基於fpga的癲癇狀態閉環控制實驗平臺的製作方法

2023-05-21 04:08:56

基於fpga的癲癇狀態閉環控制實驗平臺的製作方法
【專利摘要】本發明提供一種基於FPGA的癲癇狀態閉環控制實驗平臺，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整定。其中FPGA實現癲癇神經集群數學模型，利用閉環反饋控制實現癲癇神經集群網絡的放電模式控制，上位機用來進行參數的調整與放電波形的觀測。本發明的效果是作為生物神經網絡的無動物實驗、基於高速運算的FPGA神經元網絡實驗平臺，實現了對複雜的癲癇神經元網絡的建模，並且能夠達到在時間尺度上與真實生物神經元的一致。該平臺為研究癲癇疾病的神經元集群的放電機制、電場作用下的癲癇神經集群網絡閉環控制等提供了更加接近真實神經網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】基於FPGA的癲癇狀態閉環控制實驗平臺

【技術領域】
[0001] 本發明涉及生物醫學工程技術，特別是一種基於神經集群模型的癲癇閉環控制 FPGA實驗平臺。

【背景技術】
[0002] 癲癇是由於大腦細胞異常同步過度放電引發暫時性中樞神經功能失常的一種神 經系統疾病，到目前為止還沒有徹底有效的治療方法。這促使我們去探索新的治療癲癇的 方法。大量的研究表明，癲癇發作的傳播源於或經過海馬組織，海馬是神經疾病癲癇產生和 發作的重要區域。由於電刺激相對於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，已經成為消除癲癇發作的一種重要方法。研究者通過不同的電場刺激實驗來減弱 或者消除癲癇的發作，如直流電場、低頻及高頻超閾值脈衝等。上述這些研究中刺激是開環 的其參數和協議仍然嚴重依賴於經驗調整。由於癲癇發作的高度不規則性和間歇性，依靠 經驗調整的參數和協議效果可能不理想。通過對海馬切片及臨床的閉環反饋實驗證實，與 開環控制相比較，閉環控制可以時刻跟蹤系統的狀態，優化整個發作控制過程，包括治療效 果、副作用最小化、能量損耗最小化等。在閉環控制方案中刺激的效果依賴於系統狀態的精 確測量。
[0003] 腦電波（electroencephalogram, EEG)在癲癇病症發作時通常會記錄包含異常高 振幅且有節奏的癲癇狀棘波。神經集群模型不需要對單個的神經元進行建模，其建模過程 針對特定細胞組成的神經集群整體特性，只需一個或兩個狀態變量即可描述整個神經群 的平均活動。在癲癇發作間歇期到快速發作的轉移過程中，海馬區神經集群模型可以模擬 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。耦合後 的神經集群模型組成神經集群網絡模型，調節網絡連接參數可以產生不同的放電波形，如 在一定的參數下產生癲癇發作時的棘波，進而可以研究局部功能異向對癲癇發作的影響。
[0004] 迭代學習控制的核心思想是"熟能生巧"，任何具有重複特性的任務，根據對前一 次運行的觀察，在下一次運行中都存在著改善任務執行性能的機會。目前迭代學習方法分 為開環與閉環迭代學習兩種算法，其中開環迭代學習算法只利用了系統前次運行的信息， 而閉環迭代學習則在利用系統當前運行信息的條件下改善了控制性能，同時捨棄了系統前 次運行的信息數據，故總體上看，閉環迭代學習控制的性能要優於開環迭代學習控制。本專 利使用PI類型迭代學習控制算法，閉環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，該方法可以用於癲癇疾病的控制中。
[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於不同神經集群上的 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。
[0006] 近些年來，現場可編程門陣列（Field Programmable Gate Array，FPGA)技術逐漸 在以生物神經系統為對象的計算神經科學領域得到重要的應用。在硬體的實現方法中，相 比於大規模模擬集成電路靈活性差，開發周期長等缺點，FPGA有著並行運算的特點，同時兼 具計算速度快、密度高、體積小、編程靈活、可重複配置、修改參數簡便、低成本、低功耗、高 可靠性等優勢。基於FPGA的神經元及神經元網絡的計算和特性分析，可實現在真實時間尺 度下運行，速度快，運算效率高，集成度高，因此便於應用在仿生學、智能系統、神經元及其 網絡的特性研究及神經疾病治療等方面，因而對於基於神經集群模型的癲癇閉環控制的硬 件實現具有重要意義。
[0007] 現有的技術還處於基礎階段，因此仍存在以下缺點：尚無基於FPGA的功能完善 的專用癲癇控制實驗平臺；運用FPGA實現的硬體仿真神經元網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據分析，因此對FPGA硬體神經元 網絡的操作分析比較困難。


【發明內容】

[0008] 針對上述技術中存在的不足，本發明的目的是提供一種基於神經集群模型的癲癇 狀態閉環控制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，並 用其構造控制信號實現類癲癇棘波的控制，將輸出波形中的棘波消除。
[0009] 為實現上述目的，本發明採用的技術方案是提供一種基於神經集群模型的癲癇狀 態閉環控制FPGA實驗平臺，其中：該實驗平臺包括有相互連接的FPGA晶片和上位機，癲癇 狀態閉環控制神經集群網絡模型和PI類型迭代學習控制器採用VHDL語言編程，併集成到 FPGA晶片中，上位機負責圖形化編程的上位機軟體界面並與FPGA晶片進行通訊；
[0010] 所述癲癇狀態閉環控制神經集群網絡模型採用歐拉法離散化，通過VHDL語言編 程並編譯下載到FPGA晶片中，上位機軟體界面輸入的信號通過癲癇狀態閉環控制神經集 群網絡模型與PI類型迭代學習控制器的計算產生神經集群膜電位輸出到上位機中進行處 理；癲癇狀態閉環控制神經集群網絡模型中的相互耦合的癲癇神經集群模型包含相互耦合 連接的興奮性椎體細胞神經元、興奮性星形細胞神經元、抑制性中間神經元三種神經元模 型，所述興奮性椎體細胞神經元與抑制性中間神經元神經元之間通過相互作用常量C1、常 量C2進行耦合連接；所述癲癇狀態閉環控制神經集群網絡模型還包括有相互連接的正常 神經集群網絡流水線數據模型模塊、癲癇神經集群流水線數據模型模塊，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生的PI類型迭代學習控制信號、由上 位機軟體界面輸入的耦合強度信號、興奮性突觸增益信號與噪聲產生模塊產生的噪聲信 號；
[0011] 所述PI類型迭代學習控制器由VHDL語言編程實現，編譯下載到FPGA晶片中，上 位機軟體界面實現控制器參數的修改，經由數據輸入總線將比例參數信號、積分參數信號 傳輸到存儲器模塊中進行數據存儲，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到癲癇神經集群網絡流水線數據模型中，並通過數據 選擇器使PI類型迭代學習控制信號在不同神經集群之間實現切換；
[0012] 所述上位機軟體界面通過USB接口與FPGA晶片相連實現數據通信，上位機軟體界 面接收從FPGA晶片中USB接口經由數據輸出總線傳輸的由癲癇狀態閉環控制神經集群網 絡模型產生的數據，上位機軟體界面所設置的參數通過USB接口經由數據輸入總線輸入數 據到FPGA晶片中，對癲癇狀態閉環控制神經集群網絡模型和PI類型迭代學習控制器進行 參數配置。
[0013] 本發明的有益效果是該仿真實驗平臺實現了複雜的癲癇病癲癇神經集群網絡的 建模，設計了兼具可視化與可操作性的人機界面，提高了系統的靈活性和可操作性，能夠在 時間尺度內對與生物神經元數學模型進行仿真；同時，該實驗平臺為研究癲癇狀態疾病的 放電機制，以及PI類型迭代學習控制癲癇狀態神經集群提供了真實時間尺度內的可視化 實驗平臺，對癲癇疾病治療的研究有重要的實用價值。基於高速並行計算的FPGA神經元網 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範圍內屬於一項前沿的科 技領域。本研究創新的提出了癲癇狀態神經集群網絡的閉環控制實驗平臺，其具有以下幾 點優勢：1、所設計的硬體仿真模型能夠在時間尺度上保持與真實生物神經元的一致性，其 中晶片最大工作頻率為200MHz，並行運算保證膜電位輸出頻率在1毫秒之內，滿足真實神 經元時間尺度要求，為癲癇疾病的研究提供了更加快速、便攜的硬體實驗平臺；2、本平臺中 神經集群網絡模型的關鍵參數、突觸增益、控制器參數都可以通過上位機軟體界面配置， 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，可以實現對於病態癲癇神經元網絡的控制，通過調節PI類型迭代學習控制器 參數可以對最優控制參數實現調製；4、上位機軟體界面可以實時觀測癲癇網絡放點狀態與 控制信號的波形，並可以定量測得信號的幅值與能量，便於後續數據的分析工作，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為本發明的FPGA硬體實驗平臺結構示意圖；
[0015] 圖2為癲癇神經集群流水線數據模型；
[0016] 圖3為癲癇狀態閉環控制神經集群網絡模型；
[0017] 圖4為PI類型迭代學習控制器模塊；
[0018] 圖5為本發明的上位機軟體操作界面示意圖。
[0019] 圖中：
[0020] 1. FPGA晶片2.上位機3.癲癇狀態閉環控制神經集群網絡模型4. PI類型迭代學 習控制器5.上位機軟體界面6. USB接口 7.數據輸入總線8.數據輸出總線9.正常神經集 群網絡流水線數據模型10.癲癇神經集群網絡流水線數據模型11.數字PI控制器I 12. 數字PI控制器II 13.數字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.神經集群膜電位信號18.噪聲產生模塊19.初值模塊20.耦合強度矩陣 21.興奮性突觸增益矩陣22.比例參數矩陣23.積分參數矩陣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.比例參數信號29.積分參 數信號30.存儲器模塊31.上位機軟體操作界面按鈕部分32.上位機軟體操作界面控制器 配置部分33.上位機軟體操作界面神經集群參數配置部分34.上位機軟體操作界面波形 顯示部分35.上位機軟體操作界面信號特性量化顯示部分36.數據選擇器37.癲癇神經 集群模型38.突觸電流信號39.噪聲信號40.正常神經集群膜電位數據41.癲癇神經集 群膜電位數據42.興奮性椎體細胞神經元流水線數據通路43.興奮性星形細胞神經元流水 線通路44.抑制性中間神經元I流水線數據通路45.抑制性中間神經元II流水線數據通路 46.隨機高斯分布發生器47.椎體細胞與中間神經群的相互作用常量C148.椎體細胞與中 間神經群的相互作用常量C2

【具體實施方式】
[0021] 下面結合附圖對本發明的癲癇神經集群網絡的閉環控制FPGA實驗平臺結構加以 說明。
[0022] 本發明的癲癇神經集群網絡的閉環控制FPGA實驗平臺的設計思想是首先在FPGA 上建立具有多神經集群、複雜耦合的癲癇神經集群網絡模型；然後在FPGA上獨立於神經集 群網絡模型設計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集群網絡的病態放電模式，使其產生正常放電；最後設 計上位機軟體界面，上位機軟體界面通過設置參數並傳輸到FPGA晶片，實現對網絡耦合結 構、興奮性突觸增益、控制器參數和初始狀態的配置，不同的網絡耦合結構參數和興奮性突 觸增益可以模擬正常狀態和癲癇狀態的放電特性，同時也可以把FPGA晶片中神經集群網 絡放電動態數據上傳到上位機，在上位機軟體界面進行放電動態波形的顯示。該實驗平臺 由相互連接的FPGA晶片和上位機組成。其中FPGA晶片用來實現癲癇神經集群網絡模型和 PI類型迭代學習控制器，上位機用來設計上位機軟體界面並與FPGA進行通訊。
[0023] 所述癲癇神經集群網絡模型由相互耦合的神經集群模型組成。癲癇神經集群模 型的基本思想是使興奮性和抑制性細胞群相互作用以產生神經震蕩，對於單個癲癇神經集 群模型，在FPGA中採用歐拉法離散化，並採用流水線技術搭建，使複雜的常微分方程並行 計算。流水線思想實際上就是利用延時寄存器使數學模型分為幾個子運算過程，在每個時 鍾周期內，每個子運算過程可以同時進行不同神經集群、不同時刻的運算，模型數據交叉在 SRAM寄存器中保存，並隨時鐘而傳遞。在癲癇神經集群模型中，興奮性和抑制性細胞群相 互作用，產生神經震蕩。一個大腦皮層區域可以看作由興奮性星形細胞、興奮性椎體細胞與 抑制性中間神經元三種不同神經群組成。網絡耦合結構可以由耦合強度矩陣來表示，網絡 的耦合強度矩陣和神經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，這樣便可實現獨立神經集群的參數調整與神經集群網絡的網 絡結構改變，最終實現網絡模型。不同的模型參數會產生不同的放電模式，因此從操作界面 中可以設置不同的參數使模型分別產生正常和癲癇的放電模式。
[0024] 基於神經集群模型的癲癇狀態閉環控制FPGA實驗平臺，將神經集群設定為異常 興奮的，除興奮性突觸增益以外其所有的參數取為標準值，運行癲癇操作平臺，逐步增加每 個神經集群上的控制能量，由於作用於異常興奮的神經集群上的控制能量要比作用於其它 兩個原本呈現正常活動的神經集群上的控制能量要大，因而來確定網絡中異常興奮的神經 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集群，並非控制癲癇 狀棘波，故其值很小且運行時間很短，作用於每個神經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集群之後，利用控制策略將控制作用於此神經集群，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：迭代學習控制不同於大多數現有的控制方法，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於學習的存儲器實現，首先利用存儲器存儲 過去的控制信息，然後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集群模型的輸入端作為刺激輸入，在不同的神經集群中施加控制信號 會改善癲癇症狀，因此需要設計一個數據選擇器，來實現控制信號在不同神經集群之間的 切換，以實現對不同症狀的控制。不同的控制信號控制效果不同，因此可以通過在上位機軟 件界面調節控制信號的比例參數、積分參數，通過USB傳輸到FPGA對PI類型迭代學習控制 器進行配置，對控制參數進行快速定量的優化，在控制疾病的同時使功耗最低，實現最優控 制的目標。
[0026] 所述上位機軟體界面：上位機軟體界面的編寫採用VB(Visual Basic)軟體開發 實現，開發過程便捷直觀，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 在用戶面前的是與真實的實驗儀器類似的操作界面，能實現實時的數據採集、波形顯示與 數據分析處理。
[0027] 本發明的癲癇疾病神經集群網絡的PI類型迭代學習控制FPGA實驗平臺由相互連 接的FPGA晶片1和上位機2組成。其中FPGA晶片1用來實現癲癇狀態閉環控制神經集群 網絡模型3和PI類型迭代學習控制器4,上位機2用來設計上位機軟體界面5並通過USB 接口 6實現與FPGA晶片1的通訊。以下加以說明：
[0028] 癲癇狀態閉環控制神經集群網絡模型3
[0029] 如圖1所示，對硬體實驗平臺進行設計，採用Altera低功耗 Cyclone IV EP4CE115F29C7N型號FPGA晶片1，利用Altera推出的一個數位訊號處理開發工 具DSP Builder進行圖形化編程進而轉化成VHDL語言，根據神經集群的數學模型，採用歐 拉法離散化並搭建正常神經集群網絡的流水線數據模型9、癲癇神經集群網絡流水線數據 通路模型10,每個神經集群網絡流水線數據通路模型由相互耦合的癲癇神經集群模型37 組成。數據輸入總線7接收由上位機軟體界面5設置的數據到FPGA癲癇狀態閉環控制系 統中，神經集群膜電位信號17以及PI類型迭代學習控制信號25等關鍵數據通過數據輸 出總線8上傳到上位機中進行癲癇狀態神經集群網絡動態特性的實時顯示與分析。如圖2 所示，癲癇神經集群模型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元流水線數據通路42、興奮性星形細胞神經元流水線數據通路43、 抑制性中間神經元I流水線數據通路44、抑制性中間神經元II流水線數據通路45,接收由 隨機高斯分布發生器46產生的噪聲信號39,通過椎體細胞與中間神經集群的相互作用C1 常量47、C2常量48配置神經集群特性，並根據神經集群網絡規模設計流水線深度。所有數 據通路在統一時鐘下同步運行，並且根據FPGA的結構，通過QUARTUS II軟體實現硬體描述 語言的轉換。其中S(y)為非線性Sigmoid函數，多個神經集群耦合的模型中單個神經群可 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，最終得到神經集群膜電 位信號17。
[0030] 在神經集群模型搭建好以後建立它們之間的耦合關係構建神經集群網絡模型。如 圖3所示，通過上位機軟體界面5改變耦合強度信號26、興奮性突觸增益信號27,可以改變 網絡的結構，從而得到正常神經集群和病態神經集群兩種網絡。正常神經集群流水線數據 模型9、癲癇神經集群流水線數據模型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的噪聲產生模塊 18產生的噪聲信號39,經過正常神經集群網絡流水線數據模型9、癲癇神經集群網絡流水 線數據模型10的運算產生的神經集群膜電位信號17,輸入到PI類型迭代學習算法控制器 4中，以便完成基於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，癲癇神經集群網絡流水線數據模型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。在計算網絡間耦 合時，方法是用癲癇神經集群模型37中產生的突觸電流信號38乘以耦合強度矩陣20作為 網絡耦合的輸入值，這樣便可以實現神經集群網絡的耦合關係，最終實現癲癇神經集群網 絡模型2。
[0031] 存儲器模塊30接受由上位機軟體界面5輸入的相應參數進行存儲，在流水線的計 算過程中實現同步調用，其包含比例參數矩陣22,積分參數矩陣23,耦合強度矩陣20與興 奮性突觸增益矩陣21，由基於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晶片1中設計信號發生器進 行模擬，其包含三個相同的控制器，分別由數字PI控制器I 11和迭代學習模塊I 14、數字 PI控制器II 12和迭代學習模塊II 15、數字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，其接收正常神經集群膜電位數據40和癲癇神經集群膜電位數 據41進行流水線計算，產生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集 群流水線數據模型10,然後設計一個數據選擇器36在不同的神經集群之間進行切換，觀察 控制信號的大小以及其作用於不同位置時候的不同效果，以實現對於癲癇症狀的控制；同 時PI類型迭代學習控制器4能接收到上位機軟體界面5傳遞的比例參數信號28、積分參數 信號29,來優化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] 上位機軟體界面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體界面5. FPGA 晶片1通過USB設備與上位機軟體界面5實現數據通信，上位機軟體界面5通過USB設備 接收從FPGA晶片1、USB接口 6傳輸的由癲癇狀態閉環控制神經集群網絡模型3運算和PI 類型迭代學習控制器4得到的數據；上位機軟體界面5設置參數通過USB設備輸入數據 到FPGA晶片1中，對癲癇狀態閉環控制神經集群網絡模型3和PI類型迭代學習控制器4 進行參數配置。VB是可視化、由事件驅動的、面向對象的高級程序設計語言，其採用了可以 簡單建立應用程式的⑶I系統，同時又可以開發複雜的程序，可以兼顧數據處理和存儲，並 且保證了數據實施連續的採集功能。上位機軟體界面5設計分為五個部分：上位機軟體操 作界面按鈕部分31實現了對於上位機基本操作的控制，包括控制施加、開始/停止狀態切 換、刷新數據、分析數據、幫助菜單和顯示波形；上位機軟體操作界面控制器配置部分32可 以修改控制器的關鍵參數；上位機軟體操作界面神經群參數配置部分33可以實現神經集 群初值參數、網絡結構、突觸增益參數的配置；上位機軟體操作界面波形顯示部分34可以 實現神經群網絡中不同神經群的放點波形以及對應的控制信號波形；上位機軟體操作界面 信號特性顯示部分35可以實現對應的控制信號的能量與幅值，便於定量判斷控制的優劣。
[0036] FPGA實驗平臺
[0037] 由DSP Builder編寫基於模塊的離散的、固定步長的、定點數運算的癲癇狀態閉環 控制神經集群網絡模型，再轉成硬體描述語言。經QUARTUS II軟體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晶片1中運行。經USB上傳 FPGA晶片1 運算產生的正常神經集群膜電位數據40、癲癇神經集群膜電位數據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體界面5對癲癇神經集群網絡模型特性進行分析 研究。
【權利要求】
1. 一種基於神經集群模型的癲癇狀態閉環控制FPGA實驗平臺，其特徵是：該實驗平臺 包括有相互連接的FPGA晶片（1)和上位機（2)，癲癇狀態閉環控制神經集群網絡模型（3) 和PI類型迭代學習控制器（4)採用VHDL語言編程，併集成到FPGA晶片（1)中，上位機（2) 負責圖形化編程的上位機軟體界面（5)並與FPGA晶片（1)進行通訊； 所述癲癇狀態閉環控制神經集群網絡模型（3)採用歐拉法離散化，通過VHDL語言編 程並編譯下載到FPGA晶片（1)中，上位機軟體界面（5)輸入的信號通過癲癇狀態閉環控 制神經集群網絡模型（3)與PI類型迭代學習控制器（4)的計算產生神經集群膜電位（17) 輸出到上位機（2)中進行處理；癲癇狀態閉環控制神經集群網絡模型（3)中的相互耦合的 癲癇神經集群模型（37)包含相互耦合連接的興奮性椎體細胞神經元（42)、興奮性星形細 胞神經元（43)、抑制性中間神經元（44)三種神經元模型，所述興奮性椎體細胞神經元（42) 與抑制性中間神經元神經元（44)之間通過相互作用常量C1 (47)、常量C2(48)進行耦合連 接；所述癲癇狀態閉環控制神經集群網絡模型（3)還包括有相互連接的正常神經集群網絡 流水線數據模型（9)模塊、癲癇神經集群流水線數據模型（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)產生的PI類型迭代學習控制信 號（25)、由上位機軟體界面（5)輸入的耦合強度信號（26)、興奮性突觸增益信號（27)與噪 聲產生模塊（18)產生的噪聲信號（39); 所述PI類型迭代學習控制器（4)由VHDL語言編程實現，編譯下載到FPGA晶片（1)中， 上位機軟體界面（5)實現控制器參數的修改，經由數據輸入總線（7)將比例參數信號（28)、 積分參數信號（29)傳輸到存儲器模塊（30)中進行數據存儲，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)作為外部信號傳輸到癲癇神 經集群網絡流水線數據模型（10)中，並通過數據選擇器（36)使PI類型迭代學習控制信號 (25)在不同神經集群之間實現切換； 所述上位機軟體界面（5)通過USB接口（6)與FPGA晶片（1)相連實現數據通信，上位 機軟體界面（5)接收從FPGA晶片（1)中USB接口（6)經由數據輸出總線（8)傳輸的由癲 癇狀態閉環控制神經集群網絡模型（3)產生的數據，上位機軟體界面（5)所設置的參數通 過USB接口（6)經由數據輸入總線（7)輸入數據到FPGA晶片⑴中，對癲癇狀態閉環控制 神經集群網絡模型（3)和PI類型迭代學習控制器（4)進行參數配置。
2. 根據權利要求1所述的基於神經集群模型的癲癇狀態閉環控制FPGA實驗平臺， 其特徵是：所述PI類型迭代學習控制器（4)包括數字PI控制器I (11)、數字PI控制器 II (12)、數字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)，並接受由上位機配置的比例參數信號（28)、積分參數信號（29)以及通過癲癇狀 態閉環控制神經集群網絡模型（3)產生的正常神經集群膜電位數據（40)、癲癇神經集群膜 電位數據（41)，經過計算產生PI類型迭代學習控制信號（25)，並通過數據選擇器（36)作 用於癲癇神經集群網絡流水線數據模型（10)中的癲癇狀態神經集群上，實現對癲癇狀態 神經集群網絡的控制。
3. 根據權利要求1所述的基於神經集群模型的癲癇狀態閉環控制FPGA實驗平臺，其 特徵是：所述病態癲癇神經集群網絡流水線數據模型（10)包含相互耦合的多個神經集群 模型，每個神經集群模型包含相互耦合的神經元流水線數據通路，即興奮性椎體細胞神經 元流水線數據通路（42)，興奮性星形細胞神經元流水線數據通路（43)，抑制性中間神經元 I流水線數據通路（44)，抑制性中間神經元II流水線數據通路（45)，每條流水線數據通路 均包括乘法器、加法器、查找表與寄存器模塊，經過並行計算產生癲癇神經集群膜電位數據 (41)，通過數據輸出總線（8)經過USB接口（6)上傳到上位機中進行神經集群放電波形顯 示與關鍵數據存儲操作；上位機軟體界面（5)能夠設置耦合強度信號（26)、興奮性突觸增 益信號（27)大小，通過數據輸入總線（7)將數據輸入到癲癇神經集群網絡流水線數據模型 (10)中，從而將神經集群網絡配置為正常與癲癇兩種狀態。
4. 根據權利要求1所述的基於神經集群模型的癲癇狀態閉環控制FPGA實驗平臺，其特 徵是：所述初值模塊（19)通過數據輸入總線（7)接收由上位機軟體界面（5)傳遞的數據， 對癲癇狀態閉環控制神經集群網絡模型（3)進行初始值的設置，初值模塊（19)通過上位機 軟體界面（5)輸入不同初始參數。
5. 根據權利要求1所述的基於神經集群模型的癲癇狀態閉環控制FPGA實驗平臺，其特 徵是：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 矩陣（22)、積分參數矩陣（23)，並分別對從上位機軟體界面（5)輸入的耦合強度信號（26)、 興奮性突觸增益信號（27)、比例參數信號（28)、積分參數信號（29)進行存儲，並將耦合強 度信號（26)、興奮性突觸增益信號（27)存儲值輸入到癲癇神經集群網絡流水線數據模型 (10)中進行計算，將比例參數信號（28)、積分參數信號（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 優先權日:2014年8月18日
【發明者】王江, 楊雙鳴, 鄧斌, 魏熙樂, 於海濤, 張茂華 申請人:天津大學