电场作用下HR神经元的分岔分析及参数辨识
Bifurcation analysis and parameter identification of HR neurons under electric field
通讯作者:
收稿日期: 2021-08-16
基金资助: |
|
Received: 2021-08-16
作者简介 About authors
肖冉(1996—),ORCID:
关键词:
Keywords:
本文引用格式
肖冉, 安新磊, 祁慧敏, 乔帅.
XIAO Ran, AN Xinlei, QI Huimin, QIAO Shuai.
神经元的放电活动受离子转运、电磁辐射等外界因素的影响,已成为近年来的研究热点之一。考虑外部电磁辐射对神经元放电活动的影响不可忽视,文献[5]采用忆阻器实现了感应电流与膜电位的耦合。文献[6]在考虑神经元膜电位与外部磁场之间的电磁感应效应的基础上,建立了改进的四维HR神经元模型。文献[7]将磁通量引入FitzHugh-Nagumo(FHN)神经元模型用以描述电磁感应效应,发现电磁辐射可使神经元的放电方式和螺旋波发生改变。文献[8]通过引入电场变量,建立了外电场作用下的FHN神经元模型,并通过数值仿真分析了该模型的动力学行为。结果表明,电场变量E可以很好地描述离子的分布和膜电位变化。文献[9]进一步研究了FHN神经元模型的动力学行为,同时证实了此模型中无共存吸引子。文献[10]利用电场效应下改进的HR神经元模型,研究了当跨膜电位与电场进行突触耦合时两个神经元之间的有限时间同步,结果表明,电场耦合强度的变化对神经元间的同步影响较小,改变突触耦合强度则对神经元间的同步影响较大。说明电场可以成为促进信号交换和编码的有效桥接。文献[11]通过引入磁通量,建立了改进的HH神经元模型,探讨了该模型的分岔模式以及在电磁耦合强度下的同步行为。文献[12]研究了HH神经元模型受电磁辐射影响时放电活动的变化,并证明了电磁辐射的影响可以从单个神经元传递至附近的其他神经元。文献[13]采用数值仿真方法研究了HR神经元模型在电磁辐射影响下的放电行为,并通过构造Washout控制器消除系统的隐藏放电行为。文献[14]分析了电磁感应作用下HR神经元模型的混合模式振荡放电特征,同时通过构造Hamilton能量反馈控制器,将该模型从混沌振荡态转为不同周期的簇放电态。文献[15]用相对阈值耦合方法对混沌神经元实施控制,分析了不同弛豫时间以及阈值对混沌神经元动力学行为的影响。
神经元系统参数辨识是进行神经元动力学分析的重要环节。在实际中,神经元系统不可避免地受周期性扰动或外界因素的影响,引起系统多个参数同时变化,因此辨识变化后的参数准确值十分关键。有效的参数辨识可将实验获得的有用数据与理论模型结合,建立更符合实际的神经元模型。
神经元模型的参数辨识方法主要有2种,一种是基于Laypunov稳定性理论以及自适应同步的方法,以原系统为驱动系统,构建对应的响应系统,设计适当的控制器,实现驱动系统与响应系统同步,辨识未知参数[16-17]。但某些神经元模型的控制器难以构建,且构建控制器需要原系统多个状态变量的时间序列,所需信息量较大,操作困难。另一种是运用现代群智能优化算法的寻优能力,通过构建合适的目标函数,将参数辨识问题转化为最优化问题进行神经元模型参数辨识。该方法在构建目标函数时只需1个状态变量的时间序列,操作容易,是当前主流的一种参数辨识方法。文献[18]设计了2种目标函数,通过实数编码的遗传算法辨识HR神经元模型的未知参数;文献[19]采用改进的遗传算法参数辨识方法,同时辨识了内埋式永磁同步机的4个参数;文献[20]将混沌算法与粒子群算法融合,用自适应混沌粒子群算法辨识了光伏电池模型参数;文献[21]提出了数据驱动的改进型Newton-Raphson法,辨识的电网线路参数准确性较高。
受上述研究启发,考虑细胞膜离子交换时产生的电场可能对神经元系统有影响,本文引入电场变量,构建了一个四维HR神经元模型。通过MATLAB软件得到该模型的双参数分岔图、最大Lyapunov指数图及峰峰间期分岔图等,分析了模型的放电模式及分岔现象。考虑放电过程中模型的多个参数会发生变化,采用混合粒子群遗传算法对四维HR神经元模型进行了参数辨识,并通过数值仿真验证了算法的有效性和可行性。
1 模型描述
基于三维HR神经元模型,由于细胞内外连续离子交换会产生时变电场,时变电场进一步影响细胞内外离子交换,引起膜电位发生变化,故考虑时变电场的影响,建立改进的四维HR神经元模型[22],微分方程为
其中,
2 双参数分岔分析
通过MATLAB软件得到不同双参数组合下系统放电行为的双参数分岔图及其对应的最大Lyapunov指数图(图1)。
图1
图1
双参数分岔图及最大Lyapunov指数图
Fig.1
Bifurcation and maximum Lyapunov exponent of double parameters
以不同的双参数组合为控制变量、其他参数为基准值,系统在双参数平面中的分岔行为如图1(a)(c)(e)所示,其中不同的颜色表示不同的放电态,对应的数字表示放电周期,如1表示尖峰放电态,2表示周期2簇放电态,4表示周期4簇放电态,…,周期为20及20以上的系统放电态和混沌态均用白色表示,对应的最大Lyapunov指数图如图1(b)(d)(f)所示,其中,蓝色表示静息态,黄色表示周期簇放电态,橙红色表示混沌态。
图2
图2
系统(1)关于参数
Fig.2
The ISI bifurcation diagram and the maximum Lyapunov exponent diagram of parameters
综上,神经元系统的放电态发生变化是因为受外界刺激参数发生了变化。当系统的多个参数同时发生变化时,通过已有信息对变化后的参数进行辨识具有重要意义。
3 四维HR神经元模型的参数辨识
3.1 参数辨识方法介绍
在智能优化算法中,粒子群算法和遗传算法较为经典,粒子群算法是一种随机搜索算法,将每个解看作一个粒子,每个粒子为使个体距离目标位置最短,需同时靠近个体历史最优位置及种群最优位置。遗传算法采用“物竞天择,适者生存”理念,先选择保留优秀个体,再通过仿遗传过程的交叉和变异操作对解进行搜索,是一种启发式算法。
这2种算法的优缺点较明显。粒子群算法中各粒子迅速向历史个体最优位置和种群最优位置靠近,种群快速聚集,迭代前期效率非常高,能快速逼近最优解,但较易陷入局部最优,出现早熟现象,且难以跳出局部最优。遗传算法的全局性较好,但整体效率不高。本文将2种算法相结合,在粒子群迭代中引入遗传算法的交叉和变异操作,通过交叉和变异操作跳出局部最优,并用交叉公式计算得到新的染色体,从而增加种群多样性,找到全局最优解。
3.2 自适应混合粒子群遗传算法
在粒子群算法中,惯性权重
其中,
学习因子
其中,
在更新粒子的速度与位置后,为增加种群多样性,跳出局部最优,引入遗传算法的交叉和变异操作。考虑遗传算法的编码方式,将优化变量作为染色体进行二进制编码,再进行交叉和变异操作。当遇到高维度优化问题或有高寻优精度要求时,二进制编码较冗余,搜索空间过大,难度增加,影响迭代速度。因为待辨识参数均为实数,对辨识精度要求高,且参数辨识属于高维连续优化问题,所以采用实数编码的方式更合适,获得的辨识结果精度更高。
在一般的实数编码遗传算法中,交叉操作是交换2个个体对应的实数染色体,并未产生新的染色体,得到优质个体,因此,多样性并不丰富。本文所用交叉操作公式为
其中,
自适应混合粒子群遗传算法步骤:
4 数值仿真
为体现本文算法在神经元参数辨识中的高精度和优越性,分别采用标准粒子群算法、实值编码遗传算法以及本文算法通过MATLAB软件对四维HR神经元模型进行参数辨识。将
其中,
4个待辨识参数的取值范围分别为
3种算法的目标函数曲线如图3所示。可知,本文算法在迭代前期的辨识效果较好,迭代速度快,且前期辨识精度已高于另2种算法的最终辨识精度。当迭代次数为150时,本文算法辨识精度较另2种算法高。
图3
表1 3种算法的参数辨识结果
Table 1
参数 | 遗传算法 | 粒子群算法 | 本文算法 | 真实值 |
---|---|---|---|---|
a | 0.904 4 | 0.952 0 | 0.998 7 | 1 |
b | 2.806 5 | 2.851 9 | 2.997 0 | 3 |
d | 4.745 0 | 5.173 5 | 4.999 7 | 5 |
r | 0.008 4 | 0.005 5 | 0.006 0 | 0.006 |
图4
5 结 论
首先,在三维HR神经元模型的基础上引入了电场变量,构建了电场作用下四维HR神经元模型,并用MATLAB软件作了双参数分岔图及其对应的最大Lyapunov指数图、峰峰间期分岔图及其对应的最大Lyapunov指数图,发现模型具有丰富的动力学性质及放电模式。由于神经元模型维数较高,对参数辨识精度要求高,一般的粒子群算法和遗传算法辨识效果欠理想,为此提出了一种自适应混合粒子群遗传算法,并将其应用于神经元模型的参数辨识。数值仿真结果表明,该算法的寻优精度高,迭代速度快,辨识效果好。研究结果对电场下生物学及医学神经元模型的建立以及参数辨识具有一定的参考价值。
http://dx.doi.org/10.3785/j.issn.1008-9497.2022.06.001
参考文献
神经系统信息处理和异常功能的复杂动力学
[J]. ,
Complex dynamics of information processing and abnormal function of nervous system
[J]. ,
A quantitative description of membrane current and its application to conduction and excitation in nerve
[J]. ,
AC-induced coexisting asymmetric bursters in the improved Hindmarsh-Rose model
[J]. ,
A model of neuronal bursting using three coupled first order differential equations
[J]. ,
A review for dynamics of collective behaviors of network of neurons
[J]. ,
Multiple modes of electrical activities in a new neuron model under electromagnetic radiation
[J]. ,
Model of electrical activity in cardiac tissue under electromagnetic induction
[J]. ,
Model electrical activity of neuron under electric field
[J]. ,
Further dynamical analysis of modified FitzHugh-Nagumo model under the electric field
[J]. ,
Various firing activities and finite-time synchronization of an improved Hindmarsh-Rose neuron model under electric field effect
[J]. ,
电磁感应下一类新皮层神经元的放电及同步
[J].,
Firing and synchronization of a neocortical neuron under electromagnetic induction
[J]. ,
电磁辐射诱发神经元放电节律转迁的动力学行为研究
[J]. ,
Dynamic behavior of electromagnetic radiation induced neuronal discharge rhythm transfer
[J]. ,
电磁感应下HR神经元模型的分岔分析与控制
[J]. ,
Bifurcation analysis and control of HR neuron model under electromagnetic induction
[J]. ,
一类忆阻神经元的电活动多模振荡及Hamilton能量反馈控制
[J]. ,
Multimode oscillation of electrical activity and Hamilton energy feedback control ofa class of mem-brance neurons
[J]. ,
相对阈值耦合的混沌神经元同步研究
[J]. ,
Synchronization in a chaotic neuronal map with relative threshold coupling
[J]. ,
Adaptive control and synchronization for a class of nonlinear chaotic systems using partial system states
[J]. ,
电磁场效应下HR神经元的全局分岔与参数辨识
[J]. ,
Global Bifurcation and parameter identification of HR neurons under electromagnetic field effects
[J]. ,
生物神经网络系统中的辨识问题研究
[D].
Research of Indentification Problems in Biological Neural Network Systems
[D].
基于遗传算法的内埋式永磁同步电机参数辨识方法
[J]. ,
Parameter identification of interior permanent magnet synchronous motors based on genetic algorithm
[J]. ,
基于自适应混沌粒子群算法的光伏电池模型参数辨识
[J]. ,
Extraction of solar cell model parameters based on self-adaptive chaos particle swarm optimization algorithm
[J]. ,
数据驱动的三相配电网络拓扑与线路参数辨识
[J]. ,
Data-driven topology and line parameter identification of three-phase distribution grid
[J]. ,
Dynamic expression of a HR neuron model under an electric field
[J]. ,
/
〈 | 〉 |