基于替代数据思想的复杂度归一化方法及其在心电信号分析中的应用

基于替代数据(Surrogate)思想的复杂度归一化方法,克服了一般复杂度对信号采样长度与采样频率的敏感性。文章对在生物医学信号复杂度分析中最有潜在应用价值的近似熵和C0复杂度进行了归一化。应用该方法可以有效地反映人体心脏某些病理状态之间的差别。同时,通过比较各种复杂度指标发现,C0复杂度和近似熵对采样长度的敏感性最弱,适用于短数据量的信号分析。     

动态神经元的网络模型 Ⅱ.计算机仿真

在动态神经元的网络模型的基础上,在计算机上进行了仿真。结果表明,我们的单元模型能再现感受器的适应性、兴奋后抑制、相位锁定和位置编码。由五十个这样的单元构成的侧抑制网络能再现鲎复眼侧抑制网络的瞬态特性,而在达到稳态时则表现出马赫带现象。仿真结果还预测侧抑制网络对运动目标特别敏感。模型有关神经元处理信息的内部机制和外部特性与生物神经元的一致性,以及由此构成的侧抑制网络与鲎复眼侧抑制网络性质的一致性,都提示此模型有希望成为一种更接近于生物神经网络的模型。     

动态神经元网络模型的复杂性问题

在动态神经元网络模型中,当神经元总数仅为３时就观察到了非周期振荡。运用Ｌｅｍｐｅｌ和Ｚｉｖ提出的复杂性度量对这种现象进行了分析,结果表明对于其中一个神经元所发出的脉冲序列来说,至少直到１０００个脉冲为止还不能发现任何的周期性,并且其复杂性可以和由ｌｏｇｉｓｔｉｃ映射所产生的时间序列当其参数落在混沌区中时所具有的复杂性相比拟．这些结果也表明这种方法是所观察的时间范围内区分长周期振荡和非周期活动的好方法。结果还提示神经生理实验记录中所谓的噪声,其中有些可能是来源于生物神经元本身的非线性性质。     

动态神经元的网络模型 Ⅰ.模型和算法

从生物神经元接收和处理信息的基本实验事实出发,提出了一种新的神经网络模型。这个模型修改了大多数现有人工神经网络中关于输出函数只反映静态特性的假设,而强调了神经元发放脉冲的动态过程。模型方程分别对应于突触后电位、感受器电位、始段分级电位和轴突上的的脉冲系列,每个方程都具有明确的生理意义。还给出了计算此非线性方程组解的递推算法和程序框图。因此不仅可对本模型作进一步的理论分析,也可在计算机上仿真,并和相应的生物学实验资料进行对照比较。     

动态神经元的网络模型 Ⅰ.模型和算法

从生物神经元接收和处理信息的基本实验事实出发,提出了一种新的神经网络模型。这个模型修改了大多数现有人工神经网络中关于输出函数只反映静态特性的假设,而强调了神经元发放脉冲的动态过程。模型方程分别对应于突触后电位、感受器电位、始段分级电位和轴突上的的脉冲系列,每个方程都具有明确的生理意义。还给出了计算此非线性方程组解的递推算法和程序框图。因此不仅可对本模型作进一步的理论分析,也可在计算机上仿真,并和相应的生物学实验资料进行对照比较。     

不同状态下脑电图复杂性探索

Ｌｅｍｐｅｌ－Ｚｉｖ所定义的有限序列的复杂性反映了给定序列随其长度的增长出现新模式的速率,事实上它反映了序列接近随机的程度。将该复杂性度量运用于脑电分析,旨在克服分数维方法的缺陷。文中计算了八种实验条件下脑电图的复杂度,涉及看、听、休息和心算等基本的大脑功能状态,１３个被试的１６导数据被用于计算分析．结果显示了复杂度在不同电极位置及实验条件下都有变化,睁眼状态的复杂度高于闭眼,而施加任务时有额部大脑活动区域复杂度降低的现象。同时复杂度也提供了一些研究大脑高级认知活动的新思路。