论文部分内容阅读
脑电信号(Electroencephalogram,EEG)包含很多生理和疾病信息,为某些脑疾病的诊断和治疗提供了依据。大脑是复杂的网络系统,由单个神经群为节点构成的脑网络模型可以模拟不同节律的脑电信号。对脑网络模型的动力学分析有助于挖掘脑节律产生的原因,更好的理解疾病的发病机制,对脑网络模型的反馈控制策略研究可以为脑节律的调制和脑疾病的治疗提供新的思路。 本文从复杂网络角度对经典的神经群模型进行拓展,把单个神经群模型视为网络中的节点,构造具有不同拓扑的脑网络模型,对模型的动力学特性进行统计分析,并根据不同的拓扑结构给出不同的牵制控制策略对动力学特性进行控制。 首先,构造具有规则、小世界、无标度和随机拓扑的脑网络模型,用改进的排序熵算法对脑电信号的复杂性进行统计分析,研究耦合强度、网络参量和拓扑结构对动力学特性的影响,进而利用可编程片上系统(System on Programmable Chip,SOPC)构建脑网络模型以模拟脑电信号。其次,将牵制控制和模糊Proportion Integration Differentiation(PID)控制相结合,应用于具有小世界拓扑的脑网络模型的动力学控制中,分析不同的控制策略对控制效果的影响,仿真验证特定的牵制控制在小世界拓扑的脑网络模型中的有效性,同时分析模型重要参数对控制能量的影响和最小驱动节点个数的影响。最后,将牵制控制和模糊PID控制相结合应用于规则、小世界、无标度和随机拓扑的脑网络模型的动力学控制中,研究在不同的拓扑下随机牵制控制策略和特定牵制控制策略对控制效果的影响,分析拓扑结构和耦合强度对驱动节点个数的影响。