【技术实现步骤摘要】
本专利技术涉及大脑神经科学，尤其涉及一种大脑有效连接信息的推导方法、数字孪生脑模型的训练方法、装置、设备。
技术介绍
1、有效连接(effective connectivity，ec)可以表征脑区之间的因果交互作用，是理解大脑信息处理的基础。其中，有效连接可以由实验的方法和数据驱动的方法获得。
2、然而，常见的实验方法并不适用于人类的全脑范围内的刺激和观测；常见的数据驱动的有效连接推断方法，基于模型的方法计算复杂性高，无模型的方法只能区分有向连接是否存在。
3、可见，常见的实验的方法和数据驱动的方法，均无法获得准确的大脑有效连接信息。
技术实现思路
1、本申请实施例提供了一种大脑有效连接信息的推导方法、数字孪生脑模型的训练方法、装置、设备，能够获得准确的大脑有效连接信息。
2、本申请实施例的技术方案是这样实现的：
3、第一方面，本申请实施例提供了一种大脑有效连接信息的推导方法，所述方法包括：
4、确定至少两个大脑节点中的第一大脑节点的扰动数据和所述至少两个大脑节点在时间序列内的大脑神经数据；
5、通过数字孪生脑模型，基于所述第一大脑节点的扰动数据和所述至少两个大脑节点在时间序列内的大脑神经数据，获得所述至少两个大脑节点在下一时刻的第一预测神经数据；其中，所述数字孪生脑模型是基于时间序列预测网络进行训练获得的；
6、基于所述至少两个大脑节点在下一个时刻的第一预测神经数据，和所述至少两个大脑节点在下一个
7、在本申请的实施例中，基于训练获得的数字孪生脑模型，通过对大脑节点增加扰动数据来预测扰动刺激下大脑的响应并推断大脑有效连接信息。其中，数字孪生脑模型是基于时间序列预测网络训练获得的，因此，数字孪生脑模型能够有效地对大脑神经数据的动态变化进行精准预测，从而能够获得更加准确的大脑有效连接信息。
8、第二方面，本申请实施例提供了一种数字孪生脑模型的训练方法，所述方法包括：
9、基于训练数据集对时间序列预测网络进行训练，获得数字孪生脑模型；其中，所述数字孪生脑模型用于基于大脑节点在时间序列内的大脑神经数据进行下一个时刻的神经数据的预测；
10、所述训练数据集包括至少两个大脑节点对应于预设时间长度p+1的神经训练数据；其中，所述对应于预设时间长度p+1的神经训练数据包括第m-p时刻至第m时刻的神经训练数据，所述训练数据集还包括所述至少两个大脑节点在第m+1时刻的神经训练数据；p为大于或者等于0的整数，m为大于p的整数；
11、所述基于训练数据集对时间序列预测网络进行训练，获得数字孪生脑模型，包括：
12、通过所述时间序列预测网络，基于所述至少两个大脑节点在所述第m-p时刻至所述第m时刻的神经训练数据，获得所述至少两个大脑节点在第m+1时刻的预测数据；
13、基于所述至少两个大脑节点在所述第m+1时刻的预测数据，和所述至少两个大脑节点在所述第m+1时刻的神经训练数据，修正所述时间序列预测网络，以获得所述数字孪生脑模型。
14、在本申请的实施例中，可以使用时间序列预测网络学习和预测大脑神经信号的动态变化，获得具有时序预测功能的数字孪生脑模型。其中，数字孪生脑模型能够有效地对大脑神经数据的动态变化进行精准预测。
15、第三方面，本申请实施例提供了一种大脑有效连接信息的推导装置，所述大脑有效连接信息的推导装置包括：
16、确定单元，用于确定至少两个大脑节点中的第一大脑节点的扰动数据和所述至少两个大脑节点在时间序列内的大脑神经数据；
17、获取单元，用于通过数字孪生脑模型，基于所述第一大脑节点的扰动数据和所述至少两个大脑节点在时间序列内的大脑神经数据，获得所述至少两个大脑节点在下一时刻的第一预测神经数据；其中，所述数字孪生脑模型是基于时间序列预测网络进行训练获得的；
18、所述确定单元，还用于基于所述至少两个大脑节点在下一个时刻的第一预测神经数据，和所述至少两个大脑节点在下一个时刻的第二预测神经数据，确定所述第一大脑节点与第二大脑节点之间的大脑有效连接信息；其中，所述第二大脑节点为所述至少两个大脑节点中除所述第一大脑节点以外的其他大脑节点；所述第二预测神经数据表征未增加所述扰动数据时所获得的预测数据。
19、第四方面，本申请实施例提供了一种数字孪生脑模型的训练装置，所述数字孪生脑模型的训练装置包括：
20、训练单元，用于基于训练数据集对时间序列预测网络进行训练，获得数字孪生脑模型；其中，所述数字孪生脑模型用于基于大脑节点在时间序列内的大脑神经数据进行下一个时刻的神经数据的预测；
21、所述训练数据集包括至少两个大脑节点对应于预设时间长度p+1的神经训练数据；其中，所述对应于预设时间长度p+1的神经训练数据包括第m-p时刻至第m时刻的神经训练数据，所述训练数据集还包括所述至少两个大脑节点在第m+1时刻的神经训练数据；p为大于或者等于0的整数，m为大于p的整数；
22、所述基于训练数据集对时间序列预测网络进行训练，获得数字孪生脑模型，包括：
23、通过所述时间序列预测网络，基于所述至少两个大脑节点在所述第m-p时刻至所述第m时刻的神经训练数据，获得所述至少两个大脑节点在第m+1时刻的预测数据；
24、基于所述至少两个大脑节点在所述第m+1时刻的预测数据，和所述至少两个大脑节点在所述第m+1时刻的神经训练数据，修正所述时间序列预测网络，以获得所述数字孪生脑模型。
25、第五方面，本申请实施例提供了一种计算机设备，所述计算机设备包括：处理器和存储器；其中，
26、所述存储器，用于存储能够在所述处理器上运行的计算机程序；
27、所述处理器，用于在运行所述计算机程序时，执行如第一方面或第二方面所述的方法。
28、第六方面，本申请实施例提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时，实现如上述第一方面或第二方面所述的方法。
29、第七方面，本申请实施例提供了一种计算机程序产品，包括计算机程序或指令，所述计算机程序或指令被处理器执行时，实现如上述第一方面或第二方面所述的方法。
30、由此可见，在本申请的实施例中，数字孪生脑模型是基于时间序列预测网络训练获得的，因此，数字孪生脑模型能够有效地对大脑神经数据的动态变化进行精准预测，从而能够获得更加准确的大脑有效连接信息。
本文档来自技高网...【技术保护点】
1.一种大脑有效连接信息的推导方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述大脑有效连接信息包括有效连接类型，所述基于所述至少两个大脑节点在下一个时刻的第一预测神经数据和所述至少两个大脑节点在下一个时刻的第二预测神经数据，确定所述第一大脑节点到所述第二大脑节点的大脑有效连接信息，包括：
4.根据权利要求2所述的方法，其特征在于，所述至少两个大脑节点在时间序列内的大脑神经数据包括所述至少两个大脑节点对应于预设时间长度p+1的大脑神经数据；其中，所述对应于预设时间长度p+1的大脑神经数据包括第t-p时刻至第t时刻的大脑神经数据，p为大于或者等于0的整数，t为大于p的整数；
5.根据权利要求4所述的方法，其特征在于，所述基于所述第一大脑节点的扰动数据和所述至少两个大脑节点在所述第t时刻的大脑神经数据，确定所述至少两个大脑节点在所述第t时刻的扰动后的大脑神经数据，包括：
6.根据权利要求4所述的方法，其特征在于，所述通过数字孪生脑模型，
7.根据权利要求6所述的方法，其特征在于，所述大脑有效连接信息包括有效连接方向，所述确定所述第一大脑节点到所述第二大脑节点的大脑有效连接信息，包括：
8.根据权利要求7所述的方法，其特征在于，所述大脑有效连接信息包括有效连接类型，所述基于所述至少两个大脑节点在下一个时刻的第一预测神经数据和所述至少两个大脑节点在下一个时刻的第二预测神经数据，确定所述第一大脑节点到所述第二大脑节点的大脑有效连接信息，包括：
9.根据权利要求7或8所述的方法，其特征在于，所述大脑有效连接信息包括有效连接强度，所述基于所述至少两个大脑节点在下一个时刻的第一预测神经数据和所述至少两个大脑节点在下一个时刻的第二预测神经数据，确定所述第一大脑节点到所述第二大脑节点的大脑有效连接信息，包括：
10.根据权利要求1-8中的任一项所述的方法，其特征在于，所述确定至少两个大脑节点中的第一大脑节点的扰动数据，包括：
11.根据权利要求1-8中的任一项所述的方法，其特征在于，所述方法还包括：
12.一种数字孪生脑模型的训练方法，其特征在于，所述方法包括：
13.根据权利要求12所述的方法，其特征在于，所述基于所述至少两个大脑节点在所述第m+1时刻的预测数据，和所述至少两个大脑节点在所述第m+1时刻的神经训练数据，修正所述时间序列预测网络，以获得所述数字孪生脑模型，包括：
14.根据权利要求12所述的方法，其特征在于，所述基于训练数据集对时间序列预测网络进行训练，获得数字孪生脑模型，包括：
15.根据权利要求13所述的方法，其特征在于，所述方法还包括：
16.根据权利要求15所述的方法，其特征在于，所述训练数据集包括至少两个大脑节点对应于T个时刻的神经训练数据，所述预测数据集包括所述至少两个大脑节点对应于T个时刻的预测数据，T为大于0的整数，所述基于所述训练数据集和所述训练数据集对应的预测数据集，确定所述数字孪生脑模型对应的决定系数，包括：
17.一种大脑有效连接信息的推导装置，其特征在于，所述大脑有效连接信息的推导装置包括：
18.一种计算机设备，其特征在于，所述计算机设备包括：处理器和存储器；其中，
...【技术特征摘要】
1.一种大脑有效连接信息的推导方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述大脑有效连接信息包括有效连接类型，所述基于所述至少两个大脑节点在下一个时刻的第一预测神经数据和所述至少两个大脑节点在下一个时刻的第二预测神经数据，确定所述第一大脑节点到所述第二大脑节点的大脑有效连接信息，包括：
4.根据权利要求2所述的方法，其特征在于，所述至少两个大脑节点在时间序列内的大脑神经数据包括所述至少两个大脑节点对应于预设时间长度p+1的大脑神经数据；其中，所述对应于预设时间长度p+1的大脑神经数据包括第t-p时刻至第t时刻的大脑神经数据，p为大于或者等于0的整数，t为大于p的整数；
5.根据权利要求4所述的方法，其特征在于，所述基于所述第一大脑节点的扰动数据和所述至少两个大脑节点在所述第t时刻的大脑神经数据，确定所述至少两个大脑节点在所述第t时刻的扰动后的大脑神经数据，包括：
6.根据权利要求4所述的方法，其特征在于，所述通过数字孪生脑模型，基于所述至少两个大脑节点在时间序列内的大脑神经数据，获得所述至少两个大脑节点在下一个时刻的第二预测神经数据，包括：
7.根据权利要求6所述的方法，其特征在于，所述大脑有效连接信息包括有效连接方向，所述确定所述第一大脑节点到所述第二大脑节点的大脑有效连接信息，包括：
8.根据权利要求7所述的方法，其特征在于，所述大脑有效连接信息包括有效连接类型，所述基于所述至少两个大脑节点在下一个时刻的第一预测神经数据和所述至少两个大脑节点在下一个时刻的第二预测神经数据，确定所述第一大脑节点到所述第二大脑节点的大脑有...
【专利技术属性】
技术研发人员：刘泉影，彭恺宁，罗子翔，梁智超，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。