【技術實現步驟摘要】
本專利技術涉及片上腦，具體而言，涉及一種片上腦神經元群體的分析方法、仿真平臺及相關裝置。
技術介紹
1、體外培養的片上腦是由人類胚胎干細胞或誘導多能干細胞發展而來的三維細胞聚集體。它們在體外具有一定的腦組織結構和功能特性，可以模擬人類大腦的某些方面。這些片上腦的發展為神經科學研究和疾病研究提供了新的工具。
2、目前對于體外培養的片上腦，雖然有些平臺可以基于微電極陣列、鈣離子成像等技術，來觀測神經元群體的狀態并進行記錄，但是不能對神經元群體的活動過程進行分析，而神經元群體的活動分析是十分必要的，其對于片上腦的藥物篩選、疾病建模、疾病探索學等研究方向具有重要意義。
技術實現思路
1、有鑒于此，本專利技術的目的在于提供一種片上腦神經元群體的分析方法、仿真平臺及相關裝置。
2、為了實現上述目的，本專利技術采用的技術方案如下：
3、第一方面，本專利技術提供一種片上腦神經元群體的分析方法，應用于仿真平臺，所述仿真平臺預存有用于模擬目標神經元群體的神經動力學模型，所述片上腦神經元群體的分析方法包括：
4、對所述神經動力學模型進行結構分析，得到潛在的神經結構關系；所述神經結構關系表示所述目標神經元群體中各神經元之間的連接關系；
5、根據預設的每個初始狀態，對所述神經動力學模型進行動態預測及分析，得到每個所述初始狀態對應的動態預測信息；所述動態預測信息表示所述目標神經元群體從所述初始狀態開始進行的放電活動隨時間變化的關系；
6、
7、將所述神經結構關系、全部動態預測信息以及所述可行域信息，作為所述目標神經元群體的分析結果。
8、在可選的實施方式中，所述目標神經元群體中的每個神經元均具有對應的編號；
9、所述對所述神經動力學模型進行結構分析，得到潛在的神經結構關系的步驟，包括：
10、從所述神經動力學模型的模型參數中獲取連接矩陣，所述連接矩陣表示如下：
11、
12、其中，wij表示所述目標神經元群體中第i個神經元與第j個神經元的連接強度；
13、計算所述連接矩陣的特征值，并對所述特征值的分布進行分析獲得譜分布圖，且將所述譜分布圖作為所述神經結構關系。
14、在可選的實施方式中，所述根據預設的每個初始狀態，對所述神經動力學模型進行動態預測及分析，得到每個所述初始狀態對應的動態預測信息的步驟，包括：
15、對于任意一個所述初始狀態，利用所述神經動力學模型基于所述初始狀態進行預測，得到多個神經狀態序列；
16、對所述多個神經狀態序列進行信號分析和降維操作獲得動態行為矩陣，并將所述動態行為矩陣作為所述初始狀態對應的動態預測信息；
17、遍歷每個所述初始狀態，得到每個所述初始狀態對應的動態預測信息。
18、在可選的實施方式中，所述利用所述神經動力學模型基于所述初始狀態進行預測，得到多個神經狀態序列的步驟，包括：
19、利用所述神經動力學模型基于所述初始狀態進行預測，得到第一個神經狀態序列，并將所述第一個神經狀態序列作為當前神經狀態序列；
20、利用所述神經動力學模型基于所述當前神經狀態序列進行預測，得到下一個神經狀態序列；
21、統計獲得的神經狀態序列的總數，并將所述總數與預設值進行比較；
22、若所述總數未達到所述預設值，則將所述下一個神經狀態序列作為新的當前神經狀態序列之后，重復執行利用所述神經動力學模型基于所述當前神經狀態序列進行預測，得到下一個神經狀態序列的步驟；
23、若所述總數達到所述預設值，則獲取全部的神經狀態序列，得到所述多個神經狀態序列。
24、在可選的實施方式中，所述根據預設的刺激參數范圍，對所述神經動力學模型進行可行域分析，得到對應的可行域信息的步驟，包括：
25、基于所述刺激參數范圍，生成包括多個刺激參數的刺激參數序列；
26、根據每個所述刺激參數，對所述神經動力學模型進行刺激操作，得到每個所述刺激參數對應的神經響應序列；
27、基于每個所述刺激參數對應的神經響應序列進行狀態分析，獲得每個所述刺激參數對應的神經狀態向量，并將包含全部神經狀態向量的集合作為所述可行域信息。
28、在可選的實施方式中，所述根據每個所述刺激參數，對所述神經動力學模型進行刺激操作，得到每個所述刺激參數對應的神經響應序列的步驟，包括：
29、將所述刺激參數序列中的第一個刺激參數作為目標刺激參數；
30、利用所述神經動力學模型基于預設的原始狀態進行預測，得到原始神經狀態序列，并將所述原始神經狀態序列作為當前神經響應序列；
31、基于所述目標刺激參數生成目標刺激序列，并利用所述神經動力學模型基于所述目標刺激序列和所述當前神經響應序列進行預測，得到下一個神經響應序列；
32、將該下一個神經響應序列作為所述目標刺激參數對應的神經響應序列；
33、若所述目標刺激參數非所述刺激參數序列的最后一個刺激參數，則將所述目標刺激參數的下一個刺激參數作為新的目標刺激參數，以及將所述下一個神經響應序列作為新的當前神經響應序列之后，重復執行基于所述目標刺激參數生成目標刺激序列，并利用所述神經動力學模型基于所述目標刺激序列和所述當前神經響應序列進行預測，得到下一個神經響應序列的步驟；
34、若所述目標刺激參數是所述刺激參數序列的最后一個刺激參數，則獲得每個所述刺激參數對應的神經響應序列。
35、在可選的實施方式中，所述神經動力學模型是按照以下方式得到的：
36、獲取多個神經狀態序列樣本，并將每個所述神經狀態序列樣本拆分為長度相等的第一神經狀態序列和第二神經狀態序列；
37、獲取多個神經響應樣本組；每個所述神經響應樣本組均包括刺激序列、原始神經狀態以及真實神經響應序列；
38、對于每個所述第一神經狀態序列，利用待訓練模型基于所述第一神經狀態序列進行預測獲得第三神經狀態序列，得到每個第三神經狀態序列；
39、對于每個所述神經響應樣本組，利用所述待訓練模型基于所述神經響應樣本組中的刺激序列和原始神經狀態進行預測，獲得估計神經響應序列，得到每個估計神經響應序列；
40、基于全部第二神經狀態序列、全部第三神經狀態序列、全部真實神經響應序列以及全部估計神經響應序列，對所述待訓練模型進行訓練，得到所述神經動力學模型。
41、第二方面，本專利技術提供一種片上腦神經元群體的分析裝置，應用于仿真平臺，所述仿真平臺預存有用于模擬目標神經元群體的神經動力學模型，所述片上腦神經元群體的分析裝置包括：
42、神經分析模塊，用于對所述神經動力學模型進行結構分析，得到潛在的本文檔來自技高網...
【技術保護點】
1.一種片上腦神經元群體的分析方法，其特征在于，應用于仿真平臺，所述仿真平臺預存有用于模擬目標神經元群體的神經動力學模型，所述片上腦神經元群體的分析方法包括：
2.根據權利要求1所述的片上腦神經元群體的分析方法，其特征在于，所述目標神經元群體中的每個神經元均具有對應的編號；
3.根據權利要求1所述的片上腦神經元群體的分析方法，其特征在于，所述根據預設的每個初始狀態，對所述神經動力學模型進行動態預測及分析，得到每個所述初始狀態對應的動態預測信息的步驟，包括：
4.根據權利要求3所述的片上腦神經元群體的分析方法，其特征在于，所述利用所述神經動力學模型基于所述初始狀態進行預測，得到多個神經狀態序列的步驟，包括：
5.根據權利要求1所述的片上腦神經元群體的分析方法，其特征在于，所述根據預設的刺激參數范圍，對所述神經動力學模型進行可行域分析，得到對應的可行域信息的步驟，包括：
6.根據權利要求5所述的片上腦神經元群體的分析方法，其特征在于，所述根據每個所述刺激參數，對所述神經動力學模型進行刺激操作，得到每個所述刺激參數對應的神經響
7.根據權利要求1所述的片上腦神經元群體的分析方法，其特征在于，所述神經動力學模型是按照以下方式得到的：
8.一種片上腦神經元群體的分析裝置，其特征在于，應用于仿真平臺，所述仿真平臺預存有用于模擬目標神經元群體的神經動力學模型，所述片上腦神經元群體的分析裝置包括：
9.一種仿真平臺，其特征在于，包括處理器和存儲器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序時，實現權利要求1至7中任一項所述的片上腦神經元群體的分析方法。
10.一種存儲介質，其特征在于，所述存儲介質上存儲有計算機程序，該計算機程序被處理器執行時，實現權利要求1至7中任一項所述的片上腦神經元群體的分析方法。
...【技術特征摘要】
1.一種片上腦神經元群體的分析方法，其特征在于，應用于仿真平臺，所述仿真平臺預存有用于模擬目標神經元群體的神經動力學模型，所述片上腦神經元群體的分析方法包括：
2.根據權利要求1所述的片上腦神經元群體的分析方法，其特征在于，所述目標神經元群體中的每個神經元均具有對應的編號；
3.根據權利要求1所述的片上腦神經元群體的分析方法，其特征在于，所述根據預設的每個初始狀態，對所述神經動力學模型進行動態預測及分析，得到每個所述初始狀態對應的動態預測信息的步驟，包括：
4.根據權利要求3所述的片上腦神經元群體的分析方法，其特征在于，所述利用所述神經動力學模型基于所述初始狀態進行預測，得到多個神經狀態序列的步驟，包括：
5.根據權利要求1所述的片上腦神經元群體的分析方法，其特征在于，所述根據預設的刺激參數范圍，對所述神經動力學模型進行可行域分析，得到對應的可行域信息的步驟，包括：
【專利技術屬性】
技術研發人員：劉泉影，李曉紅，張建國，邵文威，侯潤芃，趙貫一，曹桂平，馬志云，梁智超，
申請(專利權)人：南方科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。