神经信号（精选九篇）
神经信号 篇1
随着无线传感技术的发展, 基于无线传感器不会限制被测量机体的运动自由、可以实现远距离遥控及联网等优点, 越来越多的研究人员将无线传感技术引入神经信号的检测领域。无线传感技术的引入给神经信号检测带来了很多优势的同时, 也面临着功耗方面的挑战, 这种挑战也成为其在神经信号检测领域进一步应用的限制性因素。这种挑战主要体现在两个方面:
( 1) 检测神经信号的无线传感器一般都采用电电池供电, 传感器的功耗过大, 会导致续航时间缩短;
( 2) 传感器的功耗密度过大, 容易造成脑损伤。有文献的研究表明, 一个基于ASIC的无线神经信号记录系统的功耗密度必须小于800μW/mm2, 否则, 该系统容易对脑细胞造成损伤[1]。因而降低检测神经信号无线传感器的功耗具有非常大的现实意义。然而, 在检测神经信号的实际应用中, 无线发送数据量的大小及发送距离对传感器的功耗起决定性作用, 所以, 在检测端通过压缩发送数据量, 对降低传感器功耗有巨大的作用[2]。
神经信号释放的电信号包括局部场电位和动作电位。研究人员在进行无线传感器研究时, 围绕对含有动作电位的神经信号进行数据量压缩的方法开展了大量工作。其中, 根据神经信号中动作电位大于噪声, 并且噪声数据量在信号中占的比例较大的特点, 文献[2, 3]等研究了通过提取动作电位并且在数据传输过程中只传输动作电位信号的数据压缩方法。该类方法数据压缩比由信号本身的动作电位含量决定, 比较容易出现漏检和误检。基于动作电位在小波域具有稀疏性的特点, 文献[4, 5]等研究了通过对神经信号进行小波变换, 然后用大的相关系数来表示原始信号并发送之, 以达到压缩数据量的方法。该类方法能够达到较大的压缩比, 可靠性高, 但数据处理方法复杂, 运算量较大, 而增加的复杂度和运算量容易造成功耗的增大。近年来, 随着压缩感知 ( Compressed Sensing, CS) 技术的兴起及其在数据压缩方面体现出的压缩快速、高效的优越性, 结合动作电位提取技术及动作电位在小波域具有稀疏性的特点, 文献[6, 7]等研究了在动作电位提取的基础上, 通过采用CS的方法进一步压缩动作电位, 从而实现数据量压缩的方法。该类方法压缩比大, 但同样存在提取动作电位方法的缺陷, 并且需要两步实现。
本文在参考以上神经信号压缩方法及参考文献[8]采用CS方法对EEG信号进行压缩的基础上, 利用CS理论和方法, 通过构造使含有动作电位的神经信号稀疏的字典, 实现了一种压缩速度快速、高效, 运算量小, 压缩比固定且大小适中的对神经信号进行分段压缩的方法。
2 神经信号压缩感知模型
2. 1 CS 理论简介
CS理论是一种新的在采样的同时实现压缩目的的理论框架。CS理论指出: 只要信号f是可压缩的或在某个变换域Ψ是稀疏的, 那么就可以用一个与变换基不相关的测量矩阵Φ将变换所得高维信号投影到一个低维空间上, 然后通过求解, 一个优化问题就可以从这些少量的投影中以高概率重构出原信号[9,10]。信号在某个变换域具备稀疏性是该信号能用CS方法进行压缩的前提条件, 文献[11]指出, 对于任何的信号, 根据信号自身的特点, 都可以通过构造冗余字典D使该信号在该冗余字典上具有稀疏性。CS理论的三个核心问题是信号的稀疏表示、压缩采样和信号重构。利用冗余字典作为变换域的CS方法如图1所示。CS理论运用于信号处理上巨大的优势在于其压缩方法快速、高效, 运算量小, 适合用于低功耗的智能终端。
2. 2 神经信号的稀疏性及冗余字典的构建
神经元释放动作电位信号具备“全或无”的特点, 动作电位不会产生叠加, 且存在不应期。这个特点决定了测量到的含动作电位的神经信号具有时间上的稀疏性。同一个神经元释放的动作电位形状相同, 不同种类的神经元释放的动作电位形状相似的特点, 使得可以通过构造动作电位的形状轮廓来判定某个位置有无动作电位, 从而将含动作电位的神经信号时间上的稀疏性转变成构造的冗余字典上的稀疏性。
记集合DN×L= { di, i =1, 2, …L} ∈RN×L, di∈RN满足︱︱di ︱︱2= 1, 且当i≠j时, di≠dj, 则称D为一个字典, 若L >N, 则称D为冗余字典, 称D中的元素di为原子。本文使用的冗余字典的构造方法是: 首先选择一个长度为W的动作电位形状轮廓数据和长度为N -W的噪声信号组成一个长度为N的向量; 然后对该向量进行循环移位, 每移一位获得一个新的向量, 一直移位到与初始位置差一位就重叠时停止, 这样便得到N个向量; 再然后把这N个向量中的动作电位形状轮廓被分裂为两部分的W个向量分别去除一部分形状轮廓而用噪声代替, 得到2W个新的向量; 最后将这N +W个向量进行归一化并组成一个矩阵, 这样就构成了冗余字典D, 其中的每一个向量为一个原子。
2. 3 构建测量矩阵及信号重构
压缩感知理论指出, 稀疏信号的观测矩阵A必须满足有限等距性质 ( Restricted Isometry Property, RIP) [9, 10]。文献[12]的研究表明, 对于使用非正交的冗余字典作为稀疏基的应用来说, 测量矩阵Φ直接采用随机矩阵时, 可以使Φ和D组合成的观测矩阵具备RIP性质。因而, 设计一个M×N大小的测量矩阵Φ, 其每一行都为随机数, 其中, N为待测稀疏信号f的大小, M为压缩采样后得到的压缩信号y的大小。测量矩阵的大小决定了压缩比, 采用M×N大小的测量矩阵时的压缩比为N∶M, 或者说信号压缩了N/M倍。
信号重构的过程本质上是一个解方程的过程。首先, 求解方程 ( Φ×D) ×α =y, 得到信号f的稀疏系数α。这里α同样是压缩信号y在基D×Φ上的稀疏系数, 因而可以用正交匹配追踪算法 ( Orthogonal MatchingPursuit, OMP) 等稀疏分解算法来求解。然后, 在求解得到α后, 通过求解 ^f = D×α得到重构信号 ^f。
3 结果与讨论
3. 1 神经信号在冗余字典下的稀疏表示
采用25KHz采样的大鼠脑部神经信号来测试本文提出的方法的性能, 取含1000个采样点的神经信号为一段, 代表40ms的时间。用所构造的冗余字典D来稀疏化一段含三个动作电位的神经信号的结果如图2所示。从图2中可以看出, 信号的稀疏表示系数中的大部分系数接近0, 只有少数大于20, 极少数大于50。结果表明, 所设计的冗余字典满足使原始信号稀疏化的要求。
3. 2 压缩采样结果
将含有1000个采样点的神经信号压缩采样成100个点, 即压缩10倍之后, 再进行重构得到重构信号, 其与原始信号的对比效果如图3所示。图 ( a) 为所用的49段原始神经信号与重构信号的对比, 图3 ( b) —图3 ( f) 分别为含有0个—4个动作电位的原始神经信号与重构信号的对比。从图3中可以看到, 重构信号除了形状和幅值与原始信号有些差异外, 重构信号基本完全还原了原始信号, 既没有出现漏检, 也没有出现误捡。结果表明, 在压缩比为10∶1的情况下, 所设计的算法能可靠地恢复原始神经信号。
为了进一步地检验本文的方法能实现多大的压缩比, 分别在将原始信号压缩50倍、20倍、10倍和5倍的情况下, 对信号进行了重构。重构信号与原始信号的对比效果如图4所示。从图中可以看出, 在压缩50倍时, 会丢失大部分动作电位;20倍时, 个别动作电位会丢失, 重构信号幅值明显低于原始信号;10倍和5倍时, 都基本能不丢失动作电位, 5倍时的重构效果更好。综合以上情况可知, 压缩10倍是一个比较好的选择。
4 结束语
本文设计了一种利用压缩感知方法对含动作电位的神经信号进行分段压缩的方法。通过构建合适的冗余字典, 实现了对含动作电位的神经信号的稀疏化表征。本文提出的字典构造方法简单、构造速度快速, 信号在此字典上的稀疏度高。在压缩比为10:1及以下的情况下, 实现了对含动作电位的神经信号的分段压缩和可靠重构。该压缩方法快速、高效, 运算量小, 为无线传感器在要求低功耗的神经信号检测领域提供了一种实现方法。
参考文献
[1]T.M.Seese, H.Harasaki, G.M.Saidel, et al..Characterization of Tissue Morphology, Angiogenesis, and Temparature in Adaptive Response of Muscele Tissue to Chronic Heating[J].Lab Investigation, 1998, 78 (12) :1553-1562
[2]R.Harrison, Paul T.Watkins, Ryan J.Kier, et al..A low-power integrated circuit for a wireless 100-electrode neural recording system[C].IEEE JSSC, 2007, 42.123-133
[3]Seung Bae Lee, Maysam Ghovanloo, Mehdi Kiani, et al..An Inductively Powered Scalable 32-Channel Wireless Neural Recording System-on-a-Chip for Neuroscience Applications[J].IEEE Trans.on Biomedical Circuits and Systems, 2010, 4 (6) :360-371
[4]K.Oweiss, A.Mason, Y.Suhail, A.M.et al..A scalable wavelet transform VLSI architecture for real-time signal processing in multichannel cortical implants[J].IEEE Trans on Circuits and Systems-I:Regular Papers.2007, 54 (6) :1266-1278
[5]Awais M.Kamboh, Andrew J.Mason, Karim G.Oweiss, et al..Design of a Configurable Neural Data Compression System for Intra-Cortical Implants[C].Paris, France:in Int.Syst., 2010.3473-3476
[6]Z.Charbiwala, V.Karkare, S.Gibson, et al..Compressive Sensing of Neural Action Potentials Using a Learned Union of Supports[C].Body Sensor Networks, 2011 International Conference, 2011.53-58
[7]Shuai Zhou, ShengWei Xu, XinXia Cai, et al..Compressive Sensing of Neural Action Potentials Using Nano Platinum Black Modified Microelectrode Array[C].Suzhou, China:NEMS2013, 2013.432-435
[8]F.Chen, A.Chandrakasan, and V.Stojanovic.A signal-agnostic compressed sensing acquisition system for wireless and implantable sensors[C].in Custom Integrated Circuits Conference (CICC) , 2010 IEEE, 1-4
[9]E.Candès.Compressive sampling[M], Proc.Int.Congr.Mathematics.2006.
[10]D.Donoho.Compressed sensing[J], IEEE Trans.Inform.Theory, 2006, 52 (4) :1289-1306
[11]H.Rauhut., K.Schass, P.Vandergheynst.Compressed sensing and redundant dictionaries[J].IEEE Trans.On information theory, 2008.54 (5) :2210-2219
神经信号 篇2
GPS(Global positioning system)是一种在军事和民用方面广泛应用的定位系统。如何降低成本、提高精度是一个重要的课题。本文应用人工神经网络能够实现高度非线性的特点，在对地理位置已知点进行大量GPS实际测量的基础上，设计出一种BP网络，作为GPS误差信号模拟器。在给出时间和天气情况的.条件下，该模拟 器能够输出GPS的实时误差，为应用系统中对GPS误差进行补偿提供依据。通过与实际测试数据相比较，证明这种方法具有较好的模拟效果。
作 者：刘瑞华 刘建业 姜长生 作者单位：刘瑞华(南京航空航天大学自动化学院 河海大学计算机及信息工程学院)
刘建业,姜长生(南京航空航天大学自动化学院)
神经信号 篇3
关键词：火灾探测；模糊控制；神经网络；BP算法
中图分类号：TP18文献标识码：A文章编号：1009-3044(2007)15-30707-02
Application of Fuzzy Neural Networks Technology in Fire Detection Signal Processing
WU Yuan-cui, TONG Guo-hua
(Anhui Agricultural University, Hefei 230036, China)
Abstract:Connecting the characteristic of fire detection signal,this paper proposes a method of fire detection signal processing based on an fuzzy neural network, and realizes the automatic adjusting of design parameter in fuzzy system.According to the request of fuzzy neural network algorithm,the design of network configuration is accomplished and calculating model correspondingly is given,then using reformative PBalgorithm completes the network learning and training.It increases the accuracy of fire alaming and reduces the misinformation and missing information rate of the system.And the testing is proceeded according to national standard test fire data,and the emulate result shows the algorithm is the waliding and feasibility.
Key words:fire detection; fuzzy system; neural network; BP algorithm
1 引言
火灾探测是以探测物质燃烧过程中产生的各种物理现象为依据，获取火灾发生初期的信息，并把这种信息转化为电信号进行处理，它是一种特殊类型的信号检测。火灾探测系统采集数据或信息时都不可避免地受到不确定因素的影响和干扰。发生火灾时，由于燃烧物质的不同，特别是燃烧环境的差异，对应燃烧过程产生的各种物理现象大不相同，探测器采集到的火灾的特征参数的数值也有很大的差异，这就需要系统应该能够根据环境变化的不同，自动调整运行参数以适应于不同的环境。模糊神经网络把神经网络和模糊控制系统结合为一个有机整体，不仅增强了神经网络处理信息的可理解性，同时还能自动生成模糊隶属函数，提高模糊控制的精度，使模糊系统具备了自适应特性，因此，用模糊神经网络进行火灾探测，使得在对多种火灾信号进行综合处理的同时，保证了探测系统的自适应特性，可以针对不同的应用环境进行现场学习，提高了火灾探测系统的智能化程度。
本文用多层人工神经网络（ANN）的学习与识别方法实现火灾探测。ANN是模拟人脑工作机制的一种模型，它由许多相同或相似的神经元通过广泛的连接构成的一种网状结构，并采用分布式并行处理的算法，对知识的处理采用的是并行处理方式，它允许同时处理大量的信息。另外，ANN能完成复杂的非线性映射，这是一中自适应的学习过程，使之表现出抽象的思维的能力，在某种程度上与人类大脑的思维机制有共同之处。通过训练学习将火灾各种特征参数的关系隐含在ANN中的神经元和连接权值中，系统可以自动地防线环境特征和规律性，具有近似人脑的功能。
2 模糊神经网络火灾探测的原理
2.1 系统模型
火灾探测包括接受输入信号，通过已知信息和经验的比较对输入信号进行处理，产生基于全部已知信息的输出。神经网络智能火灾探测系统由以下三个部分组成。图1为应用模糊神经网络结构进行火灾探测的工作原理示意图。
（1）传感器
在发生火灾是，传感器相当于人的视觉，温度传感器相当于人的触觉，气体传感器相当于人的嗅觉，将多种火灾参数探测因素合在一起组成复合式传感器，模仿人的感觉作用，使火灾探测系统智能化，但是这种符合式传感器要求太高，因此，目前大多数采用的是探测单一火灾参数的传感器。
（2）人工神经网络处理器
采用人工神经网络处理器使系统智能化时，有几种不同的方式：将神经元放在终端的各个传感器上；集中在报警控制器中；分散配置在终端传感器和控制器中。神经网络主要实现数据记忆、存储、比较、分析、统计处理，并作出是否发生火灾的判断。
（3）信息传输
如果将神经元集中在控制器中，则传感器的构造简化，尤其是由几种传感器传输信息判断火灾火情，就只能把神经元防在控制器中了。这种方式将与温度和烟浓度等环境条件成正比的传感器的模拟输出送到控制器，传感器上只设有信号转换部件及信号传输部件。
图1 模糊神经网络火灾探测系统框图
此系统有n个传感器测量值输入，各传感器测量的是温度、烟雾、光、CO等数据。这些数据经过预处理器后成为神经网络的输入。用选定的数据对神经网络的各权值进行训练，通过训练自动找出火灾参数与模式见的映射规律，并把这种规律隐含在神经网络的权值中，最后将结果输出。
2.2 BP算法原理
智能化处理是该系统的核心部分，当输入、输出关系无法用具体的函数表达式描述时，神经网络智能算法通过学习、训练、仿真，便可以模拟出输入与输出内在的联系，以达到智能报警的效果。
用于火灾探测神经网络模型有多种，这里我们采用目前广泛应用的BP算法。BP网络是一种多层前馈神经网络，可以实现从输入到输出的任意非线性映射。图2为BP网络的结构示意图。由输入层、中间层（又称隐含层）、输出层组成。在输入层加上输入样本，通过中间层进行变换，到达输出层完成一次动作。其每一层都包含若干个神经元，同一层中的神经元之间没有相互的联系，而信息只在层间传递。
图2 BP网络结构示意图
此结构示意图对各种不同输入变量种类、不同输入变量个数都适用。其原理为：首先将模糊规则和模糊隶属函数用神经网络表现出来，将函数参数赋予为神经网络的权值，生成的神经网络用于实现模糊推理；然后利用现场的训练样本数据通过误差反向传播算法训练神经网络，修改神经网络的权值即修改模糊隶属函数的参数，求得适合于此现场环境的精确的模糊规则；最后将从神经网络中提取修改后的模糊规则和模糊隶属函数保存作为此现场环境下的模糊推理之用。
第一层输入层为多种探测器的输入信号，由于输入结点物理量各不相同，数量值相差很大。通过模糊神经网络首先将输入量模糊化，使输入量均变换成值域在0～1范围内的数，这样可以防止小数值被淹没，也能防止因相差很大的数使网络校正进行缓慢。
第二层中间层的作用是计算个输入量属于各变量值模糊集合的模糊隶属函数，即被模糊化。可选取符合需要的一中参数的函数，通过训练样本调整权值，调整了该训练样本下的函数的参数，实现模糊变量函数的参数根据环境自动生成。
第三层输出层实现的是模糊量的清晰化、解模糊计算。按照已给出的模糊规则进行模糊运算，Wij可代表每条规则的适用度，通过即反映在不同的应用环境下，其属于火灾发生的各个等级的度的不同，通过算法修改它的值，使该网络适应不同的环境。
其中Y和 分别表示神经网络的期望输出和实际输出。误差函数的求取是一个反向传播递归过程，通过多个样本的反复训练，修改权值，最后达到满意的结果。
2.3 神经网络的训练及分析
训练模式的定义和学习对整个智能火灾探测系统具有至关重要的意义。在训练中，我们让输入为3个神经元，各自代表一个类型的传感器输入数据；输出层包括3个神经元。这是一种有监督的学习，学习的结果使输入与输出之间的关系或规模隐式地存储在网络的连接权值中。本试验中，输入节点数据分别为各传感器测得的温度、烟雾浓度和CO浓度；并将火灾的过程分为三个阶段：阴燃期、发展期、最盛期。选取6组数据进行训练，其结果如表1所示。
从试验的记过可以看出，神经网络系统的识别准确度很高，能得令人满意的结果，提高火灾报警的准确性，减少了火灾报警系统漏报率和误报率。
表1 神经网络火灾探测系统对火灾参数的训练结果
3 结论
本文采用模糊神经网络实现火灾信号的探测处理，将模糊规则用神经网络表现出来，利用神经网络的自学习和自适应个性实现模糊规则的自动提取。并通过实验，得出令人满意的结果。由此提出模糊神经网络用于火灾探测的可行性，此结构可普遍适用于多种网络输入变量的情况。其结构和思想在实践和应用中将得到进一步的研究和检验。但是，该系统对训练数据有一定的要求，不同的训练数据会得到不同精度的结果。因此，在对系统的研究过程中，模糊规则的确定和训练样本数据的选择是非常重要的，它们的选取要能充分体现火灾发生时各种现象的真实情况。
参考文献：
[1] 蔡自兴. 智能控制(第2版)[M]. 电子工业出版社，2004:176-299.
[2] 吴龙标，邓超. 火灾探测的人工神经网络方法[J]. 人类工效学,1997,3(2):39-41.
[3] 汤正华，王殊，陈涛. 多传感器/多判数据探测器在火灾探测中的应用[J]. 传感器技术，2001,20(3):33-38.
[4]Kong S G, Kosko B. Adaptive fuzzy systems for backing up a truckand-trailer[J]. IEEE Trans on Neural Networks,1992,3(2).
[5]D Alahakoon, S K Halgamuge. Dynamic self-organizing maps with controlled growth for knowledge discovery[J]. IEEE Trans on Neural Networks,2000,11(3).
神经再生相关信号通路的研究进展 篇4
1 Rho-ROCK信号通路
1.1 组成和功能
Rho是分子质量大约为20~25 KD的三磷酸鸟苷 (GTP) 结合蛋白, 具有GTP酶活性, 习惯被称为Rho GTP酶, 可被包括血管紧张素Ⅱ、白介素-1、血小板源性生长因子等多种炎症介质和细胞因子活化, 并发生膜转位, 激活下游靶分子, 从而形成蛋白激酶Rock, Rock可使肌动蛋白、肌球蛋白等许多靶蛋白磷酸化, 这些活动如果发生在神经再生活动中, 可调节神经细胞骨架的重排, 继而引起生长锥塌陷、回缩, 轴突生长停止。Rho-ROCK信号途径是中枢神经系统中普遍存在的一条通路, 是介导抑制性信号阻断中枢神经细胞再生的重要途径。
1.2 相关研究
Fujimura等[1]通过抑制Rho/Rock信号通路, 发现能明显防止神经轴突变性, 模型大鼠脊髓背根神经节神经元的空泡样变性坏死率显著降低, 有效促进了脊髓神经元损伤后的修复再生。最近的一些研究也表明, 在阿尔茨海默氏病、脊髓和脑外伤中选择特定的抑制剂阻断Rho/Rock信号通路, 对中枢神经系统轴突再生均具有促进作用[2,3,4]。
可见, 就潜在的治疗靶点而言, 如何抑制Rho-Rock信号通路, 并发现有哪些抑制剂能准确、高效、安全地干扰或阻断该通路, 已成为神经再生研究的重要方向之一。
2 Notch信号通路
2.1 组成和功能
Notch信号通路由受体、配体、DNA结合蛋白、其他的效应物和Notch的调节分子等组成。当细胞接触时, Notch配体与受体相互作用, Notch蛋白经三次剪切, 由胞内段释放入胞质, 并进入细胞核与转录因子CSL结合, 形成转录激活复合体, 从而激活转录抑制因子家族的靶基因, 产生Notch信号, 调节扩大并固化细胞间的分子差异, 最终决定细胞命运。由于Notch信号通路在物种进化中具有高度的保守性, 其对神经干细胞发育成一系列的神经元和胶质细胞也具有允许和决定作用。
2.2 相关研究
Tatsumi等[5]研究发现, 在冷冻受伤的大脑皮质细胞时, 瞬时表达Notch1阳性细胞;由于激活的Notch信号能调节神经系统发育, 故类似的现象可能在成人大脑受伤时存在;后继的研究表明, Notch信号通路的激活可调控脑损伤时干细胞的增殖和分化。Marklund等[6]研究发现, 激活Notch信号通路后, 表达的Jagged-1会抑制中枢神经系统中少突胶质细胞祖细胞 (OPC) 的分化和髓鞘再生。Kamei等[7]也发现, 通过Jagged-1依赖的Notch信号通路, 内皮干细胞能促进脊髓损伤后星形胶质细胞增生。Dias等[8]发现, 在斑马鱼受损的脊髓中, Notch信号通路可控制运动神经元的再生。Li等[9]发现, 通过Notch信号通路, 可溶性Nogo受体融合蛋白能调节反应活性, 从而诱导神经干细胞的增殖。
由于Notch信号通路在神经损伤后修复与再生中的作用复杂多变, 且又高度保守, 故要弄清其机制, 需要进一步研究该通路的各个环节。
3 MAPK信号通路
3.1 组成和功能
MAPK信号通路是有关信号刺激传递的交汇点和共同通路, 它主要包括细胞外信号调节激酶 (ERK) 、p38和c-Jun氨基末端激酶 (JNK) 三条途径, 通过激活使ERK、p38和JNK的酪氨酸、苏氨酸残基去磷酸化, 从而形成一个调节环路, 参与调控细胞的生长、增殖、分化、炎性反应、凋亡等生理和病理过程。
在中枢神经系统中, ERK可被各种生长因子、过氧化氢等磷酸化而激活, 进入细胞核后作用于转录因子, 促进某些基因的转录和表达, 主要与小胶质细胞的增殖和分化密切相关, 可促进炎性反应, 清除坏死组织。此外, 中枢神经损伤时, p38和JNK在损伤处均大量表达, p38表现为促进损伤的修复, 而JNK则通过磷酸化促进神经细胞凋亡, 加重了神经损伤。
3.2 相关研究
Gwak等[10]在损伤大鼠脊髓尾段后, 用机械式刺激诱发神经兴奋来维持p38 MAPK信号通路的活跃, 结果发现p38 MAPK信号通路的激活能明显促进中枢神经元和小胶质细胞的再生及功能恢复。不过, Vaz和Tu等[11,12]的研究却发现, JNK MAPK信号通路的激活会导致中枢神经元和小胶质细胞凋亡增加, 影响神经功能恢复。另有Alsina和Yu等[13,14]研究发现, 激活ERK MAPK信号通路会导致中枢神经的退行性变, 不利于功能恢复。
由此看来, MAPK信号通路所包含的各条途径对中枢神经再生作用迥异, 它们之间的关系和作用机制尚有待深入探讨。
4 Wnt/β-catenin信号通路
4.1 组成和功能
Wnt信号通路分为经典的Wnt信号通路和非经典Wnt信号通路, 其中经典Wnt信号通路即Wnt/β-catenin通路。经典的Wnt信号通路亦具有高度保守性。Wnt蛋白与细胞表面受体Frizzled家族结合后启动一系列反应, 包括Dishevelled (DSH) 受体家族蛋白质的激活以及最终细胞核内β-catenin水平的变化。DSH是细胞膜相关Wnt受体复合物的关键成分, 它与Wnt结合后被激活, 并抑制下游GSK-3、axin等蛋白质复合物和APC蛋白, 促进细胞内信号分子β-catenin的降解。当胞浆内的β-catenin得以稳定存在后, 部分β-catenin进入细胞核与转录因子作用并促进特定基因的表达, 从而调节细胞的增殖分化。近些年的研究发现, Wnt/β-catenin信号通路不仅在胚胎发育及肿瘤发生中起作用, 而且在神经干细胞的增殖调控中也扮演着重要角色。
4.2 相关研究
David等[15]研究证实, Wnt/β-catenin信号通路可调节脊髓神经干细胞和前体细胞的增殖分化, 可能在治疗神经退行性疾病和神经损伤方面发挥作用;Liu等[16]研究证实, Wnt/β-catenin通路的激活可以调节一种特殊的视网膜神经胶质细胞muller细胞的增殖、分化;此外, Suh等[17]研究提示, 脊髓损伤后, 移植分泌Wnt蛋白的成纤维细胞能明显促进轴突再生和功能恢复。
需要指出的是, 弄清Wnt/β-catenin信号通路在神经再生中的细胞内机制对治疗脊髓损伤将有着极为广阔的前景。
5 m TOR信号通路
5.1 组成和功能
m TOR信号通路主要在蛋白合成中发挥重要作用, 其可调控大量促进细胞周期进行的蛋白质的翻译。很多研究都表明异常的m TOR活性与肿瘤细胞发生关系密切, 大致过程是:激酶蛋白m TOR通过调控m RNA翻译成为具有多种细胞功能的蛋白质, 进而激活信号转导、转录, 再依赖P13K-Akt-m TOR途径或非依赖途径, 以实现对细胞增生或凋亡的控制。目前, 随着神经再生的深入研究, m TOR信号通路在其中的作用机制也逐渐被揭示。
5.2 相关研究
Sun等[18]研究发现, 三磷酸腺苷介导的m TOR通路, 可增加内源性神经干细胞数量, 诱导神经轴突生长, 促进脊髓损伤大鼠的运动功能恢复。Kanno等[19]使用雷帕霉素抑制脊髓损伤小鼠的m TOR通路, 结果表明, 神经组织自噬活性明显增加, 同时神经细胞缺失和凋亡明显减少。Codeluppi等[20]也发现, 在缺血性脊髓损伤模型大鼠体内使用m TOR信号通路抑制剂雷帕霉素后, 受损脊髓中星形胶质细胞数量减少, 促进了神经细胞的轴突再生和神经功能恢复, 原因是星形胶质细胞在神经组织损伤时反应性增生肥大, 形成胶质瘢痕, 抑制轴突再生, 而阻断m TOR信号通路恰恰阻碍了这一过程的发生。
对于m TOR信号通路而言, 进一步解析其引导的复杂蛋白翻译网络, 意味着可能显著增进大家对神经系统基础病变的理解。
6 Eph-Ephrin信号通路
6.1 组成和功能
Eph是目前所知最大的生长因子受体家族——受体酪氨酸激酶家族, Ephrin是其配体, 它们之间建立的信号通路可为细胞传递位置信息, 调控增殖细胞的迁移分化和正确定位, 这些功能主要通过细胞接触而实现。当相邻细胞接触时, 它们表面的Eph受体和Ephrin配体相互作用而产生信号传递, 这种传递因是正反双向的, 可使细胞相互排斥, 从而介导细胞迁移, 规范组织结构, 并帮助形成组织边界, 在成熟期还参与控制组织的动态平衡, 保持成熟组织的生理功能。
Eph受体与Ephrin配体间存在的复杂的双向信号传递途径在很大程度上是通过肌动蛋白细胞骨架的重排来调节细胞的黏附和排斥的[21]。当神经系统损伤后, Eph-Ephrin信号通路可通过控制肌动蛋白来促使细胞快速移动的细胞动力学原理已广为人知, 但对于其能否借助调控基因表达来彻底改变细胞行为还知之甚少。
6.2 相关研究
在中枢神经, Rosas等[22]的实验发现, Eph蛋白明显表达在脊髓挫伤模型大鼠的神经元、轴突、小胶质细胞、巨噬细胞以及反应性星形胶质细胞等处, 并认为Eph受体可能参与脊髓损伤后神经细胞的级联反应。Scicolone等[23]指出, Ephs和Ephrins的受体和配体系统会根据它们所处的中枢神经微环境而产生排斥或黏附反应, 在轴突引导以及突触的形成和改造中发挥核心作用。Eph-ephrin信号通路在中枢神经中的复杂作用尚有待深入研究。
在周围神经, Eph-Ephrin信号通路也发挥了重要作用。Parrinello等[24]将大鼠坐骨神经纤维切断后, 利用荧光显微镜技术观察了修复过程。他们发现损伤处的雪旺细胞与成纤维细胞通过Eph-Ephrin信号通路引发了细胞分化并调控雪旺细胞发生集体定向迁移, 形成细索, 从而引导再生的神经纤维穿过伤口;进一步的整体实验还表明, 若阻断Eph信号或使用敲除Eph基因的动物, 神经损伤后的再生纤维则表现为杂乱无章。
7 结语
综上所述, 随着细胞分子生物学中众多信号通路机制的不断揭示, 近些年来研究神经再生中相关信号通路作用机制的文献也逐渐增多, 但目前主要集中在实验研究方面, 且主要表现为单一信号通路的研究, 而信号通路之间有无相互影响, 以及联合多种信号通路治疗神经损伤有无更佳效果, 尚待深入探讨。
由于与神经再生相关的信号通路众多, 神经系统损伤后往往会产生多种应激信号, 究竟哪些或哪种信号会对神经再生起到更为深刻的影响尚未可知, 故深入认识神经细胞对损伤的应答机制, 可为探索现有的治疗方法在神经再生中的作用机制提供理论支持, 也可为神经损伤的治疗提供更为广泛的途径。
摘要：神经再生作为医学难题之一, 其相关机制的研究不断深入, 目前已达细胞分子水平。本文将近些年来与神经再生相关的信号通路研究作一综述, 以期深入认识神经细胞对损伤的应答机制, 为不同神经损伤的治疗提供积极的理论指导, 并为发展新的治疗方法提供更多思路。
神经信号 篇5
关键词：声音信号,小波变换,BP神经网络,车型识别
1 引言
随着现代社会的飞速发展, 智能化交通管理系统越来越被需求。车型识别是智能化交通管理的关键。
目前, 车型的识别方法主要有电磁感应线圈检测法, 红外线检测法, 微波雷达检测法, 超声波检测法, 以及视频图形检测法等[1]。由于我国国情以及以上检测装置安装复杂、价格昂贵等因素, 智能化交通管理系统在我国未能普及化。
由于车辆行驶时产生的声音信号主要来源于车内的机械噪声和车体与周围的空气的摩擦声, 如果忽略行驶速度的影响, 那么车辆声音信号的差异可以看作主要来源于车内机械噪声, 而车体机械噪声与车辆机械结构 (车型) 有很强的关联性[2]。从而可以利用汽车行驶时发出的噪声信号来对车型进行识别, 由于此方法环境适应性强、装置便宜、不会对道路造成破坏, 因此受到越来越多的关注与研究。
本文基于M A T L A B软件平台, 利用小波变换提取不同类型的车辆声音信号的特征参数, 并采用BP神经网络算法对车型进行识别。
2 车辆声音信号采集
我国汽车种类很多, 由于现阶段研究水平的限制, 本文选用车身大小和重量都有明显差异的小型轿车 (车长3.7~4.9 米) 、大型客车 (车长10 米以上) 和重型货车 (车长6.2~9.6米、重14吨以上) 这三种类型的车辆进行识别研究, 所选三种类型车辆如图1 所示。
在车流量小、周围环境安静的路上分别采集以上三种类型的车辆行驶时的噪声声音样本各30 个。为保证采集数据的完整性以及录音的质量, 选择单个车辆通过时, 使用M P 3 进行录音, 设置采样频率为4 4 .1kHz。为了方便MATLAB处理, 将音频信号格式保存为.wav格式。
图 1 三种类型的车辆
3 声音信号的预处理
声音信号具有时变特性, 但可以认为在一短时间范围内 (10~30ms) , 其特性基本保持不变, 为一个准稳态过程。声音信号的分析和处理都必须建立在“短时”的基础上[3]。因此, 首先要对声音信号进行预处理。包括预加重、分帧和端点检测。
3.1 预加重
预加重的目的是提升高频部分, 使得信号的频谱变得平坦, 使其保持在低频到高频的整个频带中, 提高信噪比。可以用一个一阶的有限长冲激响应数字滤波器FIR, 其系统函数为:H (z) =1- μz-1, 式中μ为预加重系数, 典型取值为0.9375。
3.2 分帧
分帧就是用可移动的有限长度的窗口来截取信号形成分析帧, 目的是为了得到“短时”声音信号。可以表示为用一定的窗函数ω (n) 来乘以声音信号s (n) , 从而形成加窗音频信号sω (n) =s (n) *ω (n) 。本文中加窗选择使用旁瓣幅度较小的海明窗函数, 可以减小频谱能量泄露, 得到较为平滑的频谱特性。分帧时设置帧长为30ms, 帧移为15ms。
3.3 端点检测
端点检测就是检测声音信号的起点和终点, 有效的端点检测可以减少数据的采样量, 节约处理时间, 排除无声段或噪声段的干扰。本文采用短时能量法进行端点检测。根据分析确定一个短时能量阈值。本文中取前20000 个采样点, 求短时能量, 取其中的最大值的1/2 作为整个波形端点检测的短时能量阈值。使用MATLAB进行端点检测如图2 所示:
4 特征参数提取
特征参数提取的目的是在大量的原始数据中求出最有效的目标特征数据, 降低数据维数, 便于进行识别。本文采用小波分析来提取特征参数。
4.1 小波变换
小波变换作为一种数学理论和方法在科学技术界引起了越来越多的关注和重视, 在信号处理和模式识别等领域取得了重大突破。小波变化是一种时间窗和频率窗都可以改变的联合分析方法, 可通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析, 具有多分辨率的特点, 能精确地反映非平稳信号的瞬时变化[4]。
小波变换的定义是把某一被称为基本小波 (也叫母小波) 的函数Ψ (t) 做位移τ后, 再在不同尺度a下与待分析的信号x (t) 做内积:
小波变换分为连续小波变换和离散小波变换。在实际应用中, 需将连续小波离散化, 可压缩数据并减小数据量。
4.2 基于小波变换的特征参数提取
本文利用M A T L A B软件平台, 选用d b 2 小波作为基函数进行多尺度4 层小波分解, 提取第4 层的低频系数A4 和1、2、3、4 层的高频系数D1、D2、D3、D4, 取各层系数的平方和组成五维的特征参数。部分程序如下:
5 车型识别
5.1 BP神经网络
人工神经网络是模拟生物神经网络进行信息处理的一种数学模型, 通过大量神经元进行连接, 具有高度的非线性映射能力, 能够进行复杂的逻辑操作。BP神经网络是一种采用误差反向传播算法 (BP算法) 来调整权值的多层前馈神经网络[5], 其网络模型拓扑结构包括输入层、隐层和输出层。
BP算法用于目标识别分为学习训练和目标识别两个阶段。在学习训练阶段, 输入学习样本, 使用反向传播算法对网络的权值和偏差进行反复的调整训练, 使输出值与期望值尽可能地接近, 当网络输出层的误差平方和小于设定的误差时训练完成, 保存网络的权值和偏差。在识别阶段, 网络加载实际目标信号的输入, 根据在学习阶段保存的权值计算输出, 通过输出判别输入信号所属类别[6]。
5.2 基于BP神经网络的车型识别算法设计
本文选用三层BP神经网络。将前面提取的音频特征参数归一化后作为神经网络的输入向量, 输入层节点数为5。隐层神经元个数根据经验公式设为6。输出层节点数为1。分别选取三种车型各15 个样本作为学习训练样本, 剩余的总共45 个样本作为识别测试样本。车型识别系统的三层BP神经网络如图3 所示, 算法流程图如图4 所示。部分程序如下:
5.3 结果分析
由于初始权值是随机赋值的, 所以每次训练结果不同。训练10次, 选取误差最小 (E=0.000824734) 时的网络作为最终训练成功的神经网络, 得到输入层到隐层之间的权值矩阵inputWeights和隐层到输出层之间的权值矩阵layerWeights, 保存最优权值。
训练结果如图5 所示。
利用训练好的网络对剩余45 个未知样本进行识别。识别结果如表1 所示。
从以上结果看出, 本文所采用的BP神经网络识别算法对车型的识别率达到80% 以上, 实现了车辆的简单分类。相对于其他车型识别方法, 此方法更简单, 识别率高, 误差小。
6 结束语
BP神经网络由于具有自组织和自适应能力, 能模拟人脑综合处理问题, 因此被广泛应用于智能识别系统中。结果表明, 采用小波变换提取声音特征参数, 结合BP神经网络算法, 能够有效的对小型轿车、大型客车和重型货车这三种类型的车辆进行识别, 证实了基于声音信号的车辆识别算法的有效性, 可进一步实现更复杂、更具体的车型识别和车流量统计计数。
参考文献
[1]刘波.车辆音频特征分析及车型识别研究[D].武汉理工大学, 2007.
[2]王双维, 陈强, 李江.不同车型的车辆声音与振动信号特征研究[J].声学技术, 2007, 26 (3) :460-463.
[3]王炳锡, 屈丹.实用语音识别基础[M].北京:国防工业出版社, 2005.
[4]飞思科技产品研发中心编著.MATLAB 6.5辅助小波分析与应用[M].北京:电子工业出版社, 2003.
[5]韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社, 2007.
神经信号 篇6
“一直以来, 大家都知道神经信号传递离不开Munc18和Munc13。”马聪等研究后发现, Munc18和Munc13的活动贯穿于神经递质释放全过程。“我们的工作将这两类蛋白的功能和作用机制通过体外重组的方法完美呈现, 并提出了一条高效的严格依赖这两类蛋白相互作用的新通路。”
研究人员通过生物物理学手段, 结合体外人工膜重组技术, 第一次全方位阐述了参与神经递质释放的重要蛋白质和磷脂分子介导膜融合的分子通路机制。该研究结果改变了人们目前对神经递质释放机制的认知, 挑战了传统的膜融合分泌机制。
神经细胞间的信号传递是一个复杂过程。在神经细胞突触末端有许多装载着神经递质的囊泡。在动作电位刺激下, 钙离子内流, 囊泡以毫秒级的速度与神经突触前膜发生膜融合, 释放神经递质, 将信号迅速传递到下一个神经细胞。整个过程离不开蛋白质和磷脂分子的共同相互作用。
过去的研究认为, Snare蛋白复合体直接完成膜融合, 使神经递质得以释放。然而, 神经细胞内缺少Munc18或Munc13时, 神经递质释放也会完全被阻断。目前尚缺乏对这两类蛋白的认识, 膜融合分子机制也非常不完善。
神经信号 篇7
1 ELMAN神经网络
Elman网络是J.L.Elman于1990年首先提出来的,它是一种典型的局部回归网络。Elman网络可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。Elman神经网络一般包括:输入层、中间层(隐含层)、承接层和输出层,其结构如图1所示。输入层起信号传输作用,输出层起线性加权作用。在这种网络中,除了普通的隐含层外,还有一个特别的隐含层,称为承接层;该层从隐含层接收反馈信号,每一个隐含层节点都有一个与之对应的关联层节点连接。承接层的作用是通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈。
Elman神经网络具有BP神经网络的优点,同时它是通过一种承接层的延迟和存储连接到隐含层的输入的自连方式,这就增加了网络动态处理信息的能力,从而可以动态的自适应的处理交叉路口复杂路况的事物。
2 基于ELMAN神经网络模糊信号控制
文中以单交叉路口交通信号控制为研究对象,在图2中,有东、西、南、北四个车流方向,每个相位只考虑直行的情况,其它的忽略不计。
车辆的延误模型采用的是希腊学者C.P.PAPPIS[3]提出的单路口两相位模糊控制算法。此模糊算法是根据红灯方向的车辆等待数,与绿灯方向检测到达的车辆数,决定当前方向绿灯在7秒,17秒,27秒,37秒,47秒的延时是否进行、或转向。
引入模糊变量T,A,Q,E,分别表示时间、绿灯方向车辆的到达数、红灯方向车辆的等待数、绿灯延时。模糊变量的赋值表见文献[3].
2.1 网络的创建
2.1.1 网络的输入
神经网络中,输入的元素分别是时间T、绿灯方向车辆的到达车辆A、红灯方向车辆的等待数Q、当前绿灯时间G(第7、27、37、47秒分别为0.1、0.2、0.3、0.4)。
2.1.2 网络的输出
网络有一个输出,是第n秒的绿灯延时隶属度。将从检测器得到的10秒数据分别输入网络就可得到10秒的绿灯隶属度,根据最大隶属度对应的时间决策延长时间。
2.1.3 样本的选取
模糊控制算法使用了25条规则进行模糊推理,并且在考虑不同车流情况下均衡的选择样本。例如,在27秒准备实施控制时,上个10秒的第9秒红灯方向的车辆等待数是8,绿灯方向的车辆等待数是7,则神经网络输入为P=[9,7,8,0.4],输出为,T=[0,1,1,0,1,1,0,1,1,0,0.9,1,0,0.9,1],输出为T=[0.9]。这样,可以得到不同车流情况下的若干个样本。
由于文中研究对象一个隐含层足以够用,所以,这里采用单隐层的神经网络。根据Elman网络的特性和交叉路口的实际情况,将隐含层神经元的个数设定为30。传递函数为S函数tansig(),输出层有一个神经元,传递函数为线性函数logsig()。训练函数采用默认值traingdx(),下面创建一个Elman网络:
2.2 网络的训练
使用MATLAB工具进行仿真,代码如下:
3 MATLAB车辆延误仿真
交叉路口的路况是动态分布的,因此,泊松分布用来仿真交通流量较小的情况,二项分布用来仿真流量较大的情况,车辆的延误使用C.P.PAPPIS文中公式计算,因此可以得到不同车流情况下的车辆平均延误。
4 结束语
从实验结果可以得知,使用ELMAN神经网络对交叉路口进行控制可以有效减少车辆的平均延时,提高交叉路口的通行能力,在实际的应用中,文中的实验条件存在局限性,例如交叉路口的车流情况比文中比较的交通量要复杂及神经网络也存在不足之处,可以寻求更好的方法实现各种方法之间的互补,减少车辆的延误时间。
参考文献
[1]徐冬玲,方建安,邵世煌.交通系统的模糊控制及其神经网络实现[J].信息与控制,1992,21(2):74-78.
[2]刘智勇.智能交通控制理论及其应用[M].北京:科学出版社,2003
[3]Pappis C P,Mamdani E H.A Fuzzy logic controller for a traffic junction[J].IEEE Transactions on systems,man,and cybernetics,1977,7:707-717.
[4]周开利.MATLAB基础及其应用教程[M].北京:北京大学出版社,2007
[5]杜爱月.基于模糊控制的交通信号控制系统及仿真的研究[J].西安:长安大学,2004.
BP神经网络在信号发生器中的应用 篇8
模拟信号源中关键部件压控振荡器的输出频率与调谐电压之间是非线性关系,通常都是使用线性关系来简单的表示两者之间的关系,只要知道某两个频点的调谐电压,根据两点一线原理,就可以确定该线性关系,根据此线性关系,其它频率点的调谐电压就可以通过该线性关系找出,事实上,振荡器输出频率与控制电压并非严格的遵循线性关系,而是非线性的,如图1所示:
从图中可以直观的看出,在振荡器输出频率的低端和高端非线性很明显,因此若根据线性函数得到的调谐电压v0加到振荡器上,并不一定会输出目标频率f0,而是fn,并且,f0与fn之间的差值可能非常大,使控制振荡器的锁相环路从fn锁定输出到f0的时间非常长,从而影响了仪器的性能,鉴于此,本文提出了一种基于BP神经网络的方法来拟合压控振荡器输出频率与控制电压关系的函数fbp(v),使得f0与fn更接近以致相等,将此关系取代线性关系应用到振荡器的调谐电压设置上将会缩短控制环路的锁相时间,提高仪器性能。
1 模拟合成信号源简介
信号发生器的信号产生方式主要有两种:模拟合成和直接数字合成。模拟合成信号源主要是依靠最核心的压控振荡器振荡器来产生信号,并通过外围控制电路来满足信号的指标要求,如为满足信号的功率指标,可以加功率电平控制电路,为满足信号的频率调制指标,可以以反馈环路的方式加频率控制电路,如用小数环外加其它环路来控制频率精度,为降低噪声加本振环路等,最终的目的就是得到精准的调谐电压来控制振荡器,使之锁定在要求输出的频率的工作状态[1],模拟信号源工作原理如图2所示。
如图所示,当预置电压很准确的时候,输出频率将会很快锁定。模拟信号源认为,YIG振荡器的输出频率与加在YIG振荡器上的电压成线性关系,该线性关系如公式(1)所示。
其中f(v)是调谐电压为时的输出频率;
a为斜率;
b为截距;
根据两点一线原理,只要有两个样点A(v1,f(v1)),B(v2,f(v2))就可以确定该公式的a和b,如下所示:
根据经验,两个样点一般选取振荡器频率输出范围的三分之一和三分之二处,当要输出目标频率fm时,根据公式1,可以得出求控制电压vm的公式
所以,模拟合成源一般只校准两个频点的预置电压值,根据公式2就可以确定整个频率范围的预置电压。
事实上,振荡器输出频率和控制电压之间并非严格的遵循线性关系,因此,当使用公式(2)来确定某特定输出频率fm的控制电压vm时,给振荡器施加预置电压vm,振荡器实际输出频率为fr,此时fm≠fr,并且误差频率Δf=｜fm-fr｜可能非常大,这给锁相环路将振荡器振荡频率从fr锁定到fm增加了耗时,当误差频率超过锁相环路的捕捉带宽时,会导致锁相环失锁,因此寻找一种合适的算法来准确描述输出频率和调谐电压之间的关系是有必要的,鉴于BP神经网络有很强的非线性映射能力,同时原理简单易于实现,本文提出一种使用BP神经网络模型来描述频率和调谐电压之间关系的方法。
2 BP神经网络模型的建立
2.1 BP神经网络
BP神经网络属于前馈型网络,具有很强的非线性映射能力,通常由输入层、输出层和若干个隐层构成[2],结构如图3所示。
神经网络的基本组成单元为神经元,同一层神经元中没有任何耦合,每一节点的输出只影响下一层节点的输出。网络的学习过程由正向和反向传播两部分组成。第k层第i个神经元的结构如图4所示。
f(誗)为作用函数,一般取硬限幅函数或Sigmoid函数,本文中拟采用Sigmoid函数,其定义如下:
其中,Xj=∑WijXi
2.2 BP神经网络学习算法
对于给定的总层数为P的BP神经网络,其学习样本集为((Xl,Dl),l=1,2,…,S,网络学习的目的为求各层的权系数Wij(k),k=1,2,…,P,使全局误差E达到最小值。其中n为输出神经元个数。
在开始训练时,网络的全部权值必须初始化,一般设置为较小的随机数,这可保证不因权值取最大值而使网络出现饱和或出现反常情况。
BP算法的训练步骤如下:
1)从样本集中取一样本对,把输入矢量用作网络的输入;
2)计算网络输出矢量;
3)计算网络输出矢量与样本对的目标矢量的差;
4)再从输出层反向计算到第一中间层,向减少差错方向调整网络权值;
5)对样本集中每一个样本对重复上述1至4步,直到整个样本集的差错最小。
学习结束是指实际输出矢量与目标矢量间差错已减少到可接受的值,权值已不再调整。
权值的调整根据Delta规则进行。
其中,Wij(n)为神经元i至神经元j的第n次变更的权值,X′j为神经元i的输出,η为学习率常数,δj为神经元j的差值。如何向减少差错方向调整权值是关键,BP算法一般是采用梯度下降原理,即在权值空间中沿梯度方向搜索。有关BP算法的更详细知识可参考文献[3]。
3 实验结果与讨论分析
在本实验中,输入矢量和输出矢量均为1维,中间层数和每一层神经元个数选的太少,不利于网络的学习,选的太多,虽然会提高模拟精度,但是会影响工作效率,因此,综合考虑,采取折衷,兼顾效率和精度。每层神经元的个数选取10个,中间层选取4层,权值调整算法采用梯度下降算法。本文中使用的信号发生器压控振荡器振荡器输出频率范围是5GHz~10GHz,调谐电压范围是0~20v,训练输入样本集采用在整个频率范围内随机抽取100个样点,开发环境为VC2005,首先使用样本集中的样点训练神经网络,通过迭代的方法计算出各个神经元之间的权值,然后将神经网络应用到信号发生器中,设置要输出的频率,神经网络将会计算出压控振荡器对应该频率的电压值,将该值送到设置振荡器调谐电压的寄存器,振荡器将会起作用输出设置频率,各个频点的设置结果如图5所示。
与图1对比可以看出采用BP神经网络虽然不能完全逼近图1中的曲线,但是相对于直线已经有很大改观。
4 小结
通过构造简单的BP神经网络来拟合振荡器输出频率与调谐电压之间的关系,摆脱了振荡器输出高端和低端的非线性,在点频模式下能够准确的输出预置频率,缩短了锁相环路的工作时间,提高了工作效率。但是在扫频时由于磁滞现象的存在,扫速的不同会导致不同的非线性曲线,该问题有待于从理论和应用方面进一步认识和研究。
摘要：信号发生器中的震荡器的调谐电压和输出频率具有非线性关系,传统上一般用线性关系来表示两者的关系。本文提出一种基于BP神经网络模型的方法来拟合调谐电压和输出频率间的非线性关系,实验表明,BP神经网络能够很好的将两者之间的非线性表示出来,利用该模型可以提高锁相环路的工作效率。
关键词：BP神经网络,信号发生器,压控振荡器,调谐电压,锁相环
参考文献
[1]信息产业部电子41研究所.现代通信测量仪器[M].北京:军事科学出版社,1999:39-52.
[2]王伟.人工神经网络原理:入门与应用[M].北京:北京航空航天大学出版社,1995:100-105.
神经信号 篇9
医院临床实验室进行动物和人体实验往往需要同时检测各种神经电生理信号。神经电生理的检测有助于更全面诊断、更准确定位,避免医源性损伤,降低术后功能障碍或缺失的发生率,提高病人术后生活质量。现有的各种专用神经电生理信号检测仪器大都是进口的,但由于技术保密,原始数据往往无法获得,对实验数据的采集存储和再处理带来很多不便。专用设备特别是在神经科医学实验的研究中往往随着研究项目的完成其生命期亦终结,基本不能用于新的研究课题,耗时且不经济。因此迫切需要开发研制一种既具有国外先进信号处理技术,又有较强通用性,可扩展性,适合临床实验室使用的神经电生理信号实验平台。
应用LabVIEW虚拟仪器技术开发神经电生理信号实验平台改变了传统神经电生理信号检测仪器固有的设计模式,使得仪器系统从功能上完全与传统仪器相同,同时又充分享用了计算机智能资源。
1 硬件设计
1.1 系统组成
图1所示的是系统硬件部分的总体框架,包括:多路传感器、信号调理电路,多通道数据采集卡(DAQ)、计算机系统等。DAQ card(数据采集卡)有16路模拟输入通道分别用来采集不同的信号源。
1.2 数据采集卡
数据采集卡是构成神经电生理信号实验平台硬件的关键部分,本研究采用NI公司专用的DAQ产品PCI-MIO-16XE-50数据采集卡。PCI-MIO-16XE-50数据采集卡是一块基于16位PCI总线的多功能数据采集控制卡,它的功能与特点有:模拟输入信号范围为±0.1V-±10V;16路单端/8路差动模拟输入通道;2路独立的D/A输出通道;8线TTL型数字I/O;2个24位的定时计数器;采样率最大为20 ks/s。
2 软件设计与应用
神经电生理信号实验平台要求交互性好、可扩展性强,还要求软件易于调整、使用方便。LabVIEW图形化编程软件是按照方框图间的数据流传递执行的,每个程序由前面板和方框图组成。操作人员可以利用编程功能对实验平台进行重组用于不同的实验需求。软件系统主要由信号采集、信号分析、数据管理以及系统设置等模块组成。
系统登录后,先运行主程序,对一些参数进行初始化后进入主程序,进行功能模块选择。可以实时采集数据,也可以对存储信息进行分析,数据和图形都可以导出作科研用。
(1)神经电生理信号采集
信号采集主要实现神经电生理信号从信号调理模块采集到计算机内,通过对数据采集卡编程实现对采集卡的控制。数据采集控制包括触发控制、通道控制、时基控制等。数据采集可以实现多通道连续数据采集,通过参数设置进行通道数、波特率、采样点数、采样率的设置。
(2)神经电生理信号处理
神经电生理信号是极其微弱的,干扰源很多,靠硬件上的措施不能完全解决干扰问题,而且在实验室应用中,常常需要知道所检测生物电信号波形的特征值,如:最大值、最小值、平均值、峰峰值等。数据处理部分主要完成对采集信号的加窗、滤波功能,加窗是为了减少频谱泄露,滤波是为了从信号中提取期望的值。数据分析主要是利用LabVIEW中丰富的信号分析函数库实现,主要包括对数据的时域分析和频域分析。其中,时域分析主要包括自相关分析、波峰检测等;频域分析主包括幅值谱、相位分析、多尺度处理方法,如比较常用的小波变换方法。
3 结论
本文介绍了一个自行研制的多功能、多通道神经电生理信号实验平台,该实验平台把LabVIEW强大的运算、存储和通信能力与功能硬件的测量和转换能力融为一体,具有应用灵活、可扩展性强的特点。平台的设计和实践表明,利用LabVIEW实现神经电生理信号实验平台的开发是一种简单高效的方法。
参考文献
[1]黄学文,周敬泉.虚拟仪器技术的现状与前景[J].电测与仪表,2004(10):5-8.
[2]乔慧,常鹏飞.开展术中神经电生理监测的重要性[J].中华神经外科杂志,2010(26):1057-1059.
[3]陈敏,汤晓安.虚拟仪器开发环境LabVIEW及其数据采集[J].计算机工程与设计,2001(22):61-66.
