[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

说明书

本发明公开了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，其步骤包括：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；S2：计算初始粒子群中每个粒子的适应度值，根据粒子适应度值初始化粒子个体极值和全局极值；S3：更新粒子速度和位置；S4：计算新的粒子适应度值，更新粒子个体极值和全局极值；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，获得脑电频段的最优参数组合。本发明提供了一种便捷高效的神经元群模型参数调节方法，增加了参数辨识准确性，缩短了调节时间。

技术领域

本发明涉及神经系统领域，特别是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。

背景技术

随着神经系统仿真建模技术的发展，建立脑电信号神经元模型成为了一种研究脑电信号产生、传输和处理的重要途径。脑电信号神经模型可分为两类，一类为微观层次上的计算神经模型，这类模型难以确定神经元模型参数，且需要耗费大量的计算资源；另一类为集总参数模型，如神经元群模型(neural mass model，NMM)，其在宏观层次上对特定种类细胞组成的神经元群整体特性进行建模，既具有数学上的简单形式又能较好地反映神经生理学上的意义，因此得到广泛应用。

神经元群模型能够仿真不同形式的脑电信号，比如人体正常或者带有某些疾病特征的脑电信号、局部场电位等。相关研究者不断地对神经元群模型进行扩充，以产生更加丰富的脑电信号。JansenRit使用神经元群仿真了自发背景脑电信号、类α信号和视觉诱发定位；Wendling应用神经元群模型仿真癫痫脑电信号；DavidFriston使用双通道耦合神经元群模型仿真了从δ到γ频段的窄带脑电信号。在上述神经元群模型的仿真信号中，研究者们均是采取试凑参数的方式来产生目标信号，这种方式需要大量的调节工作量，难以在较短时间内获得具有某种特征或特定频率的脑电信号。

目前，已有研究基于优化算法探究神经元群模型参数变化，来模拟抑制或改善某些特征信号，分析神经元群模型的动力学特性等。燕山大学刘仙基于代数估计法，研究了一种新型的闭环反馈控制策略以消除神经群模型中的癫痫状棘波；山东大学耿淑娟以Wendling模型的关键参数为分支参数的非线性分支分析研究了该模型的动力学特性。但是现有研究大都是针对具有特征信号的神经元群参数优化调整和分析，对于常规脑电特定频段信号的分析和参数优化调整的研究相对较少。

因此，目前缺乏对常规脑电特定频段信号的分析和参数优化调整的方法，需要引入一些优化算法进行参数自适应优化显得很有必要。

粒子群优化算法具有计算时间短、收敛速度快、求解复杂非线性优化问题灵活、易于实现等优点，在求解复杂非线性优化问题中得到了广泛的应用。但目前将粒子群算法用于神经元群模型参数自适应优化的研究应用还很少见。

发明内容

为了弥补上述现有技术的缺陷并克服现有技术的不足，本发明提供了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。该方法有利于快速获取由神经元群模型生成的脑电特定频率波形，减少手动调节参数的时间，有利于研究脑电特征频段与人体大脑活动的关系，并可用于模拟部分疾病特征信号和受到刺激后的脑电信号。

为实现上述目的，本发明的提出了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：