大脑神经元动作电位序列的快速预测方法与流程

技术特征：

1.大脑神经元动作电位序列的快速预测方法，其特征包含以下步骤：

(1)神经元离子通道模型和动作电位数据样本的收集

首先，搜集神经元模型及完整的离子通道数据，搜集的模型要能反映神经系统中神经元80％以上的放电行为。

其次，针对每一个模型，采用步长为0.01ms的四阶龙格库塔数值算法，获取不同幅度直流刺激下，膜电位序列中的电压值，并提取出这些序列中单个spike的最高值V_max、最低值V_min和宽度；宽度为最高值与最低值对应时间的差，即：Dt＝t_min-t_max；同时，记录V_max前1ms、2ms和3ms时的电压值V₁、V₂和V₃。对于每个模型，通过改变电流刺激幅度，收集多组[V_max,V_min,Dt,V₁,V₂,V₃]数据。然后构建单个模型对应的spike样本库A，用于后续对预测网络模块进行训练和测试。

最后，同样利用步长为0.01ms的四阶龙格库塔算法，获取前一个spike的V_min之后到下一个spike的V_max之前这一区间中神经元的电压值，并从中以0.01ms的滑动窗选取间隔为1ms的三个连续值VV₁、VV₂和VV₃，构成数据库B，作为分类网络模块的训练和测试数据。其中，标记V_max前1ms、2ms、3ms的VV₁、VV₂、VV₃为正样本，表示它们能用来预测spike的特征，其它的VV₁、VV₂、VV₃为负样本，表示它们无法用来预测spike的特征。

(2)预测模块的训练和测试

根据已收集的样本数据的特点，构建用于预测的网络模块。然后，利用反向传播算法对网络中神经元之间的连接权重进行更新，直到网络训练完成；最后，用测试数据集对预测模块的性能进行测试。

(3)分类模块的训练和测试

根据已收集的样本数据的特点，构建用于分类的网络模块。然后，同样利用反向传播算法对网络中神经元之间的连接权重进行更新，直到网络训练完成；最后，用测试数据集对分类模块的性能进行测试。

(4)根据(3)中分类网络模块的结果，利用(2)中已训练好的预测网络模块对spike的几个典型特征进行预测。具体如下：通过0.05ms的步长，获取在某一刺激下神经元非spike部分的电压值，并提取间隔为1ms的三个连续值V_t1、V_t2、V_t3。先用分类模块进行判断，如果输出结果为1，则将V_t1、V_t2、V_t3输入到预测模块中，对神经元spike的三个特征值(V_max、V_min和Dt)进行预测；如果输出结果为0，则将V_t1、V_t2、V_t3向前以0.05ms的步长进行更新，然后重新进行分类判断。

分类网络输出的2个结果分别是1和0，其中1表示输入数据可以用于预测spike的特征，0表示输入数据不可以用于预测spike的特征。当输出的值大于阈值时，标记为1，反之标记为0。阈值设置为[0.4，0.6]中一个数值。

2.根据权利要求1中所述的方法,其特征在于:预测方法包括人工神经网络的方法、基于回归分析的方法或基于树的方法。

3.根据权利要求1中所述的方法,其特征在于:分类方法包括人工神经网络的方法、基于贝叶斯理论的方法、基于树的方法或基于支持向量机的方法。