【成果推介】基于神经元尖峰序列数据的神经元网络推断方法及系统

【应用行业】互联网

【技术领域】计算机技术

【知识产权】发明专利

【成果完成单位】华中师范大学

【成果完成人姓名】杨林涛、郭东辉、黄光明、宋永红、王敏

【完成人团队简介】团队主要研究复杂网络、大数据分析算法及应用研究工作

【成果完成时间】2023-12-11

【专利号】CN2023116874175

【授权日期】2024-03-15

【技术成熟度】研发阶段

【应用背景】了解神经元之间的相互作用方式对于理解大脑的功能非常重要。随着技术不断发展，神经元在信息传递时发出的动作电位（即神经元尖峰）可以被收集到。通过神经元尖峰序列推断神经元网络，可以揭示神经系统内部神经元之间的相互作用机制。这种方式具有低破坏、低成本等优点，有助于深入了解神经系统在正常情况下如何运作，以及在神经疾病的情况下如何发生变化，便于后续为疾病诊断和治疗提供数据支持。

格兰杰因果关系分析可用于识别神经元网络中的有效连接。格兰杰因果关系是从预测角度定义的因果关系，如果利用一种时间序列的历史信息可以更好地预测另一个时间序列，则表示这个时间序列对另一个时间序列有格兰杰因果关系。通常采用多元自回归模型推断时间序列之间的格兰杰因果关系。然而，神经元之间通过动作电位传递信息，神经元活动通常看作是由一系列神经元尖峰组成的神经元尖峰序列。神经元尖峰序列具有时间间隔不规则的特征，传统的多元自回归模型难以推断其格兰杰因果关系。

多维霍克斯过程是一种可用于推断多个神经元尖峰序列之间格兰杰因果关系的模型。与传统模型不同的是，它可以直接描述神经元尖峰序列，而无需进行离散化处理。通过估计多维霍克斯过程的激励矩阵能够获得神经元之间的格兰杰因果关系以构建神经元网络，当激励矩阵中的元素大于0时则认为对应的神经元对之间存在连接。然而，这种判别标准过于宽松，激励矩阵中的非零元素可能由参数估计的偏差导致的。这样在推断神经元网络时，容易产生错误的推断。

【成果简介】本成果提供一种基于神经元尖峰序列数据的神经元网络推断方法及系统，该方法包括以下步骤：获取研究对象的神经元尖峰序列数据；基于多维霍克斯过程构建各神经元的尖峰序列数据的似然函数并进行参数估计；基于各神经元的尖峰序列数据的似然函数，使用似然比推断每对神经元之间的格兰杰因果关系；使用格兰杰因果关系统计量对每一对神经元的格兰杰因果关系进行假设检验进行多重假设检验，将通过多重假设检验的格兰杰因果关系相应的神经元对判定为存在连接，进而得到该研究对象的神经元网络。本成果能够推断出准确的神经元网络，为临床诊断和治疗提供理论依据。

【成果图片】

【联系方式】段治国、安红高、刘树楠、吴涛，02767868068，02767868067，02767862769