基于fpga的癲癇狀態(tài)閉環(huán)控制實驗平臺的制作方法
【專利摘要】本發(fā)明提供一種基于FPGA的癲癇狀態(tài)閉環(huán)控制實驗平臺，該實驗平臺以FPGA為下位機，輔以VB編寫的上位機界面進行放電波形觀測與參數(shù)整定。其中FPGA實現(xiàn)癲癇神經(jīng)集群數(shù)學模型，利用閉環(huán)反饋控制實現(xiàn)癲癇神經(jīng)集群網(wǎng)絡的放電模式控制，上位機用來進行參數(shù)的調整與放電波形的觀測。本發(fā)明的效果是作為生物神經(jīng)網(wǎng)絡的無動物實驗、基于高速運算的FPGA神經(jīng)元網(wǎng)絡實驗平臺，實現(xiàn)了對復雜的癲癇神經(jīng)元網(wǎng)絡的建模，并且能夠達到在時間尺度上與真實生物神經(jīng)元的一致。該平臺為研究癲癇疾病的神經(jīng)元集群的放電機制、電場作用下的癲癇神經(jīng)集群網(wǎng)絡閉環(huán)控制等提供了更加接近真實神經(jīng)網(wǎng)絡的可視化研究平臺，對癲癇疾病治療的研究有重要的實用價值。
【專利說明】基于FPGA的癲癇狀態(tài)閉環(huán)控制實驗平臺

【技術領域】
[0001] 本發(fā)明涉及生物醫(yī)學工程技術，特別是一種基于神經(jīng)集群模型的癲癇閉環(huán)控制 FPGA實驗平臺。

【背景技術】
[0002] 癲癇是由于大腦細胞異常同步過度放電引發(fā)暫時性中樞神經(jīng)功能失常的一種神 經(jīng)系統(tǒng)疾病，到目前為止還沒有徹底有效的治療方法。這促使我們?nèi)ヌ剿餍碌闹委煱d癇的 方法。大量的研究表明，癲癇發(fā)作的傳播源于或經(jīng)過海馬組織，海馬是神經(jīng)疾病癲癇產(chǎn)生和 發(fā)作的重要區(qū)域。由于電刺激相對于臨床手術治療癲癇具有靈活性，可逆性及較少的侵入 等特性，已經(jīng)成為消除癲癇發(fā)作的一種重要方法。研究者通過不同的電場刺激實驗來減弱 或者消除癲癇的發(fā)作，如直流電場、低頻及高頻超閾值脈沖等。上述這些研究中刺激是開環(huán) 的其參數(shù)和協(xié)議仍然嚴重依賴于經(jīng)驗調整。由于癲癇發(fā)作的高度不規(guī)則性和間歇性，依靠 經(jīng)驗調整的參數(shù)和協(xié)議效果可能不理想。通過對海馬切片及臨床的閉環(huán)反饋實驗證實，與 開環(huán)控制相比較，閉環(huán)控制可以時刻跟蹤系統(tǒng)的狀態(tài)，優(yōu)化整個發(fā)作控制過程，包括治療效 果、副作用最小化、能量損耗最小化等。在閉環(huán)控制方案中刺激的效果依賴于系統(tǒng)狀態(tài)的精 確測量。
[0003] 腦電波（electroencephalogram, EEG)在癲癇病癥發(fā)作時通常會記錄包含異常高 振幅且有節(jié)奏的癲癇狀棘波。神經(jīng)集群模型不需要對單個的神經(jīng)元進行建模，其建模過程 針對特定細胞組成的神經(jīng)集群整體特性，只需一個或兩個狀態(tài)變量即可描述整個神經(jīng)群 的平均活動。在癲癇發(fā)作間歇期到快速發(fā)作的轉移過程中，海馬區(qū)神經(jīng)集群模型可以模擬 實驗測得的實際腦電波信號的動力學特性，為研究治療癲癇疾病提供了新的思路。耦合后 的神經(jīng)集群模型組成神經(jīng)集群網(wǎng)絡模型，調節(jié)網(wǎng)絡連接參數(shù)可以產(chǎn)生不同的放電波形，如 在一定的參數(shù)下產(chǎn)生癲癇發(fā)作時的棘波，進而可以研究局部功能異向對癲癇發(fā)作的影響。
[0004] 迭代學習控制的核心思想是"熟能生巧"，任何具有重復特性的任務，根據(jù)對前一 次運行的觀察，在下一次運行中都存在著改善任務執(zhí)行性能的機會。目前迭代學習方法分 為開環(huán)與閉環(huán)迭代學習兩種算法，其中開環(huán)迭代學習算法只利用了系統(tǒng)前次運行的信息， 而閉環(huán)迭代學習則在利用系統(tǒng)當前運行信息的條件下改善了控制性能，同時舍棄了系統(tǒng)前 次運行的信息數(shù)據(jù)，故總體上看，閉環(huán)迭代學習控制的性能要優(yōu)于開環(huán)迭代學習控制。本專 利使用PI類型迭代學習控制算法，閉環(huán)PI類型的迭代學習控制律是基本的迭代學習算法 形式，其第k+Ι次的控制輸入是第k次的控制輸入與第k+Ι次輸出誤差的PI校正項之和， 實驗結果表明，該方法可以用于癲癇疾病的控制中。
[0005] 同時，在PI類型迭代學習控制思路下，比較將控制作用施加于不同神經(jīng)集群上的 控制效果與控制信號，綜合考慮控制癲癇狀棘波的有效性與控制所需的控制能量大小等因 素，提出最佳控制方案，進一步為電刺激治療癲癇時刺激位置和刺激量的確定提供理論依 據(jù)。
[0006] 近些年來，現(xiàn)場可編程門陣列（Field Programmable Gate Array，F(xiàn)PGA)技術逐漸 在以生物神經(jīng)系統(tǒng)為對象的計算神經(jīng)科學領域得到重要的應用。在硬件的實現(xiàn)方法中，相 比于大規(guī)模模擬集成電路靈活性差，開發(fā)周期長等缺點，F(xiàn)PGA有著并行運算的特點，同時兼 具計算速度快、密度高、體積小、編程靈活、可重復配置、修改參數(shù)簡便、低成本、低功耗、高 可靠性等優(yōu)勢?；贔PGA的神經(jīng)元及神經(jīng)元網(wǎng)絡的計算和特性分析，可實現(xiàn)在真實時間尺 度下運行，速度快，運算效率高，集成度高，因此便于應用在仿生學、智能系統(tǒng)、神經(jīng)元及其 網(wǎng)絡的特性研究及神經(jīng)疾病治療等方面，因而對于基于神經(jīng)集群模型的癲癇閉環(huán)控制的硬 件實現(xiàn)具有重要意義。
[0007] 現(xiàn)有的技術還處于基礎階段，因此仍存在以下缺點：尚無基于FPGA的功能完善 的專用癲癇控制實驗平臺；運用FPGA實現(xiàn)的硬件仿真神經(jīng)元網(wǎng)絡模型結構比較簡單，精度 不高；人機界面尚未完善，無法進行實時的控制操作與數(shù)據(jù)分析，因此對FPGA硬件神經(jīng)元 網(wǎng)絡的操作分析比較困難。


【發(fā)明內(nèi)容】

[0008] 針對上述技術中存在的不足，本發(fā)明的目的是提供一種基于神經(jīng)集群模型的癲癇 狀態(tài)閉環(huán)控制FPGA實驗平臺，利用比例積分控制和迭代學習算法的思想構造控制信號，并 用其構造控制信號實現(xiàn)類癲癇棘波的控制，將輸出波形中的棘波消除。
[0009] 為實現(xiàn)上述目的，本發(fā)明采用的技術方案是提供一種基于神經(jīng)集群模型的癲癇狀 態(tài)閉環(huán)控制FPGA實驗平臺，其中：該實驗平臺包括有相互連接的FPGA芯片和上位機，癲癇 狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型和PI類型迭代學習控制器采用VHDL語言編程，并集成到 FPGA芯片中，上位機負責圖形化編程的上位機軟件界面并與FPGA芯片進行通訊；
[0010] 所述癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型采用歐拉法離散化，通過VHDL語言編 程并編譯下載到FPGA芯片中，上位機軟件界面輸入的信號通過癲癇狀態(tài)閉環(huán)控制神經(jīng)集 群網(wǎng)絡模型與PI類型迭代學習控制器的計算產(chǎn)生神經(jīng)集群膜電位輸出到上位機中進行處 理；癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型中的相互耦合的癲癇神經(jīng)集群模型包含相互耦合 連接的興奮性椎體細胞神經(jīng)元、興奮性星形細胞神經(jīng)元、抑制性中間神經(jīng)元三種神經(jīng)元模 型，所述興奮性椎體細胞神經(jīng)元與抑制性中間神經(jīng)元神經(jīng)元之間通過相互作用常量C1、常 量C2進行耦合連接；所述癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型還包括有相互連接的正常 神經(jīng)集群網(wǎng)絡流水線數(shù)據(jù)模型模塊、癲癇神經(jīng)集群流水線數(shù)據(jù)模型模塊，接受存儲在初值 模塊中的初值信號、通過PI類型迭代學習控制器產(chǎn)生的PI類型迭代學習控制信號、由上 位機軟件界面輸入的耦合強度信號、興奮性突觸增益信號與噪聲產(chǎn)生模塊產(chǎn)生的噪聲信 號；
[0011] 所述PI類型迭代學習控制器由VHDL語言編程實現(xiàn)，編譯下載到FPGA芯片中，上 位機軟件界面實現(xiàn)控制器參數(shù)的修改，經(jīng)由數(shù)據(jù)輸入總線將比例參數(shù)信號、積分參數(shù)信號 傳輸?shù)酱鎯ζ髂K中進行數(shù)據(jù)存儲，再輸入到PI類型迭代學習控制器中，來配置PI類型迭 代學習控制器運行產(chǎn)生波形、幅值、脈寬與頻率特性的PI類型迭代學習控制信號；PI類型 迭代學習控制信號作為外部信號傳輸?shù)桨d癇神經(jīng)集群網(wǎng)絡流水線數(shù)據(jù)模型中，并通過數(shù)據(jù) 選擇器使PI類型迭代學習控制信號在不同神經(jīng)集群之間實現(xiàn)切換；
[0012] 所述上位機軟件界面通過USB接口與FPGA芯片相連實現(xiàn)數(shù)據(jù)通信，上位機軟件界 面接收從FPGA芯片中USB接口經(jīng)由數(shù)據(jù)輸出總線傳輸?shù)挠砂d癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng) 絡模型產(chǎn)生的數(shù)據(jù)，上位機軟件界面所設置的參數(shù)通過USB接口經(jīng)由數(shù)據(jù)輸入總線輸入數(shù) 據(jù)到FPGA芯片中，對癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型和PI類型迭代學習控制器進行 參數(shù)配置。
[0013] 本發(fā)明的有益效果是該仿真實驗平臺實現(xiàn)了復雜的癲癇病癲癇神經(jīng)集群網(wǎng)絡的 建模，設計了兼具可視化與可操作性的人機界面，提高了系統(tǒng)的靈活性和可操作性，能夠在 時間尺度內(nèi)對與生物神經(jīng)元數(shù)學模型進行仿真；同時，該實驗平臺為研究癲癇狀態(tài)疾病的 放電機制，以及PI類型迭代學習控制癲癇狀態(tài)神經(jīng)集群提供了真實時間尺度內(nèi)的可視化 實驗平臺，對癲癇疾病治療的研究有重要的實用價值。基于高速并行計算的FPGA神經(jīng)元網(wǎng) 絡仿真是一種無動物實驗的方法，其實驗平臺的應用研究在世界范圍內(nèi)屬于一項前沿的科 技領域。本研究創(chuàng)新的提出了癲癇狀態(tài)神經(jīng)集群網(wǎng)絡的閉環(huán)控制實驗平臺，其具有以下幾 點優(yōu)勢：1、所設計的硬件仿真模型能夠在時間尺度上保持與真實生物神經(jīng)元的一致性，其 中芯片最大工作頻率為200MHz，并行運算保證膜電位輸出頻率在1毫秒之內(nèi)，滿足真實神 經(jīng)元時間尺度要求，為癲癇疾病的研究提供了更加快速、便攜的硬件實驗平臺；2、本平臺中 神經(jīng)集群網(wǎng)絡模型的關鍵參數(shù)、突觸增益、控制器參數(shù)都可以通過上位機軟件界面配置， 完成了利用計算機用戶操作界面配置實驗設備的各種特性；3、本平臺中包含PI類型迭代 學習控制器，可以實現(xiàn)對于病態(tài)癲癇神經(jīng)元網(wǎng)絡的控制，通過調節(jié)PI類型迭代學習控制器 參數(shù)可以對最優(yōu)控制參數(shù)實現(xiàn)調制；4、上位機軟件界面可以實時觀測癲癇網(wǎng)絡放點狀態(tài)與 控制信號的波形，并可以定量測得信號的幅值與能量，便于后續(xù)數(shù)據(jù)的分析工作，為治療癲 癇疾病的研究提供了更好的可視化實驗研究平臺。

【專利附圖】

【附圖說明】
[0014] 圖1為本發(fā)明的FPGA硬件實驗平臺結構示意圖；
[0015] 圖2為癲癇神經(jīng)集群流水線數(shù)據(jù)模型；
[0016] 圖3為癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型；
[0017] 圖4為PI類型迭代學習控制器模塊；
[0018] 圖5為本發(fā)明的上位機軟件操作界面示意圖。
[0019] 圖中：
[0020] 1. FPGA芯片2.上位機3.癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型4. PI類型迭代學 習控制器5.上位機軟件界面6. USB接口 7.數(shù)據(jù)輸入總線8.數(shù)據(jù)輸出總線9.正常神經(jīng)集 群網(wǎng)絡流水線數(shù)據(jù)模型10.癲癇神經(jīng)集群網(wǎng)絡流水線數(shù)據(jù)模型11.數(shù)字PI控制器I 12. 數(shù)字PI控制器II 13.數(shù)字PI控制器III 14.迭代學習模塊I 15.迭代學習模塊II 16.迭代 學習模塊III 17.神經(jīng)集群膜電位信號18.噪聲產(chǎn)生模塊19.初值模塊20.耦合強度矩陣 21.興奮性突觸增益矩陣22.比例參數(shù)矩陣23.積分參數(shù)矩陣24.初值信號25. PI類型迭 代學習控制信號26.耦合強度信號27.興奮性突觸增益信號28.比例參數(shù)信號29.積分參 數(shù)信號30.存儲器模塊31.上位機軟件操作界面按鈕部分32.上位機軟件操作界面控制器 配置部分33.上位機軟件操作界面神經(jīng)集群參數(shù)配置部分34.上位機軟件操作界面波形 顯示部分35.上位機軟件操作界面信號特性量化顯示部分36.數(shù)據(jù)選擇器37.癲癇神經(jīng) 集群模型38.突觸電流信號39.噪聲信號40.正常神經(jīng)集群膜電位數(shù)據(jù)41.癲癇神經(jīng)集 群膜電位數(shù)據(jù)42.興奮性椎體細胞神經(jīng)元流水線數(shù)據(jù)通路43.興奮性星形細胞神經(jīng)元流水 線通路44.抑制性中間神經(jīng)元I流水線數(shù)據(jù)通路45.抑制性中間神經(jīng)元II流水線數(shù)據(jù)通路 46.隨機高斯分布發(fā)生器47.椎體細胞與中間神經(jīng)群的相互作用常量C148.椎體細胞與中 間神經(jīng)群的相互作用常量C2

【具體實施方式】
[0021] 下面結合附圖對本發(fā)明的癲癇神經(jīng)集群網(wǎng)絡的閉環(huán)控制FPGA實驗平臺結構加以 說明。
[0022] 本發(fā)明的癲癇神經(jīng)集群網(wǎng)絡的閉環(huán)控制FPGA實驗平臺的設計思想是首先在FPGA 上建立具有多神經(jīng)集群、復雜耦合的癲癇神經(jīng)集群網(wǎng)絡模型；然后在FPGA上獨立于神經(jīng)集 群網(wǎng)絡模型設計PI類型迭代學習控制器，PI類型迭代學習控制信號作為外部電流刺激施 加給模型，通過刺激更改癲癇神經(jīng)集群網(wǎng)絡的病態(tài)放電模式，使其產(chǎn)生正常放電；最后設 計上位機軟件界面，上位機軟件界面通過設置參數(shù)并傳輸?shù)紽PGA芯片，實現(xiàn)對網(wǎng)絡耦合結 構、興奮性突觸增益、控制器參數(shù)和初始狀態(tài)的配置，不同的網(wǎng)絡耦合結構參數(shù)和興奮性突 觸增益可以模擬正常狀態(tài)和癲癇狀態(tài)的放電特性，同時也可以把FPGA芯片中神經(jīng)集群網(wǎng) 絡放電動態(tài)數(shù)據(jù)上傳到上位機，在上位機軟件界面進行放電動態(tài)波形的顯示。該實驗平臺 由相互連接的FPGA芯片和上位機組成。其中FPGA芯片用來實現(xiàn)癲癇神經(jīng)集群網(wǎng)絡模型和 PI類型迭代學習控制器，上位機用來設計上位機軟件界面并與FPGA進行通訊。
[0023] 所述癲癇神經(jīng)集群網(wǎng)絡模型由相互耦合的神經(jīng)集群模型組成。癲癇神經(jīng)集群模 型的基本思想是使興奮性和抑制性細胞群相互作用以產(chǎn)生神經(jīng)震蕩，對于單個癲癇神經(jīng)集 群模型，在FPGA中采用歐拉法離散化，并采用流水線技術搭建，使復雜的常微分方程并行 計算。流水線思想實際上就是利用延時寄存器使數(shù)學模型分為幾個子運算過程，在每個時 鐘周期內(nèi)，每個子運算過程可以同時進行不同神經(jīng)集群、不同時刻的運算，模型數(shù)據(jù)交叉在 SRAM寄存器中保存，并隨時鐘而傳遞。在癲癇神經(jīng)集群模型中，興奮性和抑制性細胞群相 互作用，產(chǎn)生神經(jīng)震蕩。一個大腦皮層區(qū)域可以看作由興奮性星形細胞、興奮性椎體細胞與 抑制性中間神經(jīng)元三種不同神經(jīng)群組成。網(wǎng)絡耦合結構可以由耦合強度矩陣來表示，網(wǎng)絡 的耦合強度矩陣和神經(jīng)群的興奮性突觸增益矩陣由上位機操作界面輸入，存儲在外設寄存 器SRAM中，計算時同步調用，這樣便可實現(xiàn)獨立神經(jīng)集群的參數(shù)調整與神經(jīng)集群網(wǎng)絡的網(wǎng) 絡結構改變，最終實現(xiàn)網(wǎng)絡模型。不同的模型參數(shù)會產(chǎn)生不同的放電模式，因此從操作界面 中可以設置不同的參數(shù)使模型分別產(chǎn)生正常和癲癇的放電模式。
[0024] 基于神經(jīng)集群模型的癲癇狀態(tài)閉環(huán)控制FPGA實驗平臺，將神經(jīng)集群設定為異常 興奮的，除興奮性突觸增益以外其所有的參數(shù)取為標準值，運行癲癇操作平臺，逐步增加每 個神經(jīng)集群上的控制能量，由于作用于異常興奮的神經(jīng)集群上的控制能量要比作用于其它 兩個原本呈現(xiàn)正?；顒拥纳窠?jīng)集群上的控制能量要大，因而來確定網(wǎng)絡中異常興奮的神經(jīng) 集群。因為此時的直接比例積分控制的目的只是確定異常興奮的神經(jīng)集群，并非控制癲癇 狀棘波，故其值很小且運行時間很短，作用于每個神經(jīng)集群的能量很小以便保證對人體無 害，在確定出異常興奮的神經(jīng)集群之后，利用控制策略將控制作用于此神經(jīng)集群，以控制癲 癇狀棘波，即可完成完整的診斷與控制實驗流程。
[0025] 所述PI類型迭代學習控制器：迭代學習控制不同于大多數(shù)現(xiàn)有的控制方法，它最 大可能的利用過去的控制信息來構建現(xiàn)在的控制作用，過去的控制信息包括過去的跟蹤誤 差信號和控制輸入信號。迭代學習控制通過基于學習的存儲器實現(xiàn)，首先利用存儲器存儲 過去的控制信息，然后存儲的控制信息以某種方式相結合，形成當前控制動作的前饋部分， 同時可以結合當前控制信息的反饋部分，共同形成當前的控制作用。PI類型迭代學習控制 信號連接到被控神經(jīng)集群模型的輸入端作為刺激輸入，在不同的神經(jīng)集群中施加控制信號 會改善癲癇癥狀，因此需要設計一個數(shù)據(jù)選擇器，來實現(xiàn)控制信號在不同神經(jīng)集群之間的 切換，以實現(xiàn)對不同癥狀的控制。不同的控制信號控制效果不同，因此可以通過在上位機軟 件界面調節(jié)控制信號的比例參數(shù)、積分參數(shù)，通過USB傳輸?shù)紽PGA對PI類型迭代學習控制 器進行配置，對控制參數(shù)進行快速定量的優(yōu)化，在控制疾病的同時使功耗最低，實現(xiàn)最優(yōu)控 制的目標。
[0026] 所述上位機軟件界面：上位機軟件界面的編寫采用VB(Visual Basic)軟件開發(fā) 實現(xiàn)，開發(fā)過程便捷直觀，是可視化、面向對象、由事件驅動的高級程序設計語言，最終呈現(xiàn) 在用戶面前的是與真實的實驗儀器類似的操作界面，能實現(xiàn)實時的數(shù)據(jù)采集、波形顯示與 數(shù)據(jù)分析處理。
[0027] 本發(fā)明的癲癇疾病神經(jīng)集群網(wǎng)絡的PI類型迭代學習控制FPGA實驗平臺由相互連 接的FPGA芯片1和上位機2組成。其中FPGA芯片1用來實現(xiàn)癲癇狀態(tài)閉環(huán)控制神經(jīng)集群 網(wǎng)絡模型3和PI類型迭代學習控制器4,上位機2用來設計上位機軟件界面5并通過USB 接口 6實現(xiàn)與FPGA芯片1的通訊。以下加以說明：
[0028] 癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型3
[0029] 如圖1所示，對硬件實驗平臺進行設計，采用Altera低功耗 Cyclone IV EP4CE115F29C7N型號FPGA芯片1，利用Altera推出的一個數(shù)字信號處理開發(fā)工 具DSP Builder進行圖形化編程進而轉化成VHDL語言，根據(jù)神經(jīng)集群的數(shù)學模型，采用歐 拉法離散化并搭建正常神經(jīng)集群網(wǎng)絡的流水線數(shù)據(jù)模型9、癲癇神經(jīng)集群網(wǎng)絡流水線數(shù)據(jù) 通路模型10,每個神經(jīng)集群網(wǎng)絡流水線數(shù)據(jù)通路模型由相互耦合的癲癇神經(jīng)集群模型37 組成。數(shù)據(jù)輸入總線7接收由上位機軟件界面5設置的數(shù)據(jù)到FPGA癲癇狀態(tài)閉環(huán)控制系 統(tǒng)中，神經(jīng)集群膜電位信號17以及PI類型迭代學習控制信號25等關鍵數(shù)據(jù)通過數(shù)據(jù)輸 出總線8上傳到上位機中進行癲癇狀態(tài)神經(jīng)集群網(wǎng)絡動態(tài)特性的實時顯示與分析。如圖2 所示，癲癇神經(jīng)集群模型37主要由加法、乘法、查找表、移位寄存器運算模塊組成相互耦合 的興奮性椎體細胞神經(jīng)元流水線數(shù)據(jù)通路42、興奮性星形細胞神經(jīng)元流水線數(shù)據(jù)通路43、 抑制性中間神經(jīng)元I流水線數(shù)據(jù)通路44、抑制性中間神經(jīng)元II流水線數(shù)據(jù)通路45,接收由 隨機高斯分布發(fā)生器46產(chǎn)生的噪聲信號39,通過椎體細胞與中間神經(jīng)集群的相互作用C1 常量47、C2常量48配置神經(jīng)集群特性，并根據(jù)神經(jīng)集群網(wǎng)絡規(guī)模設計流水線深度。所有數(shù) 據(jù)通路在統(tǒng)一時鐘下同步運行，并且根據(jù)FPGA的結構，通過QUARTUS II軟件實現(xiàn)硬件描述 語言的轉換。其中S(y)為非線性Sigmoid函數(shù)，多個神經(jīng)集群耦合的模型中單個神經(jīng)群可 由八個常微分方程表示，每兩路為一個模塊，其輸出模擬腦電信號，最終得到神經(jīng)集群膜電 位信號17。
[0030] 在神經(jīng)集群模型搭建好以后建立它們之間的耦合關系構建神經(jīng)集群網(wǎng)絡模型。如 圖3所示，通過上位機軟件界面5改變耦合強度信號26、興奮性突觸增益信號27,可以改變 網(wǎng)絡的結構，從而得到正常神經(jīng)集群和病態(tài)神經(jīng)集群兩種網(wǎng)絡。正常神經(jīng)集群流水線數(shù)據(jù) 模型9、癲癇神經(jīng)集群流水線數(shù)據(jù)模型10接收初值模塊19存儲的初值信號24、PI類型迭 代學習控制器4產(chǎn)生的PI類型迭代學習控制信號25、興奮性突觸增益矩陣21存儲的興奮 性突觸增益信號27進行運算處理，模型9、10同時接受由查找表技術實現(xiàn)的噪聲產(chǎn)生模塊 18產(chǎn)生的噪聲信號39,經(jīng)過正常神經(jīng)集群網(wǎng)絡流水線數(shù)據(jù)模型9、癲癇神經(jīng)集群網(wǎng)絡流水 線數(shù)據(jù)模型10的運算產(chǎn)生的神經(jīng)集群膜電位信號17,輸入到PI類型迭代學習算法控制器 4中，以便完成基于迭代學習算法的控制。耦合強度矩陣20與興奮性突觸增益矩陣21保 存在存儲器模塊中，癲癇神經(jīng)集群網(wǎng)絡流水線數(shù)據(jù)模型10在計算時除調用以上兩者外，還 需調用由PI類型迭代學習控制器4輸出的PI類型迭代學習控制信號25。在計算網(wǎng)絡間耦 合時，方法是用癲癇神經(jīng)集群模型37中產(chǎn)生的突觸電流信號38乘以耦合強度矩陣20作為 網(wǎng)絡耦合的輸入值，這樣便可以實現(xiàn)神經(jīng)集群網(wǎng)絡的耦合關系，最終實現(xiàn)癲癇神經(jīng)集群網(wǎng) 絡模型2。
[0031] 存儲器模塊30接受由上位機軟件界面5輸入的相應參數(shù)進行存儲，在流水線的計 算過程中實現(xiàn)同步調用，其包含比例參數(shù)矩陣22,積分參數(shù)矩陣23,耦合強度矩陣20與興 奮性突觸增益矩陣21，由基于FPGA的片外存儲技術存儲器SRAM完成。
[0032] PI類型迭代學習控制器4
[0033] PI類型迭代學習控制器4是運用流水線模型在FPGA芯片1中設計信號發(fā)生器進 行模擬，其包含三個相同的控制器，分別由數(shù)字PI控制器I 11和迭代學習模塊I 14、數(shù)字 PI控制器II 12和迭代學習模塊II 15、數(shù)字PI控制器III 13和迭代學習模塊III 16組成，如 圖4所示。以其中一組為例，其接收正常神經(jīng)集群膜電位數(shù)據(jù)40和癲癇神經(jīng)集群膜電位數(shù) 據(jù)41進行流水線計算，產(chǎn)生PI類型迭代學習控制信號25,作為外部電流施加到癲癇神經(jīng)集 群流水線數(shù)據(jù)模型10,然后設計一個數(shù)據(jù)選擇器36在不同的神經(jīng)集群之間進行切換，觀察 控制信號的大小以及其作用于不同位置時候的不同效果，以實現(xiàn)對于癲癇癥狀的控制；同 時PI類型迭代學習控制器4能接收到上位機軟件界面5傳遞的比例參數(shù)信號28、積分參數(shù) 信號29,來優(yōu)化PI類型迭代學習控制器4,使其在達到控制效果的同時使得控制信號能耗 最低。
[0034] 上位機軟件界面5
[0035] 如圖5所不，在上位機2中運用VB語g編程方式來設計上位機軟件界面5. FPGA 芯片1通過USB設備與上位機軟件界面5實現(xiàn)數(shù)據(jù)通信，上位機軟件界面5通過USB設備 接收從FPGA芯片1、USB接口 6傳輸?shù)挠砂d癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型3運算和PI 類型迭代學習控制器4得到的數(shù)據(jù)；上位機軟件界面5設置參數(shù)通過USB設備輸入數(shù)據(jù) 到FPGA芯片1中，對癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型3和PI類型迭代學習控制器4 進行參數(shù)配置。VB是可視化、由事件驅動的、面向對象的高級程序設計語言，其采用了可以 簡單建立應用程序的⑶I系統(tǒng)，同時又可以開發(fā)復雜的程序，可以兼顧數(shù)據(jù)處理和存儲，并 且保證了數(shù)據(jù)實施連續(xù)的采集功能。上位機軟件界面5設計分為五個部分：上位機軟件操 作界面按鈕部分31實現(xiàn)了對于上位機基本操作的控制，包括控制施加、開始/停止狀態(tài)切 換、刷新數(shù)據(jù)、分析數(shù)據(jù)、幫助菜單和顯示波形；上位機軟件操作界面控制器配置部分32可 以修改控制器的關鍵參數(shù)；上位機軟件操作界面神經(jīng)群參數(shù)配置部分33可以實現(xiàn)神經(jīng)集 群初值參數(shù)、網(wǎng)絡結構、突觸增益參數(shù)的配置；上位機軟件操作界面波形顯示部分34可以 實現(xiàn)神經(jīng)群網(wǎng)絡中不同神經(jīng)群的放點波形以及對應的控制信號波形；上位機軟件操作界面 信號特性顯示部分35可以實現(xiàn)對應的控制信號的能量與幅值，便于定量判斷控制的優(yōu)劣。
[0036] FPGA實驗平臺
[0037] 由DSP Builder編寫基于模塊的離散的、固定步長的、定點數(shù)運算的癲癇狀態(tài)閉環(huán) 控制神經(jīng)集群網(wǎng)絡模型，再轉成硬件描述語言。經(jīng)QUARTUS II軟件編寫完整的運算邏輯和 程序結構；編譯、分析綜合、布局布線，下載到FPGA芯片1中運行。經(jīng)USB上傳 FPGA芯片1 運算產(chǎn)生的正常神經(jīng)集群膜電位數(shù)據(jù)40、癲癇神經(jīng)集群膜電位數(shù)據(jù)41以及PI類型迭代學 習控制信號25,在VB語言編寫的上位機軟件界面5對癲癇神經(jīng)集群網(wǎng)絡模型特性進行分析 研究。
【權利要求】
1. 一種基于神經(jīng)集群模型的癲癇狀態(tài)閉環(huán)控制FPGA實驗平臺，其特征是：該實驗平臺 包括有相互連接的FPGA芯片（1)和上位機（2)，癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型（3) 和PI類型迭代學習控制器（4)采用VHDL語言編程，并集成到FPGA芯片（1)中，上位機（2) 負責圖形化編程的上位機軟件界面（5)并與FPGA芯片（1)進行通訊； 所述癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型（3)采用歐拉法離散化，通過VHDL語言編 程并編譯下載到FPGA芯片（1)中，上位機軟件界面（5)輸入的信號通過癲癇狀態(tài)閉環(huán)控 制神經(jīng)集群網(wǎng)絡模型（3)與PI類型迭代學習控制器（4)的計算產(chǎn)生神經(jīng)集群膜電位（17) 輸出到上位機（2)中進行處理；癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型（3)中的相互耦合的 癲癇神經(jīng)集群模型（37)包含相互耦合連接的興奮性椎體細胞神經(jīng)元（42)、興奮性星形細 胞神經(jīng)元（43)、抑制性中間神經(jīng)元（44)三種神經(jīng)元模型，所述興奮性椎體細胞神經(jīng)元（42) 與抑制性中間神經(jīng)元神經(jīng)元（44)之間通過相互作用常量C1 (47)、常量C2(48)進行耦合連 接；所述癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型（3)還包括有相互連接的正常神經(jīng)集群網(wǎng)絡 流水線數(shù)據(jù)模型（9)模塊、癲癇神經(jīng)集群流水線數(shù)據(jù)模型（10)模塊，接受存儲在初值模塊 (19)中的初值信號（24)、通過PI類型迭代學習控制器（4)產(chǎn)生的PI類型迭代學習控制信 號（25)、由上位機軟件界面（5)輸入的耦合強度信號（26)、興奮性突觸增益信號（27)與噪 聲產(chǎn)生模塊（18)產(chǎn)生的噪聲信號（39); 所述PI類型迭代學習控制器（4)由VHDL語言編程實現(xiàn)，編譯下載到FPGA芯片（1)中， 上位機軟件界面（5)實現(xiàn)控制器參數(shù)的修改，經(jīng)由數(shù)據(jù)輸入總線（7)將比例參數(shù)信號（28)、 積分參數(shù)信號（29)傳輸?shù)酱鎯ζ髂K（30)中進行數(shù)據(jù)存儲，再輸入到PI類型迭代學習控 制器（4)中，來配置PI類型迭代學習控制器（4)運行產(chǎn)生波形、幅值、脈寬與頻率特性的PI 類型迭代學習控制信號（25) ;PI類型迭代學習控制信號（25)作為外部信號傳輸?shù)桨d癇神 經(jīng)集群網(wǎng)絡流水線數(shù)據(jù)模型（10)中，并通過數(shù)據(jù)選擇器（36)使PI類型迭代學習控制信號 (25)在不同神經(jīng)集群之間實現(xiàn)切換； 所述上位機軟件界面（5)通過USB接口（6)與FPGA芯片（1)相連實現(xiàn)數(shù)據(jù)通信，上位 機軟件界面（5)接收從FPGA芯片（1)中USB接口（6)經(jīng)由數(shù)據(jù)輸出總線（8)傳輸?shù)挠砂d 癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型（3)產(chǎn)生的數(shù)據(jù)，上位機軟件界面（5)所設置的參數(shù)通 過USB接口（6)經(jīng)由數(shù)據(jù)輸入總線（7)輸入數(shù)據(jù)到FPGA芯片⑴中，對癲癇狀態(tài)閉環(huán)控制 神經(jīng)集群網(wǎng)絡模型（3)和PI類型迭代學習控制器（4)進行參數(shù)配置。
2. 根據(jù)權利要求1所述的基于神經(jīng)集群模型的癲癇狀態(tài)閉環(huán)控制FPGA實驗平臺， 其特征是：所述PI類型迭代學習控制器（4)包括數(shù)字PI控制器I (11)、數(shù)字PI控制器 II (12)、數(shù)字PI控制器III (13)和迭代學習模塊I (14)、迭代學習模塊II (15)、迭代學習模 塊III (16)，并接受由上位機配置的比例參數(shù)信號（28)、積分參數(shù)信號（29)以及通過癲癇狀 態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型（3)產(chǎn)生的正常神經(jīng)集群膜電位數(shù)據(jù)（40)、癲癇神經(jīng)集群膜 電位數(shù)據(jù)（41)，經(jīng)過計算產(chǎn)生PI類型迭代學習控制信號（25)，并通過數(shù)據(jù)選擇器（36)作 用于癲癇神經(jīng)集群網(wǎng)絡流水線數(shù)據(jù)模型（10)中的癲癇狀態(tài)神經(jīng)集群上，實現(xiàn)對癲癇狀態(tài) 神經(jīng)集群網(wǎng)絡的控制。
3. 根據(jù)權利要求1所述的基于神經(jīng)集群模型的癲癇狀態(tài)閉環(huán)控制FPGA實驗平臺，其 特征是：所述病態(tài)癲癇神經(jīng)集群網(wǎng)絡流水線數(shù)據(jù)模型（10)包含相互耦合的多個神經(jīng)集群 模型，每個神經(jīng)集群模型包含相互耦合的神經(jīng)元流水線數(shù)據(jù)通路，即興奮性椎體細胞神經(jīng) 元流水線數(shù)據(jù)通路（42)，興奮性星形細胞神經(jīng)元流水線數(shù)據(jù)通路（43)，抑制性中間神經(jīng)元 I流水線數(shù)據(jù)通路（44)，抑制性中間神經(jīng)元II流水線數(shù)據(jù)通路（45)，每條流水線數(shù)據(jù)通路 均包括乘法器、加法器、查找表與寄存器模塊，經(jīng)過并行計算產(chǎn)生癲癇神經(jīng)集群膜電位數(shù)據(jù) (41)，通過數(shù)據(jù)輸出總線（8)經(jīng)過USB接口（6)上傳到上位機中進行神經(jīng)集群放電波形顯 示與關鍵數(shù)據(jù)存儲操作；上位機軟件界面（5)能夠設置耦合強度信號（26)、興奮性突觸增 益信號（27)大小，通過數(shù)據(jù)輸入總線（7)將數(shù)據(jù)輸入到癲癇神經(jīng)集群網(wǎng)絡流水線數(shù)據(jù)模型 (10)中，從而將神經(jīng)集群網(wǎng)絡配置為正常與癲癇兩種狀態(tài)。
4. 根據(jù)權利要求1所述的基于神經(jīng)集群模型的癲癇狀態(tài)閉環(huán)控制FPGA實驗平臺，其特 征是：所述初值模塊（19)通過數(shù)據(jù)輸入總線（7)接收由上位機軟件界面（5)傳遞的數(shù)據(jù)， 對癲癇狀態(tài)閉環(huán)控制神經(jīng)集群網(wǎng)絡模型（3)進行初始值的設置，初值模塊（19)通過上位機 軟件界面（5)輸入不同初始參數(shù)。
5. 根據(jù)權利要求1所述的基于神經(jīng)集群模型的癲癇狀態(tài)閉環(huán)控制FPGA實驗平臺，其特 征是：所述存儲器模塊（30)包括耦合強度矩陣（20)、興奮性突觸增益矩陣（21)、比例參數(shù) 矩陣（22)、積分參數(shù)矩陣（23)，并分別對從上位機軟件界面（5)輸入的耦合強度信號（26)、 興奮性突觸增益信號（27)、比例參數(shù)信號（28)、積分參數(shù)信號（29)進行存儲，并將耦合強 度信號（26)、興奮性突觸增益信號（27)存儲值輸入到癲癇神經(jīng)集群網(wǎng)絡流水線數(shù)據(jù)模型 (10)中進行計算，將比例參數(shù)信號（28)、積分參數(shù)信號（29)輸入到PI類型迭代學習控制 器⑷中進行計算。
【文檔編號】G06F19/00GK104112066SQ201410310856
【公開日】2014年10月22日 申請日期:2014年8月18日 優(yōu)先權日:2014年8月18日
【發(fā)明者】王江, 楊雙鳴, 鄧斌, 魏熙樂, 于海濤, 張茂華 申請人:天津大學