CN117238486A - 一种基于元胞自动机的脊髓损伤评定方法及系统 - Google Patents

一种基于元胞自动机的脊髓损伤评定方法及系统 Download PDF

Info

Publication number
CN117238486A
CN117238486A CN202311509867.5A CN202311509867A CN117238486A CN 117238486 A CN117238486 A CN 117238486A CN 202311509867 A CN202311509867 A CN 202311509867A CN 117238486 A CN117238486 A CN 117238486A
Authority
CN
China
Prior art keywords
state
probability
function
spinal cord
vector
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.)
Granted
Application number
CN202311509867.5A
Other languages
English (en)
Other versions
CN117238486B (zh
Inventor
李雪萍
赵旻超
张驰
胥方元
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.)
Affiliated Hospital of Southwest Medical University
Original Assignee
Affiliated Hospital of Southwest Medical University
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 Affiliated Hospital of Southwest Medical University filed Critical Affiliated Hospital of Southwest Medical University
Priority to CN202311509867.5A priority Critical patent/CN117238486B/zh
Publication of CN117238486A publication Critical patent/CN117238486A/zh
Application granted granted Critical
Publication of CN117238486B publication Critical patent/CN117238486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于元胞自动机的脊髓损伤评定方法及系统；元胞i的状态根据邻域Morre邻域中的状态进行更新：；表示函数在j上的最大值，是时间t下某个元胞k的状态；本发明所提供的技术利用元胞自动机模型，智能化地模拟大鼠脊髓损伤情况，快速生成BBB评分向量。这种自动化的评估方法大大提高了评估效率，节省了时间和人力成本。同时本发明所提供的技术结合了两种模型的信息，可以模拟不同条件下的脊髓损伤情况，生成多样化BBB评分向量，为医疗实验提供更丰富的数据支持。

Description

一种基于元胞自动机的脊髓损伤评定方法及系统
技术领域
本发明涉及医疗实验技术领域，特别涉及一种基于元胞自动机的脊髓损伤评定方法及系统。
背景技术
脊髓缺血再灌注损伤（Spinal Cord Ischemia-Reperfusion Injury，SCI/RI）是指脊髓发生原发性损伤后，随后恢复血流再灌注所导致的继发性中枢神经系统损伤。这种情况通常发生在脊柱损伤、胸腹主动脉瘤或脊髓供血动脉疾病等情况下。
SCI/RI可导致脊髓神经元的迟发性死亡，在严重时甚至能够引起潜在的残疾或死亡［1］。SCI/RI发生的机制复杂，主要包括细胞凋亡和炎症反应。脊髓缺血会导致细胞缺氧和缺血，再灌注时会引发氧自由基和炎症反应爆发，钙超载等病理生理过程，最终加重损伤，导致神经细胞凋亡、组织损伤和相关功能障碍［2-3］。
在SCI/RI的研究及实验领域中，右美托咪定（Dexmedetomidine，DEX）是一种高效选择性的α2-肾上腺素受体激动剂，具有镇静、镇痛和器官保护等作用。现有文献表明，在SCI/RI的实验过程中，DEX通过SIRT3介导的亲环素D（CypD）去乙酰化，抑制线粒体通透性转换孔开放，保护线粒体减少损伤，从而能够减轻试验用大鼠的肾缺血再灌注损伤［4］。
此外还有文献表明，PGC-1α/SIRT3信号通路也与细胞凋亡相关，PGC-1α作为转录调节因子，能够调控线粒体代谢、局部炎症反应和机体氧化应激反应，而SIRT3作为PGC-1α信号通路中的下游靶基因，SIRT3激活后能够改善线粒体自噬和线粒体的合成，减轻氧化应激损伤，抑制细胞凋亡［5-6］。
综上，这些研究表明DEX预处理可通过调节PGC-1α/SIRT3信号通路来减轻大鼠脊髓缺血再灌注损伤。现在最新研究［7］则进一步公开了右美托咪定（DEX）能够通过激活PGC-1α/SIRT3信号通路来减轻脊髓缺血再灌注损伤（SCIRI）的实验数据。这一研究发现则表明了PGC-1α/SIRT3信号通路在DEX预处理减轻SCIRI中可能发挥着重要作用。
根据该文献所记载的研究内容表明，PGC-1α（过氧化物酶体增殖激活受体γ共激活因子-1α）是一种转录调节因子，对线粒体功能和生物合成起着重要作用。SIRT3则是PGC-1α信号通路中的下游靶基因，其激活能够改善线粒体自噬和线粒体的合成，减轻氧化应激损伤，抑制细胞凋亡。也就是说，现阶段最新研究表明：通过激活PGC-1α/SIRT3信号通路，DEX可以影响线粒体的功能，减少氧化应激，降低细胞损伤和凋亡，进而减轻脊髓缺血再灌注损伤，具有潜在的保护作用。
为了进一步提高或验证PGC-1α/SIRT3信号通路在DEX预处理减轻SCIRI中的实验数据，并尽可能的降低实验成本。为此，本申请提出一种基于元胞自动机的脊髓损伤评定方法及系统。旨在通过智能化的预测性算法建立大鼠对右美托咪定（DEX）的综合性预测模型及预测方法，并模拟大鼠在不同条件下的病变情况，同时降低实验成本（包括经济成本和时间成本），并为医疗实验提供更多的数据支持。
本背景技术中的引证文献为：
［1］SiegelRL，MillerKD，FuchsHE，etal．Cancerstatistics，2022［J］．CACancerJClin，2022，72(1):7-33．
［2］XiaC，DongX，LiH，etal．Cancerstatisticsin Chinaand UnitedStates，2022:profiles，trends，anddeterminants［J］．ChinMedJ(Engl)，2022，135(5):584-590．
［3］黄佳，王浩，钟薇，等．治疗复发或转移性宫颈癌的抗体偶联药物:TisotumabVedotin-tftv［J］．肿瘤药学，2022，12(4):428-432．
［4］张露，周菊英，马辰莺，等．复发转移性宫颈癌免疫治疗相关进展［J］．国际肿瘤学杂志，2022，49(9):517-520．
［5］吴芳，张永昌，李坤艳，等．BRD4抑制剂抗肿瘤机制研究进展［J］．肿瘤药学，2019，9(2):177-183．
［6］冯志平，杨传周，陈婷，等．BRD4抑制剂通过BRD4/miR-106b-5p/P21分子轴特异性抑制野生型Kras分化型甲状腺癌发展［J］．国际肿瘤学杂志，2021，48(8):463-472．
［7］吴江燕 程高升，等．PGC-1α / SIRT3 信号通路在右美托咪定预处理大鼠脊髓缺血再灌注损伤中的作用及机制研究［J］．医学理论与实践，2023,36（14）；doi: 10. 19381/j. issn. 1001-7585. 2023. 14. 001.
发明内容
有鉴于此，本发明实施例希望提供一种基于元胞自动机的脊髓损伤评定方法及系统，其目的在于采用智能化预测性算法，在医疗实验中提供更多数据支持，并在降低实验成本的同时推进传统技术的研究，并对此至少提供一种有益的选择；
本发明的技术方案是这样实现的：
一种基于元胞自动机的脊髓损伤评定方法
（一）概述
本申请旨在进一步提高或验证PGC-1α/SIＲT3信号通路在 DEX 预处理减轻 SCIＲI 中的实验数据，并尽可能降低实验成本，本申请提出了一种基于元胞自动机的脊髓损伤评定方法及系统。本方法旨在通过智能化的预测性算法建立大鼠对右美托咪定（DEX）的综合性预测模型，模拟大鼠在不同条件下的病变情况，以降低实验成本（包括经济成本和时间成本），并为医疗实验提供更多的数据支持。
（二）技术内容
2.1. T-1 - 元胞自动机模型
在T-1中，本申请将每个大鼠的脊髓神经元结构抽象为元胞i。每个元胞i具有病变属性，通过Morre邻域对元胞i在每个时间步下执行演化。
表示时间t时刻所述元胞i的状态，所述元胞i的病变属性包括正常0、出血1、空泡2和肿胀3：
；
所述Morre邻域表示与所述元胞i接邻的8个元胞；
T-1的“演化”的步骤包括：
S1.1 转换函数f: 驱动Morre邻域的演化。
S1.1.1设是元胞从状态i转移到状态j的转移概率；
在每个时间步t下，所述元胞i的状态根据邻域所述Morre邻域/>中的所述状态进行更新：
；
表示函数在j上的最大值，/>是时间t下某个元胞k的状态，j是变量，用于寻找使得该函数取得最大值的参数；
δ(a,b)是Kronecker delta函数：
；
Kronecker delta函数用来判断两个变量是否相等，在 a = b时返回1，否则返回0。
S1.1.2 所述驱动的步骤包括：
；
表示通过转换函数f得到的新状态，/>是所述Morre邻域/>中的某个元胞k的状态/>；
S1.2 概率矩阵组P: 定义了转换函数f的转移规则。也定义了后续的S2.2的转移概率函数TF的执行规则：
所述概率矩阵组P包括：
；
表示所述概率矩阵组P中的某一元素/>在时间步t下，从状态i转移到状态j的概率；
S1.2.1 所述概率矩阵组P包括概率均分：
；
其中i表示当前状态，j表示下一个状态。
S1.3 向量输出: 输出每个元胞i对应的脊髓神经元结构在每个时间步下的BBB评分向量/>。
在所述S1.3中，所述向量包括：
；
表示所述元胞i对应的BBB评分，取决于其状态/>；
、/>、/>和/>分别是正常、出血、空泡和肿胀状态对应的BBB评分，其中/>得分最高。
2.2. T-2 - 马尔科夫链模型
T-2中，本申请将概率矩阵组P的初始状态作为大鼠的脊髓神经元结构的初始状态概率分布ID，作为马尔科夫链的初始状态。对于大鼠的脊髓神经元结构执行病变演化，首先需要明确马尔科夫链形式算法的初始概念：
所述初始状态概率分布ID包括：
1）所述概率矩阵组P视为马尔科夫链的初始状态，然后演化马尔科夫链的状态：；
2）更新：在每个时间步t，马尔科夫链模型的状态更新包括：；
S(t)表示在时间步t的状态分布，S(t-1)是在时间步的状态分布。
T-2主要包括以下步骤：
S2.1 输入: 在每个时间步t中接收时间步的T-1的向量/>。
S2.2 演化: 在状态空间S中，向量X交由状态转移概率函数TF进行概率评估，TF由概率矩阵组P驱动：
；
表示在时间步t的所述向量/>的第i个元素的值，/>表示在时间t−1的所述向量/>的第j个元素的值；
S2.3 归一化: 将向量X归一化为马尔科夫性质，使大鼠的脊髓神经元结构的病变仅依赖于当前时间步t的BBB评分趋势，与其它时间步的BBB评分趋势无关。
在所述S2.3中，所述归一化包括：
；
；
表示基于当前BBB评分/>的函数，用于确定向量/>中与BBB评分相关的位置的值，其他位置的值设为0，确保病变仅依赖于当前BBB评分。
S2.4 序列生成: 基于状态空间S、状态转移概率函数TF和初始状态概率分布ID分布，采用随机函数RF生成大鼠的脊髓神经元结构的病变序列，模拟病变过程，输出时间步下的BBB评分向量。
S2.4.1、使用随机函数RF生成序列：基于所述状态空间S和所述状态转移概率函数TF以及所述初始状态概率分布ID，采用随机函数RF生成脊髓神经元结构的病变序列；
S2.4.2、随机抽样：从所述状态空间S中选择初始状态，按照所述状态转移概率函数TF 进行状态转移，生成病变序列。
S2.4.3、模拟病变过程：基于生成的病变序列，将模拟得到的状态转化成对应的BBB评分所述向量：/>；
表示在时间步t下的BBB评分向量。
2.3. T-3 - D-S 证据理论验证
S3.1 T-3中，在当前时间步中，将T-1和T-2在上一个时间步t-1的向量和分别作为证据A和证据B。所述证据A和所述证据B通过Dempster's组合原则输出纠正向量CV：
1）所述组合：
1.1）所述证据A的置信分配函数：；
1.2）所述证据B的置信分配函数：；
所述i和所述j代表所述概率矩阵组P中的不同元素的状态索引，所述表示证据A对状态/>的置信度，所述/>表示证据B对状态/>的置信度；
2）所述合成：
；
表示对所有所述i和所述j满足i∩j=k的情况进行求和，其中所述k是所述概率矩阵组P中的某一状态。
S3.2 通过sigmoid 函数将其映射为一个0到1的权重系数。将权重系数/>带入到T-1的转换函数f实现修正：
1）映射：使用sigmoid函数，将所述纠正向量CV映射为[0，1]的区间值：
；
e是自然对数的底或自然常数；
2）修正所述S1.1的所述转换函数：
；
是元胞从状态i转移到状态j的转移概率；/>是所述Morre邻域/>中的某个元胞k的状态/>。
一种基于元胞自动机的脊髓损伤评定系统
所述系统包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如上述所述的脊髓损伤评定方法。
（1）处理器：处理器是该评定系统的核心组件，负责执行脊髓损伤评定方法中的各个步骤。它能够处理输入数据并根据程序指令执行相应的操作，从而实现整个评定方法的运行。
（2）存储器：存储器与处理器耦接，用于存储程序指令。这些程序指令是实现脊髓损伤评定方法的关键，能够指导处理器按照事先设计好的步骤进行运算和处理。
（3）程序指令执行：程序指令存储在存储器中，当处理器执行这些指令时，它会按照事先设计的步骤和算法，运算、处理数据，实现脊髓损伤评定方法中的各个阶段。这些指令将引导处理器完成整个基于元胞自动机的脊髓损伤评定方法。
总结性的，与现有技术相比，本发明所提供的一种基于元胞自动机的脊髓损伤评定方法及系统的有益效果是：
（1）提高脊髓损伤研究效率：本发明所提供的技术利用元胞自动机模型，智能化地模拟大鼠脊髓损伤情况，快速生成BBB评分向量。相对于传统实验方法，这种自动化的评估方法大大提高了评估效率，节省了时间和人力成本。同时本发明所提供的技术结合了两种模型的信息，可以模拟不同条件下的脊髓损伤情况，生成多样化的BBB评分向量，为医疗实验提供更丰富、全面的数据支持。
（2）降低脊髓损伤研究的实验成本：本发明所提供的技术通过智能预测性算法，该方法能够模拟大鼠脊髓损伤情况，避免了大量的实际动物实验，从而降低了实验成本，包括经济成本和时间成本。这对于大规模的研究和临床应用具有显著的意义。
（3）提供多样化数据支持：本发明所提供的技术能够模拟不同条件下的脊髓损伤情况，生成对应的BBB评分向量，为医疗实验提供多样化的数据支持。研究人员可以在不同情况下模拟实验，获取更加丰富、全面的数据，有助于更好地理解脊髓损伤的发展过程和机制。
（4）促进PGC-1α/SIRT3信号通路研究：本发明所提供的技术为研究 PGC-1α/SIRT3信号通路在DEX 预处理减轻SCIRI中的作用提供了有力工具。通过模拟不同预处理条件下的脊髓损伤情况，可以深入探究PGC-1α/SIRT3信号通路的作用机制，为相关疾病的治疗提供新的思路和方法。
（5）更准确的评估结果：本发明所提供的技术中的元胞自动机可以高维度、智能化地模拟脊髓损伤情况，提供高纬度预测性的BBB评分向量。马尔科夫链能够利用元胞自动机的BBB评分向量信息，结合概率转移矩阵P，计算得到不受其他时间步影响的BBB评分向量，提供更准确的脊髓损伤评估结果。
（6）降低实验成本：本发明所提供的技术结合了智能预测性算法的元胞自动机和马尔科夫链，避免了大量的实际动物实验，降低了实验成本，包括经济成本和时间成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术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申请的一些实施例，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为本发明的方法流程逻辑示意图；
图2为本发明的大鼠脊髓抽象为元胞结构的示意简图；
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制；
需要指出的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对于本领域技术人员而言，还可以进一步意识到结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
需要指出的是，结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
实施例一：请参阅图1，本实施例提供一种基于元胞自动机的脊髓损伤评定方法，包括如下并联同步实施的T-1、T-2和T-3：
T-1、元胞自动机模型：将每个大鼠的脊髓神经元结构抽象为元胞i，每个元胞i具有病变属性，通过Morre邻域对元胞i在每个时间步下执行演化，包括：
S1.1、转换函数f：驱动Morre邻域；
S1.2、概率矩阵组P：定义了转换函数f的转移规则；
S1.3、向量输出：输出每个元胞i对应的脊髓神经元结构在每个时间步下的BBB评分向量；
T-2、马尔科夫链模型：将概率矩阵组P的初始状态作为大鼠脊髓神经元结构的初始状态概率分布ID，初始状态概率分布ID则作为马尔科夫链的初始状态；对于大鼠的脊髓神经元结构执行病变演化，包括：
S2.1、输入：在每个时间步t中接收上一个时间步的T-1的向量/>；
S2.2、演化：在状态空间S中，向量交由状态转移概率函数TF进行概率评估，转移概率函数TF由概率矩阵组P驱动；
S2.3、将向量归一化为马尔科夫性质，使大鼠的脊髓神经元结构的病变仅依赖于当前时间步t的BBB评分趋势，与其它时间步的BBB评分趋势无关；
S2.4、序列生成：基于状态空间S、状态转移概率函数TF和初始状态概率分布ID分布，采用随机函数RF生成大鼠的脊髓神经元结构的病变序列，模拟病变过程，输出时间步下的BBB评分向量；
T-3，D-S证据理论验证：在当前时间步中，将T-1和T-2在上一个时间步的向量和向量/>分别作为证据A和证据B，所述证据A和所述证据B通过Dempster's组合原则输出纠正向量CV，将纠正向量CV通过sigmoid函数将其映射为一个0到1的权重系数α，将权重系数α带入至T-1的转换函数f中进行修正。
在本实施例中，关于T-1：元胞自动机模型：每个大鼠脊髓神经元结构被抽象为一个元胞，该元胞具有特定的病变属性。演化过程涉及Morre邻域，这个邻域影响了元胞的演化方向和特性。转换函数f根据邻域和规则驱动元胞的演化，进而影响脊髓神经元结构的病变状态。T-1的具体实施方式请参阅实施例二、实施例三、实施例四和实施例五。
具体的，转换函数f根据邻域内元胞的状态和概率矩阵P，决定元胞的演化方向和状态变化。
在本实施例中，关于T-2：马尔科夫链模型：使用马尔科夫链建模状态转移：利用马尔科夫链模型对脊髓神经元结构的状态进行建模，其中状态的转移由概率矩阵组P驱动。通过将元胞自动机的输出（BBB评分向量）归一化，确保脊髓神经元结构的病变仅依赖于当前时间步t的BBB评分趋势。T-2的具体实施方式请参阅实施例七、实施例八和实施例九。
具体的，状态转移概率函数TF：根据概率矩阵组P，对当前BBB评分向量进行状态转移概率评估，得到不受其他时间步影响的BBB评分向量/>。
在本实施例中，关于T-3：D-S证据理论验证：使用Dempster's组合原则将元胞自动机的输出（证据A）和马尔科夫链的输出/>（证据B）进行组合，得到更准确的纠正向量CV。通过sigmoid函数将CV映射为权重系数α，用于修正转换函数f，影响下一步的元胞演化。T-3的具体实施方式请参阅实施例十和实施例十一。
具体的，Dempster's组合原则：将证据A和证据B的组合通过Dempster's组合原则进行合成，得到纠正向量CV。通过sigmoid函数将CV映射为权重系数α，将α应用于转换函数f，影响元胞的演化。
在本实施例中，关于概率矩阵组P：在本具体实施方式中扮演着多重重要角色，它影响了整个系统的演化、状态转移和修正过程。具体的包括：
（1）驱动元胞自动机模型（T-1）：概率矩阵组P通过转换函数f驱动元胞自动机模型中的元胞演化。具体来说，转换函数f根据P中的转移规则，决定了元胞在每个时间步下如何演变，从而影响了脊髓神经元结构的病变状态。
（2）初始状态概率分布（T-2）：概率矩阵组P的初始状态用作马尔科夫链模型（T-2）的初始状态概率分布。这个初始状态概率分布影响了马尔科夫链的起始状态，进而影响了整个状态转移过程。
（3）状态转移概率函数（T-2）：马尔科夫链模型中的状态转移概率函数TF依赖于概率矩阵组P。P中的转移规则影响了状态间的转移概率，从而影响了脊髓神经元结构状态的演变。
进一步的，概率矩阵组P的形式由实验数据决定，这些数据以矩阵的形式表达了时间点（6h、8h、12h、24h）下的病变情况。具体实施方式及实验数据请参阅实施例五到六；具体的：
（1）矩阵a: 包含病变属性的概率数据在不同时间点的BBB评分的变化情况。
（2）矩阵b: 包含另一种病变属性的概率数据在不同时间点的BBB评分的变化情况。
（3）矩阵c: 包含另一种病变属性的概率数据在不同时间点的BBB评分的变化情况。
（4）矩阵d: 包含另一种病变属性的概率数据在不同时间点的BBB评分的变化情况。
这些矩阵中的数据可以用于构建概率矩阵组P，其中每个矩阵的元素对应病变属性i在时间点j的概率。这样的概率矩阵组P可以被用于驱动转换函数f（在T-1中，实施例三）、制定初始状态概率分布ID（在T-2中，实施例七）和状态转移概率函数TF（在T-2中，实施例八）。
在本具体实施方式中，BBB评分是大鼠脊髓损伤的评估方法，全称为Basso,Beattie&Bresnahan locomotor rating scale，通常简写为BBB scale（BBB评分）。BBB评分是一种常用于评估大鼠脊髓损伤严重程度以及恢复程度的行为学评分系统。该评分系统旨在评估大鼠的运动功能和神经系统恢复情况，特别是在脊髓损伤后。它主要用于评估大鼠的步态、协调性和运动能力。
总结性的，这个基于元胞自动机的脊髓损伤评定方法的核心逻辑是通过元胞自动机模型和马尔科夫链模型来模拟脊髓神经元结构的演变过程，然后通过D-S证据理论的组合和权重修正，对脊髓损伤进行评估和修正，为医疗实验提供更多数据支持。
实施例二：本实施例将进一步公开T-1的具体实施方式：在T-1中，包括：
1）在元胞自动机模型中，每个元胞i代表大鼠脊髓神经元结构的一个单位。这个模型用表示时间t时刻元胞i的状态。元胞i的状态取决于其病变属性，病变属性包括正常0、出血1、空泡2和肿胀3。这种抽象能够更好地模拟大鼠脊髓在不同病变状态下的行为和特征：
；
；
具体的，大鼠的自主神经系统主要由交感神经系统和副交感神经系统两个部分组成。交感神经系统主要位于脊髓胸段和腰段的交感神经节和靠近主干交感神经的脊神经后根。而副交感神经系统主要集中于脑干和脊髓髓柱、骶丛以及内脏的神经节。
交感神经系统主要由交感神经前节、交感神经节、交感神经后节组成。其中，交感神经前节的神经元细胞体位于脊髓的胸段和腰段，称为交感神经前根节；交感神经节位于脊髓两侧，与脊柱相平行，称为交感神经中节；交感神经后节位于交感神经节的末端，与内脏神经相连。
副交感神经系统主要由副交感神经前节、副交感神经节和副交感神经后节组成。其中，副交感神经前节位于脑干和脊髓的髓柱前；副交感神经节位于内脏神经上；副交感神经后节位于内脏神经下，与目标器官相连。
因此在T-1中，将每个大鼠的脊髓神经元结构抽象为元胞i是建立元胞自动机模型的关键步骤，其中每个元胞代表了大鼠脊髓神经元结构的一个单元。在这个模型中，本实施例将采用抽象的元胞i来模拟大鼠脊髓的神经系统，尤其是自主神经系统的交感神经系统和副交感神经系统；具体的，可参阅图2（图中的圆形及椭圆形框线为元胞i区域示意，条线为大鼠脊髓的神经结构分段示意）：
（1）交感神经系统的抽象：
（1.1）交感神经前节：可以将交感神经前节的神经元细胞体抽象为具有特定病变属性的元胞i，这些元胞位于模型中的特定位置，对应于脊髓的胸段和腰段。
（1.2）交感神经节：模拟交感神经节为元胞i的一种状态或特定的病变属性，这些状态会受到相邻元胞的影响和转变。
（1.3）交感神经后节：同样可以将交感神经后节抽象为特定状态的元胞i，与内脏神经相连。
（2）副交感神经系统的抽象：
（2.1）副交感神经前节：将副交感神经前节的神经元细胞体抽象为具有特定病变属性的元胞i，这些元胞位于模型中的脑干和脊髓的髓柱前。
（2.2）副交感神经节：模拟副交感神经节为元胞i的一种状态或特定的病变属性，对应于内脏神经上的位置。
（2.3）副交感神经后节：可以将副交感神经后节抽象为特定状态的元胞i，与内脏器官相连。
通过上述方式，将大鼠脊髓神经元结构中的神经元抽象为元胞i，并赋予不同的病变属性，本实施例可以在元胞自动机模型中模拟出交感神经系统和副交感神经系统的特定病变过程和相互作用。这种抽象和模拟有助于进一步研究和理解大鼠脊髓神经系统在不同条件下的行为和状态。
需要指出的是，图2为了简洁图像，图中所示的仅仅是对每个神经结构抽象为了一个元胞i；在实际中，还可以将每个神经结构均匀的分割为多个元胞，或是构成Morre邻域；
2）Morre邻域表示与元胞i接邻的8个元胞；Morre邻域/>表示与元胞i接邻的8个元胞。/>是一个集合，它包括了九个元胞i的向量信息。这些相邻元胞的状态对元胞i的状态的更新起着重要作用。状态更新遵循特定的转换函数f，该函数由概率矩阵组P所驱动。
3）演化包括：设是元胞从状态i转移到状态j的转移概率；这些转移概率在模拟脊髓神经元结构的病变过程中起到关键作用。不同的转移概率会导致不同的状态转换，反映了病变过程的特征。具体的规则请参阅实施例五和实施例六。
在每个时间步t下，元胞i的状态根据邻域Morre邻域/>中的状态进行更新，更新规则如下：
；
表示函数在j上的最大值，指出了本实施例要找到使得某个函数在j上取得最大值的参数j。在这里，这个函数是/>，表示了当前元胞i的状态j的更新可能性。
是时间t下某个元胞k的状态，具体到演化过程中，则是本实施例考虑了邻域Morre邻域/>中每个元胞k的状态，对元胞i的状态更新产生影响。
j是变量，用于寻找使得该函数取得最大值的参数；在更新规则中，本实施例要找到使得当前元胞i状态取得最大可能性的状态j，即更新后的状态。
具体的，表示元胞i的下一个时刻状态由其相邻元胞的状态以及对应的转移概率/>共同决定。这种方式使得大鼠脊髓神经元结构的病变状态更新受到其周围神经元状态的影响。/>
具体的，上述更新的步骤包括：
P1、确定转移概率:根据实验数据和模型需要，确定不同状态i到状态j的转移概率，这些概率可以基于统计分析，或是参阅实施例五和实施例六的内容得出。
P2、遍历每个元胞i：对于每个元胞i，根据其邻域Morre邻域中相邻元胞的状态和对应转移概率，计算：
；
P3、确定使函数取最大值的状态j：对于每个元胞i，找到使得上述函数取得最大值的状态j，即：
；
P4、更新元胞i的状态：将元胞i的状态更新为上一步得到的状态j，即：
；
上述P1~P4的逻辑在于：通过遍历每个元胞，根据转移概率和邻域元胞的状态，更新每个元胞的状态，模拟了大鼠脊髓神经元结构的病变状态随时间的演化过程。这个过程有助于本实施例理解神经元结构的病变特征以及在不同条件下的变化趋势。
在本实施例中，δ(a,b)是Kronecker delta函数：这个函数在模拟脊髓神经元结构的状态更新中扮演了关键角色，特别是在状态更新规则中，它帮助确定哪个状态对应的转移概率会被考虑。它被定义为：
；
Kronecker delta函数用来判断两个变量是否相等，在 a = b时返回1，否则返回0。
具体的，Kronecker delta函数主要用于判断两个状态是否相等。在模拟中，本实施例需要确定每个元胞的下一个状态，这个状态取决于相邻元胞的状态。Kronecker delta函数帮助本实施例判定相邻元胞的状态是否与当前状态相同，以决定是否考虑其对当前状态的影响。
具体的，在状态更新规则中，Kronecker delta函数乘以转移概率 P_{ij}Pij 用于计算每个相邻元胞对当前状态的影响。如果相邻元胞的状态与当前状态相同，则为1，转移概率/>会对当前状态产生影响；否则为0，相邻元胞的状态不会影响当前状态的更新。
进一步的，在中，将 Kronecker delta函数应用到对应的状态判断中，用于判定两个状态是否相等。在模拟中，这个函数在状态更新规则中充当了关键角色，根据相邻元胞状态与当前状态是否相等，影响了状态的演化。
实施例三：在本实施例中，将进一步公开T-1的具体实施方式：
在S1.1中，转换函数f及其驱动的步骤包括：
转换函数f根据元胞i的邻域中的状态以及对应的转移概率/>，计算得到元胞i的下一个时刻的状态。在这个转化过程中，每个邻域元胞k的状态/>和其对应的转移概率共同影响了元胞i的新状态。具体计算方式是通过对邻域内的所有元胞状态/>进行加权求和，权重为对应的转移概率/>。这样，转换函数f会考虑邻域内的状态以及它们对当前元胞的影响，得到一个新的状态作为下一个时刻的预测：
；
表示通过转换函数f得到的新状态，/>是Morre邻域/>中的某个元胞k的状态/>（/>的定义详见实施例二）；
在本实施例中，首先需要确定元胞i的邻域，也就是与元胞i相关的其他元胞。这个邻域信息会用于计算新状态。然后对于每个邻域元胞k，根据其状态/>和转移概率/>计算权重/>。将所有邻域元胞的加权状态求和，得到新状态。这个新状态会被用于模拟下一个时刻的元胞状态。
具体的，上述步骤包括：
P1、确定 Morre 邻域。
P2、对于每个邻域元胞k，计算其加权状态。
P3、将加权状态进行累加，得到新状态。
这样本实施例可以基于转换函数f，根据邻域元胞的状态和转移概率来更新每个元胞的状态，实现状态的动态演变。
在本实施例中，需要指出的是，转换函数f在第一个时间步中的形式如上文所示，但是在后续的时间步中将进行变形：
；
其中引入了权重因子α，该权重因子α是根据实施例十到实施例十一所公开的技术方案得出的，在后续的时间步中，权重因子α将不断修正转换函数f，实现自适应性的调整。具体请详见实施例十和实施例十一的内容。
在本实施例中，需要指出的是，实施例三的更新规则的函数，即，与本实施例的转换函数f相互支持，t它们共同涉及了状态的更新和预测，其原理包括：
（1）更新规则的函数：
；
它描述了元胞i的状态更新过程。在每个时间步t 下，通过观察邻域元胞 k的状态，结合转移概率/>，选择使得加权概率最大的状态j作为元胞i下一个时刻t+1的状态，并在这个过程中使用Kronecker delta函数来判断两个变量。
（2）转换函数f：
；
转换函数f描述了元胞i下一个时刻t+1的状态预测过程。它通过对邻域元胞k的状态进行加权求和，权重由转移概率/>决定。这个加权和/>表示了对邻域状态的整合，以预测下一个时刻的状态。
（3）二者的结合：共同描述了一个动态状态更新的过程。首先，本实施例根据邻域状态和转移概率/>选择最有可能的下一个状态j（更新规则的函数）。接着，在预测下一个时刻t+1的状态时，本实施例综合考虑邻域状态/>和转移概率/>，以获得对下一个状态的预测（转换函数f）。因此，这两个函数共同构成了动态状态更新的核心逻辑，以实现对大鼠脊髓神经元结构病变的模拟和预测。
实施例四：本实施例将进一步公开S1.3中向量的具体实施方式：
在本实施例中，关于BBB评分与状态对应：根据元胞的状态或/>，本实施例将其映射到对应的BBB评分。不同的状态代表了脊髓神经元结构的不同情况，从正常到不同程度的病变，对应不同的BBB评分。
在本实施例中，关于反映脊髓损伤程度：BBB评分反映了脊髓神经元结构的损伤程度。正常状态对应较低的评分，而出血、空泡和肿胀状态对应较高的评分，分别代表了脊髓神经元结构的不同病变程度。出血、空泡和肿胀状态的具体赋值需根据实际定义或实验方向定义，但是正常状态一定要低于出血、空泡和肿胀状态，因为在现有的BBB评分系统中，越趋近于0分，则代表大鼠的行动能力越趋近于正常。
具体的，向量包括：
；
表示元胞i对应的BBB评分，取决于其状态/>；
、/>、/>和/>分别是正常、出血、空泡和肿胀状态对应的BBB评分，其中/>得分最高。
可以理解的是，向量的具体向量形式也等同于/>，因为/>就是从/>与马尔科夫链进行交互而输出的，具体的可参阅实施例八。
在本实施例中，本实施例按照不同的状态将BBB评分分配给对应的元胞i。具体步骤如下：
P1、检查元胞状态：在每个时间步t下，首先检查（历遍）元胞i的状态/>。
P2、根据状态分配BBB评分：根据元胞的状态，将对应的BBB评分赋给元胞i：
如果是正常状态，则：/>；
如果是出血状态，则：/>；
如果是空泡状态，则：/>；
如果是肿胀状态，则：/>；
P3、形成BBB评分向量：将每个元胞i对应的BBB评分/>组成 BBB评分向量XA，用于后续的评估和模拟。
在本实施例中，需要将元胞的状态或/>映射到对应的BBB 评分时，采取以下步骤：
P1、建立映射规则: 定义一个规则集，将不同的状态或/>映射到对应的BBB评分。这个规则集可以事先确定，也可以根据领域知识和实验数据进行设计。本实施例示例性的提供一个框架，本领域技术人员可以自行赋值：
；
P2、规定BBB评分范围：规定BBB评分的范围和分级。确定评分的上下界，并将不同的状态映射到相应的BBB评分范围内。
P3、分配BBB评分：根据规则集，将每个状态或/>映射到对应的BBB 评分。这通过简单的映射函数、阈值划分函数来实现。
P4、形成BBB评分向量：将为每个元胞分配的BBB评分构成BBB评分向量/>。这个向量会记录所有元胞在特定时间步t下的BBB评分情况。
综上，通过这种方式，本实施例可以将元胞的状态转化为BBB 评分，形成评分向量，使得BBB评分反映了脊髓神经元结构的不同病变程度。这对于后续的模拟和分析提供了关键的数据基础。
总结性的，通过本实施例将元胞的状态映射到BBB 评分，从而实现了对脊髓神经元结构损伤程度的模拟和评估，为后续的分析提供了重要的数据基础。
实施例五：在本实施例中，将进一步公开概率矩阵组P的具体实施方式：
在S1.2和S2.2中，概率矩阵组P包括：
；
表示所述概率矩阵组P中的某一元素/>在时间步t下，从状态i转移到状态j的概率；
具体的，在S1.2中，概率矩阵P用于定义转换函数f的转移规则。这个规则是基于当前状态i和可能的下一个状态j之间的转移概率。而在 S2.2 中，概率矩阵P用于评估状态转移概率函数TF。这个函数评估当前状态i到可能的下一个状态j的概率。具体的请参阅实施例九。
具体的，这个概率矩阵P的初始状态等于马尔科夫链的初始状态，即初始状态概率分布ID，具体的请参阅实施例七。
在本实施例中，概率矩阵组P的构成方式包括采用概率均分的方式构成。这种方式基于Morre邻域中与目标状态j相邻的元胞数量来分配转移到状态j的概率。这意味着如果邻域中有多个与状态j相同的元胞，转移到状态j的概率更高：
；
其中 i 表示当前状态，j 表示下一个状态。
在本实施例中，概率矩阵P的构建包括：
P1、针对每个状态i和可能的下一个状态j，计算与状态j相邻的邻域元胞数量和总邻域元胞数量。
P2、使用概率均分方式计算转移到状态j的概率。
在本实施例中，概率矩阵P的应用包括：
（1）在S1.2中，将概率矩阵P用于驱动转换函数f，根据当前状态i和决定元胞状态的转移。
（2）在 S2.2 中，将概率矩阵P用于评估状态转移概率函数TF，根据当前状态i和决定元胞状态的转移概率。
通过这种方式，概率矩阵P起到了关键作用，影响了系统状态的演化和转移，从而模拟了大鼠脊髓神经元结构的病变过程。
实施例六：在本实施例中，将进一步公开概率矩阵组P的具体实施方式，与实施例五不同的是，本实施例不采用概率均分的方式构成，而是基于一组实验数据构成。
首先本实施例引证实验数据文件：吴江燕 程高升，等．PGC-1α / SIRT3 信号通路在右美托咪定预处理大鼠脊髓缺血再灌注损伤中的作用及机制研究［J］．医学理论与实践，2023,36（14）；doi: 10. 19381 /j. issn. 1001-7585. 2023. 14. 001。具体的请参阅该文献的“（2.1）”的部分。
按照BBB评分系统的规范，当进行右美托咪定（DEX）对大鼠脊髓组织的测定中，具有四个组，也就是说如果要应用本具体实施方式所提供的基于元胞自动机的脊髓损伤评定方法，则应当包括四个概率矩阵P；
基于实验数据的提供的BBB评分数据，本实施例将构建四个概率矩阵组 P，分别对应矩阵a、b、c和d，以描述BBB评分在不同时间点下状态转移的概率。每个矩阵的行和列对应状态，时间序列对应矩阵中的不同行。
为了构建概率矩阵组P，需要将BBB评分映射到状态概率。即实施例二和实施例四的、/>、/>和/>，分别是正常、出血、空泡和肿胀状态对应的BBB评分，可以通过设定阈值将评分映射到这些状态。
本实施例公开一个经多次实验后得到的阈值如下：
对应评分范围 [19.85, 20.88]；
对应评分范围 [4.18, 6.21]；
对应评分范围 [8.45, 18.25]；
对应评分范围 [4.90, 9.25]；
本实施例可以将这些阈值转化为对应状态的概率。例如，对于矩阵a，本实施例可以将其第一行的四个概率值设置为0.2, 0.6, 0.1, 0.10.2,0.6,0.1,0.1，分别对应的正常、出血、空泡和肿胀状态在6h时刻的概率。本实施例可以根据这些阈值将每个时间点的BBB评分映射到相应的状态，并计算每个状态的概率。以下是具体的计算方式：
仅以矩阵a为示例性的含义解释：
第一行对应“正常”状态的概率，即。
第二行对应“出血”状态的概率，即。
第三行对应“空泡”状态的概率，即。
第四行对应“肿胀”状态的概率，即。/>
对于时间点t，本实施例可以使用阈值将BBB评分映射到对应状态，并计算每个状态的概率。例如：
（正常状态概率）可以根据正常状态的评分范围内的样本数量占总样本数量的比例来计算。
（出血状态概率）可以根据出血状态的评分范围内的样本数量占总样本数量的比例来计算。
同理，可以计算和/>。
这样，对于每个时间点，本实施例就可以构建一个矩阵，每一行代表一个状态的概率分布。
接下来需要明确一些信息：
BBB评分反映了大鼠神经元结构的状态，本实施例将其分为正常、出血、空泡和肿胀状态四种状态。
本实施例有四个矩阵，分别对应时间点t为6h、8h、12h 和24h。
给定每种状态的评分范围，本实施例可以计算每个状态的概率。
现在，本实施例以矩阵a为例，进行计算。设本实施例有以下评分范围和对应状态的概率：计算每个状态的概率。设N为总样本数，/>为正常状态样本数，为出血状态样本数，/>为空泡状态样本数，/>为肿胀状态样本数：
；
；
；
；
这样，本实施例得到了矩阵a的第一行，代表了时间点t下各状态的概率分布。根据实验数据，本实施例可以在不同时间点得到四个行，分别对应评分时间 6h、8h、12h 和24h。
同样的，
（1）矩阵b对应的评分范围和样本数：
：[4.18, 6.21]，样本数/>。
：[4.17, 6.21]，样本数/>。
：[5.47, 6.21]，样本数/>。
：[6.21, 6.21]，样本数/>。
（2）矩阵c对应的评分范围和样本数：
：[8.45, 18.25]，样本数/>。
：[14.77, 18.25]，样本数/>。
：[17.85, 18.25]，样本数/>。
：[18.25, 18.25]，样本数/>。/>
（3）矩阵d对应的评分范围和样本数：
：[4.90, 9.25]，样本数/>。
：[7.02, 9.25]，样本数/>。
：[8.78, 9.25]，样本数/>。
：[9.25, 9.25]，样本数/>。
以如上概念为基础，对上述实验数据提供的BBB评分在6h、8h、12h 和24h下的信息，对四个矩阵进行填充：
P1、将使用给定的样本数和评分范围来计算转移概率。首先，本实施例将归一化每个时间点的评分，然后将其作为转移概率的近似。归一化的具体步骤如下：
P1.1、对每个矩阵，计算每个时间点对应散点的和。
P1.2、将每个散点除以相应时间点的和，得到归一化后的概率。
P2、将其填充到矩阵P的对应位置。
上述P1~P2的过程涉及大量的数据解算，为了节约篇幅，申请人公开一个python程序，用于执行如本实施例所提供的解算方法，本领域技术人员可以根据其实际采样的数据（上文样本数）输入，并输出与之实际实验需求对应的四个概率矩阵P：
import numpy as np
# BBB评分数据
bbb_data = {
'a': np.array([19.85, 20.11, 20.72, 20.88]),
'b': np.array([4.18, 4.17, 5.47, 6.21]),
'c': np.array([8.45, 14.77, 17.85, 18.25]),
'd': np.array([4.90, 7.02, 8.78, 9.25])
}
# 归一化函数
def normalize(data):
min_val = np.min(data)
max_val = np.max(data)
return (data - min_val) / (max_val - min_val)
# 构建概率矩阵P
P = np.zeros((4, 4))
# 归一化每一行数据
for idx, (key, value) in enumerate(bbb_data.items()):
P[idx, :] = normalize(value)
print("概率矩阵P:")
print(P)
进一步的，申请人将直接给定如引证文件提供的实验数据的概率矩阵P的形式：
；
；
；
；
综上，本实施例提供的上述四个概率矩阵P对应了如上述实验数据引证文件中的sham组、模型组、实验组和DPA组的概率矩阵，因此本领域技术人员在实际应用本技术时，也应当准备如该文件中的实验形式进行实施，以获取较为完善的实验数据信息。
可以理解的是，该矩阵的时间信息是以 6h、8h、12h 和 24h分布的，因此为了获取更多时间区间下的矩阵概率要素值，可以将两个要素之间设置三次样条插值算法实现，本实施例示例性提供如下标准算法：
（1）中i表示状态的索引，j表示时间点的索引。本实施例想要在/>和/>之间的时间区间上进行插值。
（2）计算插值：
；
；
（3）计算三次样条系数：对于每个时间区间[ti,ti+1]，计算三次样条插值的系数：
；
；
；
；
（4）插值计算：在每个区间[ti,ti+1]上，使用插值函数：
；
来计算P(t)的估计值，其中t在区间[ti,ti+1]内。
上述算法的符号定义：
是时间点，对应于本实施例提供的数据中的时间；/>是时间间隔；它是相邻时间点之间的差值。/>是差商；它衡量了概率值的变化率。/>是已知的概率值/>；/>等同/>，即概率变化率；/>，是一个系数，用于平滑多项式；
这样可以利用三次样条插值算法在给定的时间区间上估计概率值，并填充矩阵P的概率要素值。至此，通过这个算法，本实施例将不局限于提供6h、8h、12h 和24h分布的概率值，如果计算资源充足，可以计算出更多时间（但不能超过最大时间值，例如24h）下的概率值。
实施例七:本实施例将进一步公开T-2的具体实施方式：
在本实施例中，T-2采用的马尔科夫链是一种随机过程，具有“无记忆”的特性，即系统的状态只依赖于其前一时刻的状态。这个特性在状态转移时非常有用，尤其在描述一些随机变量的动态变化时。在本实施例中，概率矩阵组P被视为马尔科夫链的初始状态概率分布。这意味着在初始时刻（t=0），系统的状态分布由P决定。即：
概率矩阵组P视为马尔科夫链的初始状态ID，然后演化马尔科夫链的状态：；
在本实施例中，状态的演化: 随着时间的推移，本实施例在进行到这个步骤后，希望知道状态在不同时刻的分布情况。这里，本实施例利用马尔科夫链的特性，在每个时间步t根据概率矩阵组P来更新状态的分布。即：
更新：在每个时间步t，马尔科夫链模型的状态更新包括：；
S（t）表示在时间步t时下的状态分布，是一个列向量；S（t-1）是在时间步下的状态分布；
在本实施例中：初始状态概率分布的设定：P矩阵是初始状态概率分布，可以从实验数据或先前的分析中获得。初始状态概率分布的构建需要将实验数据转化为概率值，可以利用归一化等方法。
示例性的，本实施例提供一个归一化算法如下：
将实验数据转化为概率值以确保概率的总和为1，符合概率的定义。将实验数据按照一定规则映射到0, 1区间上，使得其总和为1：
（1）给定实验数据集合X，其中是实验数据点，最大为/>：；
需要指出的是，结合实施例六的内容可得知，实际上就是四个矩阵中的/>、/>、/>、/>。
（2）找到最小值和/>：
；
；
（3）对每个数据点进行线性归一化：
；
（4）确保归一化后的数据和为1：
；
现在，就代表了归一化后的概率分布，可以作为初始状态概率分布 ID。这样的归一化保留了数据点之间的相对关系，并将其转化为符合概率定义的概率分布。
在本实施例中，状态的演化：利用概率矩阵P和初始状态分布P来更新状态的分布。
在每个时间步t，计算新的状态分布为：/>；
进一步的，这个计算基于马尔科夫链的特性，当前时刻的状态仅依赖于前一时刻的状态。
这种方法允许本实施例模拟系统状态的演化，尤其是在时间上。通过这种状态演化模型，本实施例可以观察系统在不同时间点的状态分布，为研究大鼠对右美托咪定（DEX）的综合性预测模型和研究脊髓缺血再灌注损提供关键信息。
进一步的，ID是一个列向量，其元素表示初始时刻马尔科夫链处于状态i的概率。这个向量的所有元素之和应为1，因为初始时刻系统必定处于某一状态。
优选的，因实施例六指出，概率矩阵组P有四个状态，所以ID的形式优选为：
；
根据实施例六的内容可得知，概率矩阵P则描述了状态间的转移概率，即在每个时间步，系统从一个状态转移到另一个状态的概率。P的每一行表示马尔科夫链的当前状态，每一列表示马尔科夫链的下一个可能状态。表示从状态i转移到状态j的概率。这样，在模拟马尔科夫链的状态演化时，本实施例可以利用P和初始状态概率分布ID来计算系统在每个时间步的状态分布。初始状态概率分布ID乘以概率矩阵P可以得到在第一个时间步的状态分布。
示例性的：系统在每个时间步的状态分布可以通过初始状态概率分布ID乘以概率矩阵P来计算。这个计算用矩阵乘法：；
符号“*”是矩阵乘法运算符，表示在时间步t的状态分布，是一个列向量，ID是初始状态概率分布，也是一个列向量，每个元素/>表示系统初始时刻处于状态i的概率。
通过矩阵乘法，得到的向量即表示系统在时间t的状态分布。
这个操作反映了系统从初始状态按照概率矩阵P进行状态转移的过程。中的每个元素/>表示了在时间t处于状态i的概率，是由前一时刻S(t-1)中各状态转移到状态i的概率加权得到的。
在本实施例中，确定马尔科夫链的初始状态概率在T-1和T-2中具有重要的目的和作用。具体的：
（1）在T-1中的目的：T-1侧重于模拟神经元结构的演变和变化，将神经元抽象为状态，并利用细胞自动机的方式模拟状态间的转移。在这个轨道上，确定马尔科夫链的初始状态概率是为了设定模拟的起点。具体来说，目的包括：
（1.1）定义模拟起始点：初始状态概率确定了模拟的初始状态分布。这是模拟开始时神经元结构状态的设定，起到了模拟初始状态的作用。
（1.2）影响模拟结果：初始状态概率影响模拟过程中每个时间步的状态分布，进而影响模拟的演变路径和结果。不同的初始状态分布会导致不同的模拟结果，有助于研究神经元结构的动态变化。
（1.3）使用马尔科夫链建模状态转移：利用马尔科夫链模型对脊髓神经元结构的状态进行建模，其中状态的转移由概率矩阵组P驱动。通过将元胞自动机的输出（BBB评分向量）归一化，确保脊髓神经元结构的病变仅依赖于当前时间步t的BBB评分趋势。
（2）在T-2中的目的：T-2侧重于利用机器学习模型建立对大鼠对右美托咪定（DEX）的综合性预测模型。在这个轨道上，确定马尔科夫链的初始状态概率也有特定的目的：
（2.1）构建输入数据：马尔科夫链的初始状态概率分布可以用于构建输入数据，作为机器学习模型的输入特征之一。这样，模型可以考虑到初始状态对预测的影响。
（2.2）影响预测结果：马尔科夫链初始状态概率的设定会影响模型的预测结果。不同的初始状态分布会导致不同的输入数据分布，从而影响模型对右美托咪定（DEX）效果的预测。
实施例八：本实施例将进一步公开T-2中的S2.1和S2.2的具体实施方式：
在S2.1和S2.2中的“演化”指的是神经元结构的状态向量在每个时间步都会发生变化。这种变化抽象为概念时，其逻辑在于根据概率转移矩阵P和上一时间步的状态向量来更新，而更新就可以看作“演化”。具体地，对于时间步t中的每个元素i，其新的值是通过将上一时间步的所有元素的值按照转移概率进行加权求和得到。这个过程的算法为：
；
表示在时间步t的向量/>的第i个元素的值，/>表示在时间t−1的向量的第j个元素的值。
在本实施例中，S2.3中的归一化为：在获得更新后的状态向量后，进行归一化操作。这意味着将向量/>中的每个元素除以所有元素的和，确保向量的所有元素之和为1。这是为了保持状态向量的概率性质，使其代表一个概率分布。这个过程的算法为：
；
；
表示基于当前BBB评分/>的函数，用于确定向量/>中与BBB评分相关的位置的值，其他位置的值设为0，确保病变仅依赖于当前BBB评分。
进一步的，基于BBB评分的调整（S2.3）: 状态向量中与BBB评分相关的位置通过函数/>进行调整。具体来说，BBB评分会影响神经元结构的状态，这个函数会根据当前BBB评分的情况来调整对应位置的值，确保病变仅依赖于当前的BBB评分。
进一步的，关于函数，本实施例给定两个方案：
（一）考虑BBB评分对状态的影响的线性关系：根据现有的BBB评分技术可得知（具体参阅实施例一），评分越低，大鼠的行动能力越强，月代表其状态可观，因此可以将BBB评分对状态的影响看作是线性关系：
；/>
和/>是线性函数的调节因子，用于调整线性关系的陡峭程度，示例性的，如果选择和/>，那么对于某个时间步t下的BBB评分BBB(t)可以通过该函数得到与BBB评分相关的状态向量元素的调整值：
；
这个调整值将应用于与BBB评分相关的位置的状态向量元素。
（二）考虑BBB评分对状态的影响的因果关系：选择sigmoid函数作为示例。Sigmoid函数可以将输入映射到(0, 1) 范围内，适合表示概率或比例。需要指出的是，此处的Sigmoid函数和实施例十一采用的Sigmoid函数并不是同一目的。
；
其中k是控制Sigmoid 函数的陡峭程度的调节因子，控制函数的中心位置，BBB(t)是当前的BBB评分，e是自然对数的底。
在本申请的T-1和T-2中，“演化”是指系统在时间步上的状态变化或更新过程。这术语用于描述不同部分或方法中的状态更新，无论是T-1的元胞自动机还是T-2中的状态向量更新。具体的：
（1）T-1中的演化：在T-1中，神经元结构被抽象为元胞自动机，即状态在元胞间根据特定规则进行演化。这种演化是针对神经元结构的状态（正常、出血、空泡、肿胀）进行的。演化的目的是模拟神经元结构的变化，并通过邻域元胞的状态和相应的转移概率来更新当前元胞的状态，以模拟神经元结构的动态变化。
（2）T-2中的演化：在T-2中，可以对向量更新。这个状态向量是基于当前BBB评分以及与BBB评分相关的特定位置上的函数/>进行更新。这种演化的目的是根据当前BBB评分调整状态向量的分布，确保状态向量中与BBB评分相关的位置反映出神经元结构的状态变化。然后输出一个不受时间趋势和前后时间步影响的向量/>；同时当执行后续的T-3时，向量/>也获得了上一个时间步的向量/>的信息，使其不受时间趋势和前后时间步影响，通过这种不断的执行循环，两个T中的演化都是为了模拟神经元结构的状态变化，但是在不同抽象层级上进行，分别作用于元胞自动机和状态向量。
实施例九：在本实施例中，将进一步公开S2.4的具体实施方式：
在本实施例中，S2.4包括：
1）使用随机函数RF生成序列：基于状态空间S和状态转移概率函数TF以及初始状态概率分布ID，采用随机函数RF生成脊髓神经元结构的病变序列；随机函数RF是用来生成脊髓神经元结构的病变序列的工具。它基于状态空间S、状态转移概率函数TF以及初始状态概率分布ID。通过随机函数RF，可以模拟出一系列病变状态的序列。
2）随机抽样：从状态空间S中选择初始状态，即实施例八中的初始状态概率分布ID，按照状态转移概率函数TF 进行状态转移，生成病变序列。这个过程模拟了神经元结构状态随时间的变化。状态转移过程是基于随机抽样的，但依据状态转移概率函数，使得模拟更符合实际情况。
3）模拟病变过程：模拟病变过程意味着本实施例模拟大鼠脊髓神经元结构随时间的变化，根据选定的初始状态和状态转移概率；此步骤是模拟神经元结构的病变过程。根据选定的初始状态和状态转移概率，模拟神经元结构随时间的变化，包括可能的病变情况。最终基于生成的病变序列执行模拟，将模拟得到的状态转化成对应的BBB评分向量：
；
表示在时间步t下的BBB评分向量。
在本实施例中，关于随机函数RF：
（1）设状态空间S有n个状态，表示为：；
（2）随机函数RF：；
是状态空间S中的一个状态；
（3）生成的方式是均匀分布：/>；
表示生成一个a到b之间的随机整数。/>就是基于均匀分布随机选择的状态。
（4）是一个用于生成指定范围内随机整数的函数，在Python中，可以通过使用随机数生成库（比如random库）中的函数来实现/>，本实施例给定如下程序：
import random
def rand_int(a, b):
return random.randint(a, b)
在这个程序中，函数接受两个参数a和b，然后调用/>函数生成在 [a, b] 范围内的随机整数，并返回该随机整数。
演示性的Python运算：
random_number = rand_int(1, 10) # 生成1到10之间的随机整数
print(random_number)
需要指出的是，随机函数RF在本实施例中被用来生成脊髓神经元结构的病变序列。这个随机生成的过程是基于状态空间S、状态转移概率函数TF以及初始状态概率分布ID进行的。首先本实施例定义了一种状态空间S，它包括了所有状态或者特征，这些状态可以代表脊髓神经元结构的不同病变状态或特征。有了状态空间后，定义了状态转移概率函数TF。这个函数描述了从一个状态转移到另一个状态的概率。具体来说，对于每个状态i，TF给出了它向其他状态j转移的概率。初始状态概率分布ID描述了初始时刻在状态空间S中每个状态的概率。利用上述定义的状态空间S、状态转移概率函数TF和初始状态概率分布ID，通过随机函数RF生成脊髓神经元结构的病变序列。随机函数RF在后续将基于随机抽样算法，以一定的概率在状态空间S中选择初始状态，并按照TF定义的概率进行状态转移，从而形成病变序列。
在本实施例中，状态空间S是描述可能的状态或特征的集合，这些状态或特征可以代表脊髓神经元结构的不同病变状态，其形式等同于实施例二提供的元胞状态属性，但是本实施例没有采用元胞自动机算法，故应当作适应性变形：
；
每个状态都对应脊髓神经元结构的一种特定病变情况，而状态空间S包括了所有可能的病变状态。在模拟病变过程时，随机函数RF可以随机选择这些状态来模拟脊髓神经元结构的病变序列。
在本实施例中，基于图1和实施例五、六的概念可得知，状态转移概率函数TF是由实施例五、六所提供的概率矩阵组P进行驱动的，因此具体的：；
即，转移概率函数TF直接使用概率矩阵组P中对应位置的概率作为转移概率。因此也可以理解为：
；
这样，本实施例就可以使用概率矩阵P作为转移概率函数TF，实现状态间的转移模拟。
需要指出的是，请结合实施例三的内容：实施例三所公开的T-1的转移函数f也是由实施例五、六所提供的概率矩阵组P进行驱动的，因此为了避免混淆，本实施例在此需要指出，转移函数f和转移概率函数TF的区别主要在于应用和作用的对象不同，以及对系统动态的影响方式不同。具体的：
（1）转移函数f：
应用对象：转移函数f是应用于元胞自动机的状态转移过程中，用于确定元胞自动机下一个时刻的状态。
作用方式：它根据元胞自动机当前时刻的状态以及概率矩阵组P，计算新的状态，驱动元胞自动机状态的演化。
（2）转移概率函数TF：
应用对象：转移概率函数TF是应用于马尔科夫链的状态转移过程中，用于确定马尔科夫链的状态转移概率。
作用方式：它基于概率矩阵组P中的元素，将每个状态转移到其他状态的概率作为转移概率，用于模拟马尔科夫链中状态的变化。
进一步的，二者具有相辅相成的关系，转移函数f驱动了元胞自动机的状态演变，产生了新的状态向量。这新的状态向量会成为马尔科夫链的初始状态或者当前状态，然后通过转移概率函数TF输出一个新向量/>，而新向量会基于T-3的内容（具体详见实施例十和实施例十一）进一步返回转移函数f并对其进行自适应性修正，使得转移函数f能够基于马尔科夫链模型确定马尔科夫链的状态转移概率，从而让元胞自动机获得了马尔科夫链的不受趋势影响的特性。换句话说，元胞自动机的输出状态向量成为马尔科夫链的输入，驱动马尔科夫链的状态转移过程，形成了整个系统动态的闭环。
实施例十：本实施例将进一步公开T-3的具体实施方式：
在T-3中，Dempster's组合原则包括：从T-1和T-2中提取上一个时间步t-1的向量和/>分别作为证据A和证据B。
进一步的，所述Dempster's组合原则的步骤包括：组合和合成：
1）第一步，组合：
1.1）证据A的置信分配函数：；
1.2）证据B的置信分配函数：；
i和j代表概率矩阵组P中的不同元素的状态索引，表示了证据A对状态/>的置信度，/>表示了证据B对状态/>的置信度；
2）第二步，合成：使用Dempster's组合原则，将证据A和证据B的置信度进行组合，得到组合后的置信分配函数；具体来说，在合成过程中，本实施例将这些置信度分配函数用于组合证据A和证据B，以获得最终的合成置信度，用于推断状态或假设。这个合成过程使用了Dempster's组合原则，该原则结合了不同证据的置信度以产生合成的置信度。
；
表示对所有i和j满足i∩j=k的情况进行求和，这个公式表示合成置信度，其中i和j是状态索引，k是概率矩阵组P中的某一状态。分母是一个归一化项，确保合成置信度的总和为1。
在本实施例中的和/>，其相应于D-S证据理论领域中，被统称为“置信分配函数（belief assignment function）”，用于表示在给定证据情况下状态/>和/>的置信度。具体来说，置信度是用来衡量对一个特定事件或命题的信任程度或确信程度的度量。这个度量在[0, 1]的范围内，其中0表示完全不信任，1表示完全信任。
具体的，的/>表示在上一个时间步t−1中向量/>的第i个元素，即状态/>的概率值，即在时间步t−1对状态/>的置信度。
具体的，的/>表示在上一个时间步t−1中向量/>的第j个元素，即状态/>的概率值，即在时间步t−1对状态/>的置信度。
具体的，这些置信分配函数用于衡量在给定上一个时间步的状态向量和/>的情况下，本实施例对各个状态/>和/>的置信度。这是D-S证据理论中用于量化置信度的核心概念，用于进行状态推断和合成。
需要指出的是，函数和函数/>分别代表证据A和B对状态/>和/>的置信度。这里的/>和/>并不是概率矩阵P中的/>，而是代表状态空间中的特定状态。也就是说，/>和/>是状态向量中的元素，而/>是概率矩阵P中的元素。当使用函数/>时，它计算了证据A对于状态/>的置信度，也就是说，它是衡量证据A在当前时间步对每个状态的置信度。同样地，/>计算了证据B对状态/>置信度，衡量了证据 BB 在当前时间步对每个状态的置信度。这两个函数的区别在于，函数/>和函数/>分别代表来自不同证据的对状态的置信度。它们对应于不同的状态空间，分别反映了两种证据对各个状态的信任程度。
需要指出的是，对于证据A，其状态空间指的是元胞属性的状态空间（），对于状态B，其状态空间指的是实施例九中记载的“状态空间S”。
进一步的，函数和函数/>的分配过程是将这些置信度分配给不同的状态或假设，以表示本实施例对这些状态或假设的信任程度。这些置信度分配函数基于先前的置信度向量以及具体的状态索引来确定置信度。
进一步的，“基于先前的置信度向量以及具体的状态索引来确定置信度”：意味着置信度的分配是基于先前时间步的置信度向量中与特定状态或假设相关的元素，并且这种分配是根据特定状态的索引来进行的。具体来说，对于每个状态或假设，置信度的分配依赖于先前时间步的置信度向量中与该状态或假设相关的元素。这些元素通常与特定状态或假设的索引i相对应。因此，通过查看先前时间步的置信度向量中特定索引i的元素，本实施例可以确定该状态或假设的置信度。这种分配方法基于状态或假设的索引，使得每个状态或假设的置信度能够根据其在先前时间步的置信度向量中的位置来确定。这样做是为了反映本实施例对不同状态或假设的信任程度，并根据先前时间步的信息来调整当前时间步的置信度。
在本实施例中，上文的Dempster's组合原则所输出的置信度是置信度向量，“置信度向量”是指在Dempster-Shafer理论中用于表示对不同假设或状态的置信度的向量。每个元素表示对应假设或状态的置信度。这种向量可以用来表示对特定事件发生的信心程度，或者在推理过程中表示对不同假设的信任程度。而在本实施例中，使用Dempster's组合原则执行合成是为了将来自T-1和T-2的两种不同证据（表示为置信度向量和/>）结合起来，生成一个综合的置信度向量/>；
在本实施例的合成步骤中，i和j是状态索引，k是概率矩阵组P中的某一状态，例如请参阅实施例五提供的4*4大小的概率矩阵组P，使用k作为状态的索引，其中的i和j的范围在1~4，那么k就是取1、2、3和4中的任意一值，表示对应状态的索引。因此，Dempster's组合原则中的k实际上是用来指示在概率矩阵P中的哪个特定状态上进行组合置信度计算。
在本实施例中，是基于 Dempster's 组合原则计算得到的合成置信度。这个向量表示了对某一组合状态CV 的置信度。
具体来说，是一个列向量，长度等于概率矩阵组P中的状态数量。每个元素/>表示对状态k的置信度，其中k是P矩阵中的状态索引。/>反映了根据组合规则合成的关于状态k的置信度，当考虑到特定组合状态CV的情况。也就是说向量提供了在给定特定组合状态CV下对每个状态的置信度估计。这个向量的每个元素表示了相应状态的置信度。
进一步的：反映了当前时间步中通过组合T-1 和 T-2的信息得到的对于特定组合状态CV的置信度。这个组合状态CV可以看作是两个独立信息来源的合成结果。的具体值表示了系统对于该组合状态CV的置信程度，它影响了后续对该组合状态的处理。这个置信度信息可以用于调整系统的行为或进一步的分析。/>提供了对特定组合状态的修正信息，这种修正信息基于两个来源的独立信息，并且通过组合规则进行了合成。它可以用于优化模型的性能、指导决策或者进行进一步的研究和分析。具体来说，/>反映了当前时间步中对于特定组合状态CV的综合评估，它整合了T-1和T-2的信息，为后续决策和分析提供了更加综合和权衡后的依据。
进一步的：将通过 Dempster's 组合原则整合了上一个时间步的向量（即作为证据B的/>）的信息并输出/>，然后将/>用于修正 T-1 中的转换函数f，可以实现自适应性修正。其原理在于/>反映了前一个时间步中两个来源信息的综合，从而可以指示当前时间步下状态的修正方向。而/>是通过整合上一个时间步中T-1和T-2的信息得到的。这样做的目的是将两个信息来源的权衡综合起来，确保考虑了不同来源的贡献。同时/>是一个综合的置信度，反映了当前状态CV 的置信度。这个置信度由两个来源信息的综合确定，可以看作是对当前状态的信心程度。而将应用于转换函数f，实际上这个过程可以更贴切的称之为：将综合的置信度作为修正因素，调整转换函数f的行为，使得转换函数f更具适应性。由于/>是根据两个来源信息的综合得到的，它能够反映当前综合状态的置信度，因此将其用于修正转换函数可以实现自适应性修正。系统可以根据当前置信度自动调整f的行为，以适应不同的综合情况。
因此，将作为修正因素应用于转换函数，可以使系统更具适应性。它可以根据不同情况下的综合置信度自动调整转换函数，使输出更符合当前情况。这样系统能够在不同状态下自适应地调整输出，更准确地反映系统的实际状态。而自适应修正的作用体现于：
（1）综合信息：Dempster's 组合原则能够将 T-1 和 T-2 中的信息进行综合，避免了信息的分割和独立处理。通过整合两个来源的信息，得到了更全面、更准确的综合信息。
（2）权衡修正：可以视作是两个独立信息来源的修正权衡。这种修正可以使得对于组合状态CV的判断更加客观、全面，而不仅仅依赖于单一来源的信息。
演示性的：设根据实施例六所提供的步骤，得出的概率矩阵组 P的部分结构包括（为了简化运算过程，仅展示一个2*2的矩阵）：
；
并且设上一个时间步的置信度向量为：
；
；
则：
证据A的置信分配函数：
；
；
证据B的置信分配函数：
；
；
合成：
；
对于的第一个元素，即k=1，本实施例有：
；
；
对于的第二个元素，即k=2，本实施例有：
；
；
因此，为：
；
实施例十一：在本实施例中，将进一步提供T-3的具体实施方式：
在T-3中，修正的步骤包括：
（1）映射：在这一步骤中，纠正向量CV通过sigmoid函数映射到[0,1]区间，以获得修正因子α。Sigmoid函数的特性使得α在[0,1]之间变化，这种变化可以用于对模型输出进行调整，增加模型的自适应性。Sigmoid函数的具体形式如下：
；
e是自然对数的底或自然常数；
（2）进一步的，在本实施例中，请结合参阅实施例三的内容，修正因子α被引入到S1.1的转换函数中，用于修正该转换函数的参数。修正后的转换函数f考虑了α作为修正因子对模型输出的影响。修正函数的具体形式如下：
；
是元胞从状态i转移到状态j的转移概率；/>是所述Morre邻域/>中的某个元胞k的状态/>，即之前模型输出的状态。α是纠正向量CV经映射后的参数，其作为修正因子。
在本实施例中，通过上述两个步骤，本实施例可以看到修正因子 α 通过 sigmoid函数映射纠正向量 CV，然后被引入到转换函数中，对模型输出进行修正，使得模型更具自适应性，能够更好地预测和模拟系统的动态变化。
具体的，纠正向量CV经过sigmoid函数映射到[0,1]区间的目的是为了将其范围限制在0到1之间，这样得到的值可以解释为一种概率或权重，非常适合用作修正因子α。Sigmoid函数有一个特殊的S形曲线，其输入范围是负无穷到正无穷，输出范围是[0,1]，当CV很大时，趋近于零，因此α趋近于1。当CV很小或为负时，/>趋近于无穷大，因此α趋近于0。这种特性使得CV能够映射到一个合适的范围[0,1]，即概率或权重。将映射得到的α作为修正因子引入到转换函数f中时，实际上是通过该因子调整转换函数的行为。在这个修正后的转换函数中，α会影响每个状态的权重，进而影响模型输出。如果α接近于1，那么模型会更倾向于受到当前状态/>和概率转移/>的影响；如果α接近于0，那么修正的影响会变弱，模型可能更依赖于之前的状态。这种机制使得转换函数能够根据当前情况自适应地调整模型的行为，增强模型的适应性和预测能力。
可以理解的是，结合实施例十一的内容可以得知，纠正向量CV的核心内容是反映当前综合状态的置信度，因此虽然为了将纠正向量CV进一步以权重的形式参与进转换函数f的解算，故sigmoid函数将CV映射到[0,1]区间，但这个映射并不是线性的，而是具有S形曲线。这意味着在CV的不同取值下，对应的α也不是线性变化的。
具体来说，sigmoid函数的输出（即α）在输入CV较大时接近于1，在输入CV较小或为负时接近于0。这个特性可以理解为在CV表示置信度时，较高的CV表示较高的置信度，接近于1；而较低的CV表示较低的置信度，接近于0。所以，尽管经过sigmoid映射后限制在[0,1]区间，CV仍然可以表达当前综合状态的置信度。大的CV对应较高的置信度，小的CV对应较低的置信度。在实际应用中，这种映射能够在一定程度上保留CV的信息，同时使其适用于作为修正因子α，进而影响转换函数的行为，增强模型的自适应性。
演示性的，以实施例十一给定的演示结果为例：
；
；
；
随后进行修正：
；
k取两个值，分别对应于不同的α；通过将不同的α与概率矩阵 P_{ij}Pij 相乘，以及与对应状态相乘，实现对转换函数f的修正。这修正可以使f更加适应当前状态，因为不同状态可能需要不同程度的修正，而这由α决定。在具体应用到T-1中时，这种修正可以更好地反映当前综合状态的置信度。不同状态的置信度可能不同，而通过与α相乘，本实施例可以调整每个状态的影响力，使得状态对于最终输出的影响更为准确和合适。这样，系统可以更好地适应不同情况下的状态变化。当然，本领域技术人员也可以根据自己实际应用中的主观测定，自行选择/>或/>进行计算。
实施例十二：本实施例进一步公开一种基于元胞自动机的脊髓损伤评定系统；该系统包括处理器、与处理器耦接的存储器，存储器中存储有程序指令，程序指令被处理器执行时，使处理器执行如上述的脊髓损伤评定方法。具体的：
（1）处理器：处理器是该评定系统的核心组件，负责执行脊髓损伤评定方法中的各个步骤。它能够处理输入数据并根据程序指令执行相应的操作，从而实现整个评定方法的运行。
（2）存储器：存储器与处理器耦接，用于存储程序指令。这些程序指令是实现脊髓损伤评定方法的关键，能够指导处理器按照事先设计好的步骤进行运算和处理。
（3）程序指令执行：程序指令存储在存储器中，当处理器执行这些指令时，它会按照事先设计的步骤和算法，运算、处理数据，实现脊髓损伤评定方法中的各个阶段。这些指令将引导处理器完成整个基于元胞自动机的脊髓损伤评定方法。
（4）系统工作流程：
P1、输入数据导入： 大鼠脊髓损伤的数据作为输入被导入系统。
P2、程序指令执行： 处理器根据存储器中的程序指令执行脊髓损伤评定方法，包括T-1、T-2和T-3的各个步骤。
P3、脊髓损伤模拟与评估： 系统根据程序指令模拟大鼠脊髓损伤情况，并评估损伤程度，生成相应的BBB评分向量。
P4、结果输出： 系统将评估得到的BBB评分向量作为输出，提供给用户或进一步分析。
进一步的，下文将公开本实施例中存储器内存储的控制程序，本实施例以C++伪代码的形式仅展示其运算的逻辑：
#include
#include
#include
// 定义全局变量和数据结构
const int SIZE = 100; // 设有100个元胞
float X_A[SIZE]; // 元胞i对应的BBB评分向量
float P[SIZE][SIZE]; // 概率矩阵组P
float S[SIZE]; // 设状态向量S
float f_modified[SIZE][SIZE]; // 修正后的转换函数
void transitionFunction() {
// 转换函数f
void calculateCompositeBelief(float Belief_A[], float Belief_B[],float Belief_AB[]) {
// 计算组合置信度函数 Belief_AB
}
float sigmoid(float x) {
// sigmoid 函数
return 1 / (1 + exp(-x));
}
void modifyTransitionFunction(float alpha) {
// 修正转换函数
}
int main() {
// T-1
// 转换函数f等步骤
transitionFunction();
// T-2
calculateTransitionProbabilities()：
markovChainEvolution()
// 实现状态转移、归一化、序列生成等步骤
// T-3
// 实现证据合成、映射、修正转换函数等步骤
float Belief_A[SIZE];
float Belief_B[SIZE];
float Belief_AB[SIZE];
calculateCompositeBelief(Belief_A, Belief_B, Belief_AB);
float CV = Belief_AB[0]; // 取第一个值作为 CV
float alpha = sigmoid(CV);
modifyTransitionFunction(alpha);
return 0;
}
其原理包括：
（1）T-1：元胞自动机模型
原理：将每个大鼠的脊髓神经元结构抽象为元胞，每个元胞具有病变属性。Morre邻域对每个元胞在每个时间步执行演化。
上述程序的函数包括：
transitionFunction()：实现转换函数f的逻辑，驱动Morre邻域的演化。
calculateBBBVector()：计算每个元胞对应的脊髓神经元结构的BBB评分向量X_A。
（2）T-2：马尔科夫链模型
原理：使用概率矩阵组P的初始状态作为脊髓神经元结构的初始状态分布，形成马尔科夫链。通过状态转移概率函数TF对状态进行演化。
上述程序的函数包括：calculateTransitionProbabilities()：计算状态转移概率矩阵P。
markovChainEvolution()：马尔科夫链的状态演化。
（3）T-3：D-S 证据理论验证
原理：使用Dempster's组合原则将T-1和T-2的向量作为证据A和证据B，将其组合成纠正向量CV。通过sigmoid函数映射为权重系数α，再用α修正转换函数f。
上述程序的函数包括：calculateCompositeBelief(float Belief_A[], floatBelief_B[], float Belief_AB[])：计算组合置信度函数Belief_AB。
modifyTransitionFunction(float alpha)： 修正转换函数，α作为修正因子。
（4）主程序：集成了各个轨道的核心函数，并在最后整合了整个过程。在T-3中，通过D-S证据理论验证，使用获得的α值对转换函数进行修正，实现自适应性修正。
这样的程序结构能够模拟基于元胞自动机的脊髓损伤评定方法的整个流程，包括脊髓神经元结构的演化、状态转移、证据合成、权重计算和转换函数的修正等。
以上所有的实施例仅表达了本发明的相关实际应用的实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于元胞自动机的脊髓损伤评定方法，其特征在于，包括如下同步实施的T-1、T-2和T-3：
所述T-1、元胞自动机模型：将每个大鼠的脊髓神经元结构抽象为元胞i，每个所述元胞i具有病变属性，通过Morre邻域对所述元胞i在每个时间步下执行演化，步骤包括：
S1.1、转换函数f：驱动所述Morre邻域；
S1.2、概率矩阵组P：定义所述转换函数f的转移规则；
S1.3、向量输出：输出每个所述元胞i对应的脊髓神经元结构在每个时间步下的BBB评分向量；
所述T-2、马尔科夫链模型：将所述概率矩阵组P的初始状态作为大鼠脊髓神经元结构的初始状态概率分布ID，所述初始状态概率分布ID作为马尔科夫链的初始状态；对于大鼠的脊髓神经元结构执行病变演化，包括：
S2.1、输入：在每个时间步t中接收上一个时间步t-1的所述T-1的向量；
S2.2、演化：在状态空间S中，所述向量交由状态转移概率函数TF进行概率评估，所述转移概率函数TF由所述概率矩阵组P驱动；
S2.3、将所述向量归一化为马尔科夫性质，使大鼠的脊髓神经元结构的病变仅依赖于当前时间步t的BBB评分趋势，与其它时间步的BBB评分趋势无关；
S2.4、序列生成：生成大鼠的脊髓神经元结构的病变序列，输出时间步下的BBB评分向量；
所述T-3，D-S证据理论验证：在当前时间步中，将所述T-1和所述T-2在上一个时间步的所述向量/>和所述向量/>分别作为证据A和证据B，所述证据A和所述证据B通过Dempster's组合原则输出纠正向量CV，通过纠正向量CV对所述T-1的所述转换函数f中进行修正。
2.根据权利要求1所述的脊髓损伤评定方法，其特征在于：在所述T-1中：
1）表示时间t 时刻所述元胞i的状态，所述元胞i的病变属性包括正常0、出血1、空泡2和肿胀3：
；
2）所述Morre邻域表示与所述元胞i接邻的8个元胞；
3）所述演化包括：设是元胞从状态i转移到状态j的转移概率；
在每个时间步t下，所述元胞i的状态根据邻域所述Morre邻域/>中的所述状态进行更新：
；
表示函数在j上的最大值，/>是时间t下某个元胞k的状态，j是变量，用于寻找使得该函数取得最大值的参数；
δ(a,b)是Kronecker delta函数：
；
所述Kronecker delta函数用来判断两个变量是否相等，在 a = b时返回1，否则返回0。
3.根据权利要求2所述的脊髓损伤评定方法，其特征在于：在所述S1.1中，所述转换函数f及其所述驱动的步骤包括：
；
表示通过转换函数f得到的新状态，/>是所述Morre邻域/>中的某个元胞k的状态/>；
在所述S1.3中，所述向量包括：
；
表示所述元胞i对应的BBB评分，取决于其状态/>；
、/>、/>和/>分别是正常、出血、空泡和肿胀状态对应的BBB评分，其中/>得分最高。
4.根据权利要求2~3任意一项所述的脊髓损伤评定方法，其特征在于：在所述S1.2和所述S2.2中，所述概率矩阵组P包括：
；
表示所述概率矩阵组P中的某一元素/>在时间步t下，从状态i转移到状态j的概率；
在所述S1.2中，所述概率矩阵组P包括概率均分：
；
其中i表示当前状态，j表示下一个状态。
5.根据权利要求3所述的脊髓损伤评定方法，其特征在于：在所述T-2中，所述初始状态概率分布ID包括：
1）所述概率矩阵组P视为马尔科夫链的初始状态，然后演化马尔科夫链的状态：；
2）更新：在每个时间步t，马尔科夫链模型的状态更新包括：；
S(t)表示在时间步t的状态分布，S(t-1)表示在时间步的状态分布。
6.根据权利要求5所述的脊髓损伤评定方法，其特征在于：在所述S2.1和所述S2.2中的所述演化包括：
；
表示在时间步t的所述向量/>的第i个元素的值，/>表示在时间t−1的所述向量/>的第j个元素的值；
在所述S2.3中，所述归一化包括：
；
；
表示基于当前BBB评分/>的函数，用于确定向量/>中与BBB评分相关的位置的值，其他位置的值设为0，确保病变仅依赖于当前BBB评分。
7.根据权利要求6所述的脊髓损伤评定方法，其特征在于：在所述S2.4中，包括：
S2.4.1、执行RF生成序列：基于所述状态空间S和所述状态转移概率函数TF以及所述初始状态概率分布ID，以随机的形式生成脊髓神经元结构的病变序列；
S2.4.2、随机抽样：从所述状态空间S中选择初始状态，按照所述状态转移概率函数TF进行状态转移，生成病变序列；
S2.4.3、模拟病变过程：基于生成的病变序列，将模拟得到的状态转化成对应的BBB评分所述向量：
；
表示在时间步t下的BBB评分向量；ID是所述初始状态概率分布，S是所述状态空间，TF是状态转移概率函数；RF是随机函数。
8.根据权利要求3所述的脊髓损伤评定方法，其特征在于：在所述T-3中，所述Dempster's组合原则的步骤包括：组合和合成；
1）所述组合：
1.1）所述证据A的置信分配函数：；
1.2）所述证据B的置信分配函数：；
所述i和所述j代表所述概率矩阵组P中的不同元素的状态索引，所述表示证据A对状态/>的置信度，所述/>表示证据B对状态/>的置信度；
2）所述合成：
；
表示对所有所述i和所述j满足i∩j=k的情况进行求和，其中所述k是所述概率矩阵组P中的某一状态。
9.根据权利要求8所述的脊髓损伤评定方法，其特征在于：在所述T-3中，所述修正的步骤包括：
1）映射：使用sigmoid函数，将所述纠正向量CV映射为[0，1]的区间值：
；
e是自然对数的底或自然常数；
2）修正所述S1.1的所述转换函数f：
；
α是所述纠正向量CV经映射后的参数，其作为修正因子；
是元胞从状态i转移到状态j的转移概率；/>是所述Morre邻域/>中的某个元胞k的状态/>。
10.一种基于元胞自动机的脊髓损伤评定系统，其特征在于：所述系统包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如权利要求1-9中任一项权利要求所述的脊髓损伤评定方法。
CN202311509867.5A 2023-11-14 2023-11-14 一种基于元胞自动机的脊髓损伤评定方法及系统 Active CN117238486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311509867.5A CN117238486B (zh) 2023-11-14 2023-11-14 一种基于元胞自动机的脊髓损伤评定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311509867.5A CN117238486B (zh) 2023-11-14 2023-11-14 一种基于元胞自动机的脊髓损伤评定方法及系统

Publications (2)

Publication Number Publication Date
CN117238486A true CN117238486A (zh) 2023-12-15
CN117238486B CN117238486B (zh) 2024-02-02

Family

ID=89082970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311509867.5A Active CN117238486B (zh) 2023-11-14 2023-11-14 一种基于元胞自动机的脊髓损伤评定方法及系统

Country Status (1)

Country Link
CN (1) CN117238486B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050130230A1 (en) * 2003-09-23 2005-06-16 Antoni Davalos Cellular fibronectin as a diagnostic marker in stroke and methods of use thereof
CN111736690A (zh) * 2020-05-25 2020-10-02 内蒙古工业大学 基于贝叶斯网络结构辨识的运动想象脑机接口
CN111902876A (zh) * 2018-01-22 2020-11-06 癌症众生公司 用于进行虚拟试验的平台
CN111931129A (zh) * 2020-07-23 2020-11-13 杭州电子科技大学 基于高斯Copula传递熵的肌间耦合网络分析方法
CN113195739A (zh) * 2018-10-12 2021-07-30 罗斯托克大学 用于对骨髓干细胞疗法的响应的预测的方法
WO2022248939A2 (en) * 2021-05-23 2022-12-01 Mellodge Patricia A Apparatus and method of measurement of incremental changes in partial postural control
CN116884623A (zh) * 2023-09-06 2023-10-13 西南医科大学附属医院 基于激光扫描成像的医疗康复预测系统
CN117035461A (zh) * 2023-08-22 2023-11-10 江苏金昱陵建设工程有限公司 一种基于元胞自动机及lucc的桥梁施工评测方法及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050130230A1 (en) * 2003-09-23 2005-06-16 Antoni Davalos Cellular fibronectin as a diagnostic marker in stroke and methods of use thereof
CN111902876A (zh) * 2018-01-22 2020-11-06 癌症众生公司 用于进行虚拟试验的平台
CN113195739A (zh) * 2018-10-12 2021-07-30 罗斯托克大学 用于对骨髓干细胞疗法的响应的预测的方法
CN111736690A (zh) * 2020-05-25 2020-10-02 内蒙古工业大学 基于贝叶斯网络结构辨识的运动想象脑机接口
CN111931129A (zh) * 2020-07-23 2020-11-13 杭州电子科技大学 基于高斯Copula传递熵的肌间耦合网络分析方法
WO2022248939A2 (en) * 2021-05-23 2022-12-01 Mellodge Patricia A Apparatus and method of measurement of incremental changes in partial postural control
CN117035461A (zh) * 2023-08-22 2023-11-10 江苏金昱陵建设工程有限公司 一种基于元胞自动机及lucc的桥梁施工评测方法及存储介质
CN116884623A (zh) * 2023-09-06 2023-10-13 西南医科大学附属医院 基于激光扫描成像的医疗康复预测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘盈;刘楚繁;张慧婷;石叶;兰姗;唐玲玲;艾金伟;裴斌;: "干细胞移植治疗脊髓损伤系统评价及不同移植途径疗效比较的网状Meta分析", 中国组织工程研究, no. 29, pages 4748 - 4756 *
彭娟 等: "镜像疗法对脑卒中后肢体功能康复的研究进展", 《中国康复医学杂志》, vol. 32, no. 3, pages 359 - 363 *

Also Published As

Publication number Publication date
CN117238486B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
Kaucic et al. Portfolio optimization by improved NSGA-II and SPEA 2 based on different risk measures
Zhang et al. Optimization of the convolutional neural networks for automatic detection of skin cancer
Olden et al. An accurate comparison of methods for quantifying variable importance in artificial neural networks using simulated data
El Naqa et al. Multivariable modeling of radiotherapy outcomes, including dose–volume and clinical factors
US20110131027A1 (en) Bioinformatics system
Li et al. Dimension reduction for the conditional mean in regressions with categorical predictors
Pernía-Espinoza et al. Stacking ensemble with parsimonious base models to improve generalization capability in the characterization of steel bolted components
Kapusuzoglu et al. Information fusion and machine learning for sensitivity analysis using physics knowledge and experimental data
EP4022626B1 (en) Computer-implemented method and apparatus for analysing genetic data
Cucala et al. A Bayesian reassessment of nearest-neighbor classification
Gligorijevic et al. Improving confidence while predicting trends in temporal disease networks
CN113270189A (zh) 一种基于强化学习的肿瘤治疗辅助决策方法
Costiris et al. Decoding β-decay systematics: A global statistical model for β− half-lives
Wiqvist et al. Sequential neural posterior and likelihood approximation
Stephens et al. Causal Inference Under Mis-Specification: Adjustment Based on the Propensity Score (with Discussion)
Chamlal et al. A hybrid feature selection approach for Microarray datasets using graph theoretic-based method
Loughrey et al. Using early-stopping to avoid overfitting in wrapper-based feature selection employing stochastic search
CN117238486B (zh) 一种基于元胞自动机的脊髓损伤评定方法及系统
Gao et al. An ensemble contrastive classification framework for imbalanced learning with sample-neighbors pair construction
Chen et al. HelixMO: Sample-Efficient Molecular Optimization in Scene-Sensitive Latent Space
Li et al. Temperature modeling of wave rotor refrigeration process based on elastic net variable selection and deep belief network
WO2005048185A1 (en) Transductive neuro fuzzy inference method for personalised modelling
Cui et al. Building a Predictive Model of Toxicity
Dweekat et al. Addressing cancer readmission prediction model drift: A case study
van Breda et al. Assessment of temporal predictive models for health care using a formal method

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