神经动力学模型的滤波与控制

摘要

脑电图(Electroencephalogram，EEG)可以记录反应脑功能状态的脑节律，而基于电刺激的脑节律调制可以为脑部疾病的治疗带来积极的临床结果。神经动力学模型能够模拟与不同脑功能状态相关的脑节律活动，研究神经动力学模型的滤波与控制，可以为实现测量噪声影响下的异常脑功能状态信息的获取以及脑部疾病的电刺激治疗提供理论支持。
　　本文考虑脑电信号记录过程中遭受的测量噪声的影响，基于神经动力学模型设计滤波方案以削弱噪声的影响。此外，本文也给出基于神经动力学模型的闭环控制框架来调整动力学特性。具体工作如下：
　　首先，基于容积卡尔曼滤波(Cubature Kalman Filter，CKF)算法对神经动力学模型进行滤波，并将此滤波算法的滤波性能与无迹卡尔曼滤波(Unscented Kalman Filter，UKF)算法的滤波性能进行比较；其次，针对神经动力学模型参数突变的情况，基于强跟踪容积卡尔曼滤波(Strong Tracking Cubature Kalman Filter，STCKF)算法对神经动力学模型进行滤波,并将此算法的滤波性能与 CKF算法的滤波性能进行比较；最后，针对不同的控制目标分别基于CKF算法和单神经元自适应PID算法设计闭环控制框架以调整神经动力学模型的动力学特性。

目录

声明

第1章 绪 论

1.1 课题研究背景

1.2 国内外研究现状

1.3 课题研究目的及意义

1.4 本文主要研究内容及结构安排

第2章 预备知识

2.1 神经动力学模型

2.1.1 单个神经群的神经动力学模型

2.1.2 多个神经群耦合的神经动力学模型

2.2 滤波算法

2.2.1 Kalman滤波算法

2.2.2 强跟踪滤波算法

2.2.3 滤波性能估计方法

2.3 控制算法

2.3.1 PID控制算法

2.3.2控制性能估计方法

2.4 本章小结

第3章 神经动力学模型的滤波

3.1 神经动力学模型的动力学特性分析

3.1.1 单个神经群的神经动力学模型仿真

3.1.2 三个神经群耦合的神经动力学模型仿真

3.2 基于CKF算法的神经动力学模型的滤波

3.2.1 CKF算法

3.2.2 基于CKF算法的滤波方案

3.2.3 基于CKF算法的滤波性能分析

3.3 基于STCKF算法的神经动力学模型的滤波

3.3.1 STCKF算法

3.3.2 基于STCKF算法的滤波方案

3.3.3 基于STCKF算法的滤波性能分析

3.4 本章小结

第4章 神经动力学模型的控制

4.1 基于CKF算法的神经动力学模型的闭环控制

4.1.1 基于CKF算法的控制方案

4.1.2 基于CKF算法的控制性能分析

4.2 基于单神经元自适应PID的神经动力学模型的控制

4.2.1 单神经元模型

4.2.2 单神经元自适应PID控制算法

4.2.3 基于单神经元自适应PID的控制性能分析

4.3 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢