[发明专利]基于粒子群算法的神经元群模型参数自适应优化方法

权利要求书

1.一种基于粒子群算法的神经元群模型参数自适应优化方法，其特征在于，其步骤包括：

步骤S1：初始化粒子群，设置粒子群算法基本参数，设置每个粒子的参数组合搜索范围，设置神经元群模型基本参数；

步骤S2：计算所述初始化粒子群中每个粒子的适应度值，根据所述初始化粒子群中粒子适应度值，初始化粒子个体极值和全局极值，具体步骤为：

步骤S2-1：建立神经元群模型微分方程：

其中，H_e为兴奋性平均突触增益、H_i为抑制性平均突触增益、τ_e为膜平均时间常数、τ_i为树突平均时间常数；C₁＝α₁·C，C₂＝α₂·C，C₃＝C₄＝α₃·C＝α₄·C，α₁和α₂分别为兴奋性反馈环上平均突触连接第一平均概率和第二平均概率；α₃和α₄分别为抑制性反馈环上平均突触连接第三平均概率和第四平均概率，C为子群间的最大突触平均连接数目；p表示外部输入高斯白噪声，p＝mean+randn*sigma，mean＝220，sigma＝20，randn为随机数；y₀为锥体神经元平均膜电位即锥体神经元子群输出；y₁为兴奋性中间神经元平均膜电位即兴奋性神经元子群输出，y₂为抑制性中间神经元平均膜电位即抑制性神经元子群输出；y₃,y₄,y₅分别为y₀,y₁,y₂的导数；Sigm()为非线性函数，具体为非线性函数模块v为神经元群的平均膜电位，v_max为神经元群的最大激发值，v₀为达到50％最大激发值时的突触后电位，r为该函数在的斜率；

根据每个粒子的四个参数：兴奋性平均突触增益H_e、抑制性平均突触增益H_i、膜平均时间常数τ_e、树突平均时间常数τ_i，采用4阶Runge-Kutta方法对神经元群模型微分方程进行求解，针对每个粒子都获得y₁和y₂，根据y₁和y₂生成相对于每个粒子的仿真脑电信号波形为：eeg＝y₁-y₂，其中，eeg为锥体神经元突触后膜平均膜电位，代表模型的输出，用于仿真脑电信号，y₁为兴奋性中间神经元平均膜电位即兴奋性神经元子群输出，y₂为抑制性中间神经元平均膜电位即抑制性神经元子群输出；

步骤S2-2：对相对于所述粒子的仿真脑电信号波形进行1Hz高通滤波以去除0频直流信号，然后对滤波后的信号进行傅里叶变换，获取频谱图中的幅峰值及其对应的频率点f_c；

步骤S2-3：每个粒子适应度值计算式为：fitness＝|f_c-f_g|，其中，f_c为当前由频谱图获取的幅峰值对应频率，f_g为设定的目标频率；

步骤S2-4：重复步骤S2-1至S2-3计算获得粒子群中每个粒子的粒子适应度值，初始化粒子个体极值和全局极值；

步骤S3：更新粒子群中粒子的速度和位置，形成新的粒子群；

粒子群中每个粒子更新粒子速度和位置所使用的计算公式为：

式中，是粒子i在第k+1次迭代中第d维的速度；是粒子i在第k次迭代中第d维的速度，c₁,c₂分别是第一学习因子和第二学习因子，第一学习因子调节全局最优飞行的最大步长，第二学习因子调节个体最优飞行的最大步长；rand₁和rand₂是[0,1]之间的随机数；是粒子i在第k次迭代中第d维的位置，是粒子i在第k+1次迭代中第d维的位置；是粒子i在第k次迭代中第d维的个体极值点的位置；是整个种群在第k次迭代中第d维的全局极值点的位置；w_k是惯性权重，其计算式如下：

式中，w_s为初始惯性权重，w_e为迭代到最大次数时的惯性权重，k为当前迭代次数，K_max为最大迭代次数；

当粒子群中所有粒子的位置更新完成后，形成了新的粒子群；

步骤S4：采用所述步骤S2中计算粒子适应度值的方法，对新的粒子群计算每个粒子适应度值；再根据每个粒子适应度值更新粒子个体极值和全局极值，具体为如果粒子的适应度值优于该粒子当前的个体极值，则被设置为该粒子的位置，并更新个体极值；如所有粒子的个体极值中最优的优于当前的全局极值，则被设置为该粒子的位置，且更新全局极值；

步骤S5：判断是否满足最大迭代次数，是则输出全局最优粒子，否则返回步骤S3；

步骤S6：根据步骤S5输出的全局最优粒子，获得脑电相应频段的最优参数组合，再根据脑电相应频段的最优参数组合生成这个频段的仿真脑电频段波形。