动态神经网络中的同步振荡

目前有一种假设认为同一视觉对象是由一群神经元的同步振荡活动来表征的。这一神经元发放活动的时间特性,是解决视觉信息处理中“结合问题（Ｂｉｎｄｉｎｇｐｒｏｂｌｅｍ）”的可能机制。本文用我们所提出的一种简化现实性神经网络模型［１］所构造的时滞非线性振子网络［２］,模拟生物神经网络的同步振荡活动。并考虑了振子各参数的设置与振荡活动的关系,以及网络振子间耦联对同步活动的影响．     

视网膜神经节细胞感受野的一种新模型 I.含大周边的感受野模型

感受野是视觉系统信息处理的基本结构和功能单元。Ｘ、Ｙ细胞是两类主要的视网膜神经节细胞。生理实验发现,在经典感受野之外还存在一个大范围的在周边去抑制区。文中采用周边去抑制区对经典外周的去抑制非线性使用方式,建立一个二维的与实验结果联系紧密的Ｘ、Ｙ细胞统一的复合感受野模型。该模型不仅能模拟Ｘ细胞的ｎｕｌｌ－ｔｅｓｔ反应和Ｙ细胞的ｏｎ－ｏｆｆ反应,还模拟了Ｙ细胞在低空频刺激时的信频反应、圆面积空间的倍频     

脑电图复杂度分析中的粗粒化问题II.量化对复杂度计算的影响

在对生物医学信号时间序列进行复杂度分析时,粗粒化预处理有可能会造成丢失原始信号中所蕴含的信息,甚至在某些情况下根本改变原信号的动力学性质.用计算机计算时的量化过程也是一种粗粒化,因此也有这类问题.通过对近似熵和我们所定义的C0复杂度这两种复杂度在不同量化精度下对一些典型时间序列复杂度分析的比较研究,发现一般说来量化精度对复杂度分析的影响不是很大,仅当对原始信号进行二值化等极端情况下,才会显著改变原信号的复杂性.对脑电信号进行计算表明上述结论是实际可取的.     

脑电图复杂度分析中的粗粒化问题II.量化对复杂度计算的影响

在对生物医学信号时间序列进行复杂度分析时,粗粒化预处理有可能会造成丢失原始信号中所蕴含的信息,甚至在某些情况下根本改变原信号的动力学性质。用计算机计算时的量化过程也是一种粗粒化,民有这类问题。通过对近似熵和我们所定义的Ｃ０复杂度这两种复杂度在不同量化精度下对一些典型时间序列复杂度分析的比较研究,发现一秀说来量化精度对复杂度分析的影响不是很大,仅当时原始信号进行二值比等极端情况下,才会显著改变原信号     

复杂度脑电地形图研究

脑电地形图是近年脑电分析的热点之一。通过对各种复杂度算法的分析得出,近似熵由于所需要的时间序列长度较短,大大减少了脑电非平稳性所带来的困难,且无需粗粒化,在对生物医学信号的复杂度分析中有其一定的优点,采用近似熵对多道脑电信号的复杂度运算结果,通过空间插值,构建复杂性动态脑地形图,以便于观察大脑各部ＥＥＧ信号复杂度在同一时刻的相对强弱关系和这种关系随时间的变化。并通过对一些脑疾病患者脑电数据的分析,     

视网膜神经节细胞感受野的一种新模型：Ⅱ.神经节细胞方位选 …

在前文建立的二维视网膜神经节细胞含大周迷感受野模型基础上,结合生理实验模拟了神经节细胞的方位选择性特性。文中采用椭圆感受野的观点解释了方位选择性的成因。并通过中心区以外区域对中心区方位选择怀的复杂调制组合,展示了感受野不同亚地方位选择性的影响作用;指出方位选择性的成因是感受野椭圆亚单元的存在,感受野复杂的方位选择性是由于中心和周边在不同刺激条件下竞争的不同结果造成的;同时指出对椭圆感受野,倍频反应     

视网膜神经节细胞感受野的一种新模型 II.神经节细胞方位选择性中心周边相互作用机制

在前文建立的二维视网膜神经节细胞含大周边感受野模型基础上 ,结合生理实验结果模拟了神经节细胞的方位选择性特性。文中采用椭圆感受野的观点解释了方位选择性的成因。并通过中心区以外区域对中心区方位选择性的复杂调制组合 ,展示了感受野不同亚单元对方位选择性的影响作用 ;指出方位选择性的成因是感受野椭圆亚单元的存在;感受野复杂的方位选择性是由于中心和周边在不同刺激条件下竞争的不同结果造成的;同时指出对椭圆感受野 ,倍频反应也会有相应的方位选择性。     

蛙下丘频率调谐特性方向选择性的建模和仿真

基于Ｆｅｎｇ等人的神经电生理实验结果,建立了关于豹蛙（Ｒａｎａ ｐｉｐｉｅｎ）半规隆凸（ｔｏｒｕｓ ｓｅｍｉｃｉｒｃｕｌａｒｉｓ）核团神经元频率调谐特性方向选择性反应的模型,并在此基础上讨论了模型各个参数对模型方向性反应输出的影响。结果提示：１）听觉系统两侧的相互抑制作用－双耳抑制主要决定频率调谐特性的尖锐性随方向变化的特性;２）前级神经元对不同方位外界声源刺激具有不同强度平均脉冲发放的特征则主要