经颅磁声电刺激强度对小鼠前额叶皮质网络可塑性的影响

背景:经颅磁声电刺激是一种新型无创的神经调控技术,利用超声波与静磁场耦合作用产生的感应电场调节神经系统的放电活动,但其影响大脑突触可塑性的作用机制研究尚浅。目的:探讨经颅磁声电刺激强度对小鼠前额叶皮质神经网络突触可塑性的影响。方法:①动物实验:将24只C57小鼠平均且随机分为4组,对照组(接受伪刺激)、刺激6.35 W/cm^(2)组(接受0.3 T、6.35 W/cm^(2)的耦合刺激)、刺激17.36 W/cm^(2)组(接受0.3 T、17.36 W/cm^(2)组的耦合刺激)和刺激56.25 W/cm^(2)组(接受0.3 T、56.25 W/cm2的耦合刺激),记录小鼠执行T迷宫过程中局部场电位信号和行为学正确率。②建模仿真实验:构建经颅磁声电刺激小鼠前额叶皮质神经网络模型,分别比较不同刺激强度下神经网络结构连接特性。结果与结论:①经颅磁声电刺激能够有效缩短小鼠行为学习时间,工作记忆能力得到改善(P<0.05),且习得行为后继续刺激小鼠前额叶,各组小鼠T迷宫行为学实验准确度没有明显差异(P>0.1)。分析小鼠前额叶局部场电位信号发现经颅磁声电刺激促进了β节律与γ节律能量增强;而随刺激强度升高,β节律与γ节律出现了非同步性下降;通过β-γ相位幅值耦合发现,刺激增强了神经网络适应新的信息和任务要求的能力变化。②建模仿真发现,刺激使得神经网络放电水平增强,长时程突触权重水平提高而短时程突触权重仅在刺激强度较高时降低。③研究结果表明,不同的刺激强度与神经网络功能结构的影响存在复杂的非线性关系;这种神经调控技术为治疗突触功能障碍和神经网络异常等相关神经疾病方面提供新的可能。

基于圆形约束CV-LIF模型的原木端面图像分割

针对自然条件下原木端面图像的分割问题,结合原木端面图像的特点,改进传统CV(Chan and Vese)模型,对演化曲线内部使用梯度进行拟合,同时融入局部图像拟合LIF(Local Image Fitting)模型,加入圆形先验知识,提出了基于圆形约束的改进活动轮廓模型CV-LIF,将全局能量和局部能量结合到一起,共同约束轮廓线的演化。在对图像进行预分割的基础上,利用多水平集表示待分割区域,运用基于圆形约束的改进活动轮廓模型对每个水平集区域进行再分割,解决了复杂背景下多个原木端面分割不准确的问题。通过实验,分别对单个及多个原木端面图像进行分割,结果表明该方法可以较好地分割出图像中的原木端面,而且具有较好的抗噪性能,实现速度较快。

高温高压下LiF热力学性质的第一性原理计算

利用第一性原理方法并结合准谐徳拜模型计算了B1相结构LiF在高温高压下的热力学性质,其零温零压下的平衡体积和体弹模量的计算结果与实验值相符。通过准谐徳拜模型获得了该结构的相对体积、体弹模量、热容、熵、徳拜温度与温度和压强的关系。

小流量工况下微小型泵内部流场数值模拟及LIF-PIV实验研究

本研究利用二维粒子图像测速技术(PIV),并结合激光诱导荧光(LIF)的示踪颗粒技术,成功地测量了小流量工况下微小型离心泵的内部流场,得到了泵内喉舌区和叶道间的瞬时流场,并且用标准κ-ε湍流模型对试验工况进行计算.LIF示踪颗粒的使用成功地消除了近壁和角区的激光反光干扰,近壁区测试数据得到改善。试验和计算结果证明,标准κ-ε湍流模型对小流量工况下的泵的性能预测非常准确但是对于捕捉流动细节信息来说,则显得不是很合适。LIF-PIV测量揭示了微小型离心泵在小流量工况下,喉舌处存在大量的回流区域而且不同的叶道的流动状态也不相同.

基于遗忘效应忆阻器的LIF神经元电路研究

细胞神经网络(CNN)被公认为是一种强大的大规模并行网络架构,能够高速执行运算操作和解决复杂的工程问题,但是目前关于硬件实现神经元的研究处于起步阶段。首先,研究了一个基于SrTiO_(3)(STO)的忆阻仿真模型,并分析了该模型的阻值变化特性与磁滞回线。其次,在此基础上设计了基于忆阻器的LIF神经元电路,验证了忆阻器模型可很好地结合到该神经元电路中。最后,通过PSpice仿真实验分析了突触前神经元、突触权重以及输入信号频率对于膜电位的影响,验证了基于遗忘模型忆阻器构成的LIF神经元电路可实现对输入时间信息和空间信息的整体反应。

LiF－CaF_2，NaF－CaF_2和KF－CaF_2系熔体热力学参量及相图的计算

本文将ＤＣＡ模型应用于ＬｉＦ－ＣａＦ２，ＮａＦ－ＣａＦ２和ＫＦ－ＣａＦ２熔体，并假设在这些熔体中存在络合离子．利用已有的上述混合熔体量热和熔盐相图的实验数据估计了熔体模型中的参数，并计算了熔体的混合热力学参量及相图．计算结果与实验结果吻合较好．

基于改进活动轮廓模型的图像分割

针对图像分割中的灰度不均匀和轮廓初始化问题,提出一种基于区域的活动轮廓模型。将图像的全局信息和局部信息作为能量项驱动活动轮廓向目标边缘演化,以有效分割灰度不均匀图像,为保证图像分割的速度和精度,在能量方程中加入长度项和惩罚项,并采用梯度下降法得到该模型的最小化能量方程。实验结果表明,和局部二值拟合模型、局部图像拟合模型相比,该模型能分割灰度不均匀的图像,对初始轮廓曲线大小和位置更不敏感,且分割图像所需的迭代次数、迭代时间更少。

一种全局LBF主动轮廓模型

LBF模型的能量函数对于水平集函数是非凸的,从而导致应用LBF模型分割的最终结果对水平集函数的初始化非常敏感。通过凸化LBF模型的能量函数,提出一种全局的LBF模型(GLBF)。该模型针对水平集函数是凸的,从而可以通过任意初始化水平集函数得到全局最优解。此外,该模型不必重新初始化水平集函数为符号距离函数,从而极大地提高运算效率。对灰度不均匀医学图像的分割结果表明,GLBF模型对水平集函数的初始化不敏感,优于传统的LBF模型以及目前具有代表性的LIF模型。

白血病抑制因子在小鼠胚胎着床机制的体外探究

目的运用已有的小鼠体外三维着床模型观察LIF抑制状态下对胚胎着床这一过程中的影响以及其转导通路中下游STAT3和pSTAT3蛋白表达水平的变化,从而探究LIF及其转导通路在胚胎着床中的功能。方法将小鼠内膜组织置于有不同浓度LIF抗体(0.1和1.0μg/ml)及正常IgG对照和阴性对照的培养基中预培养0.5h。然后进行内膜组织和囊胚的共培养,观察比较胚胎与内膜的黏着率的不同,并对抗体处理后的内膜进行STAT3及pSTAT3的免疫组化染色。结果运用1.0%抗体预处理组的黏着率与正常IgG对照组及阴性对照组之间均有统计学差异。pSTAT3的表达在经LIF抗体预处理的内膜中明显高于对照组。结论 LIF在小鼠胚胎着床中起着非常重要的作用,通过LIF表达的降调节可以显著降低胚胎黏着率。LIF对胚胎黏着的作用可能是通过JAK/STAT通路中STAT3的磷酸化活化而实现的。

融合边缘与区域信息的水平集分割算法

针对测地线主动轮廓(GAC)模型容易产生边界泄露且对初始位置敏感及局部图像拟合(LIF)模型容易陷入局部极小的问题,提出融合边缘与区域模型的水平集算法。通过设置权值,该算法能自适应地调整GAC模型和LIF模型在融合算法中所占的比例。对不同图像的实验结果表明该算法的迭代收敛速度比GAC模型和LIF模型要快,分割效果明显优于GAC模型和LIF模型。

融合局部和全局高斯概率信息的图像分割模型

在现有的活动轮廓中,LBF模型、LIF模型和LGDF模型是著名的基于区域的模型。虽然能分割灰度不均匀的图像,但对活动轮廓的初始化和噪声较为敏感。针对该问题,提出一种融合全高斯和局部高斯概率信息的活动轮廓模型。首先由全局高斯模型的全局灰度拟合力和局部高斯模型的局部灰度拟合力的一个线性组合来构造水平集演化力,然后引入这两个拟合力的动态权重以达到该模型的灵活性,实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪声性强。

交流电场下神经元适应性的两种放电机制对比分析

研究了两种神经元模型放电频率适应性的机制,对比分析了不同机制之间的差异,基于线性积分放电(LIF)神经元模型,建立了在交流外电场作用下LIFAC和LIFDT两种改进的LIF适应性模型.通过分析不同机制模型的初始和稳态放电频率曲线,发现LIFAC机制的放电频率曲线向高输入方向水平右移,且保持斜率不变,LIFDT机制的放电频率曲线呈发散状,斜率递减.在固定频率的交流外电场作用下,稳态放电频率曲线呈线性.另外通过对噪声下放电峰峰间期的相关性和变异性分析,进一步阐明外电场对不同机制适应性的影响.

基于最大类间方差的权重自适应活动轮廓模型

针对传统的活动轮廓模型不能有效处理灰度非均匀图像以及权重参数需要手动调节等问题,提出一种基于最大类间方差的权重参数自动调节模型。将最大类间方差的思想引入LIF模型并作为局部项,通过最大化目标和背景的类间差异提高分割准确度;将C-V模型作为全局项降低对初始轮廓的敏感性;引入图像熵自适应调节局部项与全局项的比重,提高运算效率和精度。实验结果表明,该模型对多种灰度非均匀和噪声图像均可实现理想分割,对初始轮廓的位置不敏感,提高了分割效率。

基于视觉感光层功能的菌落图像多强度边缘检测研究

借鉴视觉神经系统在轮廓感知中的独特优势,提出一种基于视觉感光层功能的图像边缘检测新方法。构建以带漏感的积累发放(LIF)神经元电生理模型为基本单元的神经元网络;根据特定时间窗口内各个神经元的脉冲发放情况,对神经元的增强(ON)或抑制(OFF)类别进行判断;通过拮抗式感受野特性以及神经元激励的反馈增强模式,实现弱边缘的凸显;为克服视觉感光层所具有的适应性并凸显弱细节的对比度,对图像进行多方向、多距离尺度的移动,并融合感光层神经元网络脉冲发放率的差异信息,最后实现图像边缘的有效检测。以具有丰富边缘特性的20幅菌落图像为样本,以边缘置信度和重构相似度作为评价指标,对多强度边缘进行检测。结果表明,所提出方法可以有效完整地检测出图像多强度边缘,且其对弱边缘检测的重构相似度均值高于0.8,检测准确性有显著的提高(P<0.05)。所提出的利用生理视觉系统特性进行边缘检测,为包含多强度边缘信息的图像处理提供崭新的思路。

基于FPGA的脉冲神经网络加速器设计

脉冲神经网络是一种基于离散神经脉冲原理进行信息处理的人工神经网络,文中提出了一种基于FPGA的灵活可配的脉冲神经网络加速器架构,能够支持神经网络拓扑结构、连接权值的灵活配置。该设计首先在算法层对LIF神经元模型进行公式分解和浮点转定点两个层次的优化,并在硬件实现中采用时分复用技术将硬件中实现的8个物理神经元复用为256个逻辑神经元。神经元模电压计算采用三级流水线架构,以提高神经元数据处理效率。通过采用Xilinx XC6SLX45 FPGA实现整个神经网络加速器,工作频率可达50 MHz,并基于该加速器构建手写数字识别网络架构,实验结果表明,采用MNIST数据集作为测试样例,该网络架构准确率可达93%。

激光诱导荧光结合AdaBoost算法的食用油分类

为了快速、准确地识别食用油类型,采用激光诱导荧光技术,利用405 nm激光在食用油表面诱导离子体激发并发出荧光,由SpectraSuite软件采集和记录荧光光谱数据。以5种食用油为实验对象,实验采集的光谱数据共750组,分别采用4种不同的算法(BP算法、AdaBoost⁃BP算法、AdaBoost⁃DT算法、AdaBoost⁃KNN算法)对光谱数据建立训练模型,通过4种模型的比较得出,以KNN算法作为弱分类器的自适应提升(AdaBoost)模型对光谱数据的分类效果最好,迭代100次后测试准确率为100%,且泛化误差为0,表明此算法具有很好的泛化性能和稳定性。

基于自适应编码的脉冲神经网络

脉冲神经网络(SNN)采用脉冲序列表征和传递信息,与传统人工神经网络相比更具有生物可解释性,但典型SNN的特征提取能力受到其结构限制,对于图像数据等多分类任务的识别准确率不高,不能与卷积神经网络相媲美。为此提出一种新型的自适应编码脉冲神经网络(SCSNN),将CNN的特征提取能力与SNN的生物可解释性结合起来,采用生物神经元动态脉冲触发特性构建网络结构,并设计了一种新的替代梯度反向传播方法直接训练网络参数。所提出的SCSNN分别在MNIST和Fashion-MNIST数据集进行验证,取得较好的识别结果,在MNIST数据集上准确率达到了99.62%,在Fashion-MNIST数据集上准确率达到了93.52%,验证了其有效性。

结合全局信息的局部图像灰度拟合模型

针对局部图像拟合(LIF)模型对初始轮廓大小、形状和位置敏感的问题,提出一个结合全局信息的局部图像灰度拟合模型。首先,构造了一个基于全局图像信息的全局项;其次,将该全局项与LIF模型中的局部项线性组合;最后,得到了一个以偏微分方程形式存在的图像分割模型。数值实现采用有限差分法,同时采用高斯滤波器正则化水平集函数以确保水平集函数的光滑作用。在分割实验中,当选取不同的初始轮廓时,该模型均能得到正确的分割结果,且分割时间仅为LIF模型的20%到50%。实验结果表明,所提模型既对演化曲线初始轮廓的大小、形状和位置都不敏感,又能够有效地分割灰度不均图像,且分割速度较快。此外,在无初始轮廓的情形下,该模型能快速分割一些真实图像和人造图像。

基于MOS技术的神经元电路研究进展

设计一种具有多种神经元响应模式、结构紧凑、低功耗的神经元电路,对大规模神经形态硬件的构建具有重要意义。分析了LIF、Izhikevich两种神经元模型的基本原理,重点介绍了数字和模拟两类神经元电路的设计方法、工作原理和优缺点。最后,讨论了神经元电路的设计趋势以及挑战。

基于STDP规则的脉冲神经网络研究

人类对于生物系统信息的处理主要依赖于构成复杂神经网络的数十亿个神经元,并且信息以脉冲的形式进行传输。利用STDP学习算法构建基于LIF模型的两层脉冲神经网络结构,并对分类层算法进行改进,提出一种投票竞争机制。通过多次训练后对神经元表现类别进行竞争投票,优化同等神经元数量的网络机构在图像分类问题中的性能。在MNIST数据集上进行实验验证,结果表明,该投票竞争机制准确率达到98.1%,与同等网络规模下未采用投票竞争机制的脉冲神经网络相比,准确率平均提高了约6%,而且当神经元数目较少时,在不增加训练时间情况下,可以取得与更加复杂网络结构相同的训练结果。