基于速度梯度和过的两个神经元的FitzHugh-Nagumo模型的识别
1Institute for Problems in Mechanical Engineering, RAS, Saint Petersburg 199178, Russia.
Chaos (Woodbury, N.Y.)
|August 7, 2023
概括
本研究涉及两个神经元的FitzHugh-Nagumo模型的参数识别,其中包括噪声膜电位测量和不可测量的衍生物. 使用速度梯度方法的新型自适应系统成功估计了参数,即使有系统的传感器错误.
科学领域:
- 计算神经科学是一种神经科学.
- 系统生物学 系统生物学
- 生物物理学的生物物理.
背景情况:
- 菲茨休-纳古莫模型是神经元动态的简化表示.
- 神经模型中的参数识别对于理解神经元行为和网络功能至关重要.
- 现有的方法通常假设理想的测量条件,但实际上没有达到这些条件.
研究的目的:
- 开发一种用于两个神经元的FitzHugh-Nagumo模型的参数识别方法.
- 为了应对单变量测量 (膜潜力),不可测量的衍生和传感器噪声 (缩放因子) 所带来的挑战.
- 为了考虑到参数估计中的系统测量错误.
主要方法:
- 模型的转换以消除无法测量的变量.
- 使用二次实数波器差分器来近似导数.
- 设计一个具有参数估计的自适应系统.
- 应用速度梯度方法进行参数估计.
- 理论证明和模拟 (Simulink) 用于验证.
主要成果:
- 在实际测量约束下,在两个神经元的FitzHugh-Nagumo模型中用于参数识别的新方法.
- 尽管不可测量的导数和系统的传感器错误,模型参数的成功估计.
- 制定和证明足够的条件,以使用速度梯度方法与整体客观函数进行异面正确的识别.
结论:
- 拟议的方法为复杂的神经模型中的参数识别提供了可靠的解决方案.
- 该方法考虑了现实的测量缺陷,提高了适用性.
- 这项工作为在较大的神经元群体中建模和参数估计铺平了道路.
