Ardila-Rey et al. | Artificial generation of partial discharge sources through an algorithm based on deep convolutional generative adversarial networks | |
| WO2023010861A1 (zh) | 一种唤醒处理方法、装置、设备和计算机存储介质 | |
| CN113807242A (zh) | 小脑浦肯野细胞复杂尖峰识别方法、系统、设备及应用 | |
| Barbieri et al. | Irregular persistent activity induced by synaptic excitatory feedback | |
| CN116138780B (zh) | 一种学生注意力评价方法、终端及计算机可读存储介质 | |
| Kohn | Dendritic transformation of random synaptic inputs as measured from a neuron's spike train-modelling and simulation | |
| Romero et al. | Fractional-order model predictive control for neurophysiological cyber-physical systems: A case study using transcranial magnetic stimulation | |
| Valbuena et al. | sBCI: fast detection of steady-state visual evoked potentials | |
| CN116531001A (zh) | 一种多听者脑电信号生成及跨听者情感识别的方法及设备 | |
| CN111317467A (zh) | 脑电信号分析方法、装置、终端设备及存储介质 | |
| Casson et al. | Algorithm for AEEG data selection leading to wireless and long term epilepsy monitoring | |
| Xia et al. | A flash-FPGA based rodent control system for closed-loop optogenetic control of epilepsy | |
| Sethi et al. | Real time algorithms for sharp wave ripple detection | |
| CN107411737A (zh) | 一种基于静息脑电相似性的情绪跨时间识别方法 | |
| Smitha et al. | Analysis of fractal dimension of EEG signals under mobile phone radiation | |
| Wouters et al. | Signal-to-peak-interference ratio maximization with automatic interference weighting for threshold-based spike sorting of high-density neural probe data | |
| CN113143275A (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
| CN115154837B (zh) | 一种助眠设备的控制方法、装置、终端以及存储介质 | |
| Juffali et al. | The WiNAM project: Neural data analysis with applications to epilespy | |
| CN114366101B (zh) | 运动想象脑电信号分类方法、装置、设备和存储介质 |
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 |