本文關鍵詞：神經信息流分析中gPDC與PCMI算法的比較及應用

  更多相關文章： 神經信息流 神經元群模型 廣義一致性算法 排列熵算法 局部場電位

【摘要】：目的： 大腦在學習思考時,不同腦區(qū)通過神經振蕩同步的方式相互連接交流。為了度量這種實時的信息流動,神經信息流(Neural information flow,NIF)分析應運而生。近年來,已有許多算法被用來度量這種實時的交流,以便確定大腦在工作時不同腦區(qū)的連接狀況。然而不同的度量方法可能會導致不同的結果,有時甚至會產生相反的結果。因此,通過比較不同的計算方法在度量神經信息流時的特點,可以對實踐以及結論的確定有一定的指導意義。目前,對于神經信息流的度量,主要有兩類方法。一類是線性方法,代表算法是廣義一致性算法(general partial directional coherence, gPDC)。另一類是非線性算法,代表算法是排列熵算法(permutation conditional mutual information, PCMI)。本文運用數學模型,通過數值仿真,模擬真實腦電數據,以此比較這兩類算法在分析神經信息流時的特點,為后續(xù)真實的腦電數據分析提供一定的指導。 方法： 通過數值仿真,運用神經元群模型(neural mass model, NMM),模擬真實腦電數據。在不同連接強度下,比較算法的靈敏度、度量的誤差、以及腦電數據長度對分析的影響。最后通過動物在體實驗,獲得一組真實腦電數據,驗證數值實驗得到的一些結論。 結果： 排列熵的靈敏度要好于廣義一致性算法,在較低的連接強度下,排列熵算法的結果更為可靠。因此,排列熵算法適合于度量連接強度較更弱的情況。廣義一致性算法的靈敏度是一個二元函數,受到兩個方向的共同影響。排列熵的靈敏度是一個一元函數,只會受到所度量方向的影響。因此,排列熵算法更適合度量連接強度的大小。 在單向模型,即單向驅動條件下,廣義一致性算法在估計真值方面要明顯好于排列熵算法。同時,廣義一致性算法在體現(xiàn)強度變化方面的靈敏度比排列熵算法更高。 在雙向模型,即相互驅動條件下,排列熵算法在估計真值方面要好于廣義一致方向性算法。兩類算法在驅動對稱的情況下,都有較好的結果。同樣,廣義一致性算法在體現(xiàn)強度變化方面也要明顯好于排列熵算法。 排列熵算法對數據長度的要求較小,而廣義一致方向性算法要求更多的數據點以獲得穩(wěn)定的結果。 從動物在體實驗數據分析中得到的結果表明,廣義一致性算法對度量連接強度的變化更為敏感。同時,與廣義一致性算法比較,排列熵算法得到穩(wěn)定的結果需要更少的數據點。 結論： 廣義一致性算法更能表現(xiàn)出神經信息流強度的變化；而排列熵算法更適合估計神經信息流強度本身。
【關鍵詞】：神經信息流 神經元群模型 廣義一致性算法 排列熵算法 局部場電位
【學位授予單位】：南開大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：R338;TN911.7
【目錄】：

• 中文摘要5-7
• Abstract7-11
• 符號說明11-12
• 第一章 前言12-18
• 第一節(jié) 研究背景12-16
• 1.1.1 神經振蕩12-13
• 1.1.2 神經信息流13-16
• 1.1.3 神經元建模16
• 第二節(jié) 研究內容及目的16-17
• 第三節(jié) 論文的創(chuàng)新之處17
• 第四節(jié) 論文的結構安排17-18
• 第二章 腦電信號建模與數據分析方法18-29
• 第一節(jié) 神經元群模型18-24
• 2.1.1 神經元群模型的基本模型18-21
• 2.1.1.1 神經元群基本模型的數學表達18-20
• 2.1.1.2 神經元群基本模型的實現(xiàn)20-21
• 2.1.2 單通道多狀態(tài)神經元群模型21-22
• 2.1.3 雙通道雙狀態(tài)神經元群模型22-24
• 第二節(jié) 數據分析算法24-27
• 2.2.1 廣義一致性算法24-25
• 2.2.2 排列熵算法25-27
• 第三節(jié) 算法比較的指標27-28
• 2.3.1 敏感度27-28
• 2.3.2 變異系數(coefficient of variation, C.V.)28
• 第四節(jié) 統(tǒng)計方法28-29
• 第三章 結果29-46
• 第一節(jié) 數值仿真結果29-40
• 3.1.1 算法敏感度比較29-33
• 3.1.2 算法估值與真值的比較33-37
• 3.1.3 數據點個數對算法的影響37-40
• 3.1.4 仿真比較小結40
• 第二節(jié) In vivo實驗結果40-46
• 3.2.1 信息流指數的度量41-44
• 3.2.2 數據長度44-45
• 3.2.3 In vivo實驗小結45-46
• 第四章 討論46-50
• 第一節(jié) 排列熵算法在度量神經信息流時的優(yōu)勢46-47
• 第二節(jié) 廣義方向一致性算法在度量神經信息流時的優(yōu)勢47-49
• 第三節(jié) 總結與展望49-50
• 參考文獻50-56
• 致謝56-58
• 附錄A 神經元群模型的建立公式58-60
• 個人簡歷60

【參考文獻】

中國期刊全文數據庫 前1條

1 ;Information flow among neural networks with Bayesian estimation[J];Chinese Science Bulletin;2007年14期

，

本文編號：850583