[发明专利]基于广义生成对抗网络的帕金森状态下DBS闭环学习方法

权利要求书

1.一种基于广义生成对抗网络的帕金森状态下DBS闭环学习方法，其特征在于，该方法把生成网络(6)和MATLAB基底核-丘脑-皮层神经元网络(7)定义为广义生成网络(5)，通过对广义生成网络和判别网络进行反复对抗训练，使得当对广义生成网络输入随机噪声时，广义生成网络能够输出“以假乱真”的数据序列，从而得到能够有效抑制帕金森状态的控制信号，实现对帕金森状态的有效控制。

2.根据权利要求1所述的学习方法，其特征在于，该方法的包括以下步骤：

第一步，获取数据集：把FPGA基底核-丘脑神经元网络(1)调整为“正常人”状态，模仿正常人基底核-丘脑神经元网络的局部场电位信号，通过采集多个“正常人”在一段时间内PY核团的局部场电位信号，经过数据处理扩充获得n组数据对作为训练数据集；

第二步，构建模型：

首先把MATLAB基底核-丘脑-皮层神经元网络(7)调整为帕金森状态，广义生成网络(5)由生成网络(6)和MATLAB基底核-丘脑-皮层神经元网络(7)构成，生成网络(6)通过输入随机噪声(4)从而产生相应的输出，生成网络(6)输出的控制信号输入到MATLAB基底核-丘脑-皮层神经元网络(7)中，MATLAB基底核-丘脑-皮层神经元网络(7)输出的PY核团局部场电位信号输入到判别网络(9)中进行判别，

其中生成网络(6)和判别网络(9)均采用误差反向传播神经网络；

若判别广义生成网络(5)生成的局部场电位信号符合一致性要求，则广义生成网络生成的控制信号为最优控制信号，最优控制信号直接经过DBS脉冲发生器(10)产生电刺激信号加入到FPGA基底核-丘脑神经元网络(1)中；若不满足一致要求则要利用误差反向传播算法修正生成网络(6)的权值，同时也把该次MATLAB基底核-丘脑-皮层神经元网络(7)产生的局部场电位信号设定为标签0，更新判别网络(9)的权值；

第三步，模型训练：

将第一步得到的“正常人”训练数据集(8)的标签设定为1，训练数据集(8)输入到判别网络(9)中进行训练调整判别网络的网络参数；在训练判别网络(9)的过程中首先固定广义生成网络(5)，更新判别网络(9)的网络权值，然后固定判别网络(9)，根据判别网络(9)的判别结果更新生成网络(6)的权值，如此反复，交替迭代训练，直到双方达到一个动态平衡；

接着，任意给定随机噪声，输入到广义生成网络中，广义生成网络输出局部场电位信号到判别网络中，判别网络判断是否满足一致性要求，若满足经过DBS脉冲发生器(10)产生电刺激信号加入到FPGA基底核-丘脑神经元网络(1)中；若不满足，则利用误差反向传播算法修正生成网络(6)的权值，同时也把该次MATLAB基底核-丘脑-皮层神经元网络(7)产生的局部场电位信号设定为标签0，并将第一步得到的“正常人”训练数据集(8)的标签设定为1，再次训练优化判别网络(9)的网络参数，这样就完成了一次单独交替迭代训练，如此反复训练，交替迭代，直到判别网络(9)判别不出来哪个是广义生成网络生成的数据序列为止；

第四步，“帕金森状态”控制：

把FPGA基底核-丘脑神经元网络(1)调整为“帕金森病人”状态，充当被控对象，把广义生成网络(5)经判别网络判断后输出的最优控制信号经过DBS脉冲发生器(10)输入到FPGA基底核-丘脑神经元网络(1)中进行“帕金森状态”调制。

3.根据权利要求2所述的学习方法，其特征在于，生成网络(6)和判别网络(9)的输入层，隐含层和输出层的神经元个数均分别为100，150和1；学习率均为0.1，隐含层神经元的激活函数均采用Sigmoid函数。

4.根据权利要求1或2所述的学习方法，其特征在于，MATLAB基底核-丘脑-皮层神经元网络(7)的Izhikevich神经元模型的参数为：

5.根据权利要求4所述的学习方法，其特征在于，所述MATLAB基底核-丘脑-皮层神经元网络(7)中引入突触延迟时间，延迟参数取值为：

τ_GPe→STN＝6ms

τ_GPe→GPi＝6ms

τ_GPi→Th＝6ms

τ_Th→PY＝6ms

τ_PY→STN＝6ms

τ_STN→GPe＝2ms

τ_STN→GPi＝2ms

τ_GPe→GPe＝2ms

τ_PY→IN＝2ms

τ_IN→PY＝2ms。