脉冲神经网络 神经元模型-HH模型

  • Hodgkin Huxley 神经元模型及实现
    • 一 原理
      • 1. 电路图
      • 2. 常微分方程
    • 二 代码实现-python版本
      • 1. 模拟离子通道
      • 2. 模拟膜电位
    • 三 代码实现-matlab版本
    • 四 参考

Hodgkin Huxley 神经元模型及实现

最近在接触脉冲神经网络相关知识，如有错误，请多多指教！

一 原理

1. 电路图


Hodgkin-Huxley(HH)模型可以看作是rc电路模型的扩展，该模型除了泄漏通道外还包含钠(Na)和钾(K)通道。离子通道被建模为与电池串联的电阻器。电池表示特定离子的平衡电势，电阻器反映通道对特定离子的渗透性。与泄漏通道的固定电阻相比，Na和K通道的电阻有自己的动态特性，这取决于跨膜的电压。
更精确地说，对于给定的膜电位，每个通道都有相应的开启和关闭速率。这些通道的打开还是关闭是由霍奇金根据经验建立的函数和函数来描述的。这些和函数可以用在微分方程中来描述开放通道的比例如何随时间变化：
dndt=αn(V)(1−n)−βn(V)n（公式一）\frac{dn}{dt} = \alpha_n(V)(1-n) - \beta_n(V)n （公式一） dtdn​=αn​(V)(1−n)−βn​(V)n（公式一）
alpha_n和 beta_n描述打开通道的比例如何随时间变化
τn=1αn+βn(公式二)\tau_n = \frac{1}{\alpha_n + \beta_n} (公式二) τn​=αn​+βn​1​(公式二)
表示多久通道才会打开
n∞=αnαn+βn(公式三)n_{\infty} = \frac{\alpha_n}{\alpha_n + \beta_n}(公式三) n∞​=αn​+βn​αn​​(公式三)
表示通道打开的概率

2. 常微分方程


由于HH模型需要使用4个常微分方程进行表示模型，故计算较为复杂，很难进行大规模仿真。但其精确地描绘出膜电压的生物特性，能够很好地与生物神经元的电生理实验结果相吻合

二 代码实现-python版本

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

1. 模拟离子通道

# 离子通道被建模为与电池串联的电阻器。电池表示特定离子的平衡电势，电阻器反映通道对特定离子的渗透性
V = np.arange(-80.0,80,0.01) # [mV]#n用来限制k离子的通透性，m和h用来限制na离子，因为na离子含有失活门，即使通道本身是打开的，如果失活门阻塞通道，离子电流也不能流动。
alpha_n = 0.01 *(10-V)/(np.exp((10-V)/10)-1)
alpha_m = 0.1*(25-V)/((np.exp((25-V)/10))-1)
alpha_h = 0.07 * np.exp(-(V/20))beta_m = 4* (np.exp(-V/18))
beta_h = 1/(np.exp((30-V)/10)+1)
beta_n = 0.125 * np.exp(-(V/80))#公式二、公式三实现
tau_n = 1/(alpha_n + beta_n)
inf_n = alpha_n*tau_ntau_m = 1/(alpha_m + beta_m)
inf_m = alpha_m*tau_m tau_h = 1/(alpha_h + beta_h)
inf_h = alpha_h*tau_h#绘图
plt.clf()
plt.subplot(1,2,1)
plt.plot(V,inf_n)
plt.plot(V,inf_m)
plt.plot(V,inf_h)
plt.title('Steady state values')
plt.xlabel('Voltage (mV)')
plt.subplot(1,2,2)
plt.plot(V,tau_n)
plt.plot(V,tau_m)
plt.plot(V,tau_h)
plt.title('Time constants')
plt.xlabel('Voltage (mV)')
plt.legend(['n','m','h'])

运行结果如下图：由图可知，K离子选通变量nnn表明在平衡电位，大多数K趋于关闭。随着膜电位的增加，通道开始打开，但有一定的延迟。对于钠通道，当膜电位增加时，m值也增加，时间常数表明变化几乎是瞬时的（值很小）。然而，hhh趋于下降，这说明，在相对高的电压下，许多钠通道会打开，但大多数通道是失活的，因此几乎不会有离子电流。

2. 模拟膜电位

−CmdVdt=gL(V−EL)+gKn4(V−EK)+gNam3h(V−ENa)−Iextern（公式四）-C_m\frac{dV}{dt} = g_L(V-E_L) + g_Kn^4(V-E_K) + g_{Na}m^3h(V-E_Na) - I_{extern} （公式四） −Cm​dtdV​=gL​(V−EL​)+gK​n4(V−EK​)+gNa​m3h(V−EN​a)−Iextern​（公式四）

# 参数定义 可参考
# 平衡电位
E_Na = 115.0   # [mV]
E_K  = -12.0   # [mV]
E_L  = 10.6    # [mV]# 最大电导
g_Na = 120.0   # [mS]
g_K  = 36.0    # [mS]
g_L  = 0.3     # [mS]dt = 0.01      # [ms]
T = 40         # [ms]
t = np.arange(0,T,dt)V = np.zeros(len(t))
n = np.zeros(len(t))
m = np.zeros(len(t))
h = np.zeros(len(t))I_E = 0.0
V[0] = 0.0
h[0] = 0.59
m[0] = 0.05
n[0] = 0.31# 在10ms是注入10mA的电流，然后15ms再次置电流为0
for i in range(1,len(t)):if i == 1000:I_E = 10.0if i == 1500:I_E = 0.0# Calculate the alpha and beta functions （代码同上）alpha_n = (0.1 - 0.01*V[i-1]) / ( np.exp(1   - 0.1*V[i-1]) - 1)alpha_m = (2.5 - 0.1 *V[i-1]) / ( np.exp(2.5 - 0.1*V[i-1]) - 1)alpha_h = 0.07*np.exp(-V[i-1]/20.0)beta_n = 0.125*np.exp(-V[i-1]/80.0)beta_m = 4.0 * np.exp(-V[i-1]/18.0)beta_h = 1 / ( np.exp(3 - 0.1*V[i-1]) + 1)# Calculate the time constants and steady state valuestau_n = 1.0/(alpha_n + beta_n)inf_n = alpha_n*tau_ntau_m = 1.0/(alpha_m + beta_m)inf_m = alpha_m*tau_mtau_h = 1.0/(alpha_h + beta_h)inf_h = alpha_h*tau_h# 更新n,m,h  n[i]  = (1-dt/tau_n)*n[i-1] + (dt/tau_n)*inf_nm[i]  = (1-dt/tau_m)*m[i-1] + (dt/tau_m)*inf_mh[i]  = (1-dt/tau_h)*h[i-1] + (dt/tau_h)*inf_h# 公式四# 更新膜电位方程I_Na = g_Na*(m[i]**3)*h[i]  * (V[i-1]-E_Na)I_K  = g_K *(n[i]**4)       * (V[i-1]-E_K)I_L  = g_L                  * (V[i-1]-E_L)#dv = -(I_Na + I_K + I_L - I_E)dv = I_E - (I_Na + I_K + I_L)V[i]  = V[i-1] + dv*dtplt.clf()
plt.subplot(1,3,1)
plt.plot(t,V)
# 膜电位变化
plt.title('Membrane potential')
plt.subplot(1,3,2)
plt.plot(t,n)
plt.plot(t,m)
plt.plot(t,h)
plt.title('Gating variables')
plt.legend(['n','m','h'])
plt.subplot(1,3,3)
plt.plot(t,g_Na*h * m**3)
plt.plot(t,g_K*n**4)
plt.title('Ionic currents')
plt.legend(['Na','K'])

运行结果如下图：

三 代码实现-matlab版本

%% Basic Hodgkin-Huxley Implementation
% Equations from Hodgkin, Huxley, J. Physiol (1952) 117, 500-544clear;
figure(1);clf;dt = 0.001;
t = 0:dt:40;
% Nernst Potentials
Ena = 115; Ek = -12; El = 10.6;% Maximum Conductances
gna = 120; gk = 36; gl = 0.3;% Membrane Capacitance
C = 1;% 离子通道打开
an = @(u) (0.1-0.01*u)/(exp(1-0.1*u)-1);
am = @(u) (2.5-0.1*u)/(exp(2.5-0.1*u)-1);
ah = @(u) 0.07*exp(-u/20);% 离子通道关闭
bn = @(u) 0.125*exp(-u/80);
bm = @(u) 4*exp(-u/18);
bh = @(u) 1/(exp(3-0.1*u)+1);% DEFINE FORMULAE FOR STEADY STATE GATE ACTIVATIONSm_inf = @(u) am(u) / ( am(u) + bm(u) );
n_inf = @(u) an(u) / ( an(u) + bn(u) );
h_inf = @(u) ah(u) / ( ah(u) + bh(u) );% INITIALIZE STATE VARIABLESm = 0*t + m_inf(0);
n = 0*t + n_inf(0);
h = 0*t + h_inf(0);
v = 0*t;% DEFINE STIMULUS STRENGTH, DURATION, & DELAYtSTIM_START = 10;
tSTIM_DUR = 1;
STIM_STRENGTH = 10;% DEFINE MISCinRange = @(x,a,b) (x>=a) & (x<b);% MAIN LOOPfor i = 1:length(t)-1% extract membrane voltageu = v(i);% solve for membrane currentsIk  = gk  * n(i)^4      * (u - Ek);Ina = gna * m(i)^3*h(i) * (u - Ena);Il  = gl  *               (u - El);   Imem = Ik + Ina + Il;% determine stimulus current, if anyIstim = 0;if inRange( t(i) , tSTIM_START , tSTIM_START+tSTIM_DUR)Istim = STIM_STRENGTH;end% define the state variable derivativesdv = (Istim - Imem)/C;dm = am(u) * (1-m(i)) - bm(u) * m(i);dh = ah(u) * (1-h(i)) - bh(u) * h(i);dn = an(u) * (1-n(i)) - bn(u) * n(i);% use forward euler to increment the state variablesv(i+1) = v(i) + dv*dt;m(i+1) = m(i) + dm*dt;h(i+1) = h(i) + dh*dt;n(i+1) = n(i) + dn*dt;end% plot the results
plot(t,v);
axis([t(1) t(end) -20 120]);
xlabel('time (ms)');
ylabel('membrane voltage (mV)');

运行结果

四 参考

  1. Hodgkin Huxley
  2. matlab参考代码

脉冲神经网络 神经元模型-HH模型（1）相关推荐

  1. 【matlab】 Izhikevich模型脉冲神经网络神经元实现

    前段时间研查阅文献时的matlab方面的探索,这一部分主要参考文献为 [34] 朱娟. 基于尖峰神经元模型的机器人学习方法研究 [D]; 南京理工大学, 2014. 1.1 模型建立 1.1.1 脉冲 ...

  2. 使用两种脉冲神经网络（Spiking Neural Network）预测脑电图的癫痫发作：基于LIF神经元模型的实践与分析

    亲爱的读者,你好.在此,我想和你分享一项在脑电图分析领域的研究,这是我近期进行的一项尝试,希望它能给你带来一些启发.我们试图使用两种脉冲神经网络(SNN)模型来预测脑电图的癫痫发作,虽然我们目前的进展 ...

  3. 脉冲神经网络1：IZH模型介绍

    参考论文:Izhikevich, E. M . Which Model to Use for Cortical Spiking Neurons?[J]. IEEE Transactions on Ne ...

  4. 脉冲神经网络_【强基固本】脉冲神经网络（SNN）

    "强基固本,行稳致远",科学研究离不开理论基础,人工智能学科更是需要数学.物理.神经科学等基础学科提供有力支撑,为了紧扣时代脉搏,我们推出"强基固本"专栏,讲解 ...

  5. 脉冲神经网络学习笔记（综述）

    脉冲神经网络学习笔记 一. 基本框架 脉冲神经网络的监督算法目标是实现对脉冲序列中包含的时空模式的信息的学习,脉冲序列的定义: S(t)对一个Dirac函数进行求和,f代表发放的第f个脉冲,Dirac ...

  6. 脉冲神经网络的五脏六腑

    脉冲神经元模型 传统的人工神经元模型主要包含两个功能,一是对前一层神经元传递的信号计算加权和,二是采用一个非线性激活函数输出信号. 前者用于模仿生物神经元之间传递信息的方式,后者用来提高神经网络的非线 ...

  7. 脉冲神经网络基础性知识

    1.兴奋性突触与抑制性突触的作用是分别是神经元细胞膜电位的增加与减少. 2.现在流行的人工神经网络所使用的神经元模型(例如ReLU)都是第二代神经元模型.它们主要用于处理模拟数值 3.脉冲神经网络使用 ...

  8. SNN介绍-来自脉冲神经网络原理

    神经科学的一些实验证据表明,视觉与听觉等许多生物神经系统都采用神经元发放的动作电位(即脉冲)的时间来编码信息.针对这些问题,更加符合生物神经系统实际情况的第三代人工神经网络模型--脉冲神经网络应运而生 ...

  9. 脉冲神经网络Precise-Spike-Driven (PSD) Synaptic Plasticity学习笔记

    脉冲神经网络Precise-Spike-Driven (PSD) Synaptic Plasticity学习笔记 PSD算法设计的目的是为处理和记忆时空相关的输入.PSD从传统的Widrow-Hoff ...

  10. 脉冲神经网络【转载】

    脉冲神经网络学习笔记 一. 基本框架 脉冲神经网络的监督算法目标是实现对脉冲序列中包含的时空模式的信息的学习,脉冲序列的定义: S(t)对一个Dirac函数进行求和,f代表发放的第f个脉冲,Dirac ...

最新文章

  1. 简易django项目之登录验证
  2. Linux 的启动流程
  3. std string与线程安全_这才是现代C++单例模式简单又安全的实现
  4. c 语言cad 二次开发,c#对AutoCAD二次开发
  5. Golang中GOPATH在Goland的理解
  6. route map应用策略路由(下)
  7. 数据仓库 Hive（内含大数据镜像下载）
  8. 怎么自学python-如何学习好Python这门课程？老男孩Python培训全套视频
  9. 【GIS导论】实验七 地图设计与输出
  10. 网络流量监测IP雷达 4.0
  11. 腾讯课堂视频回放下载（Edge浏览器+猫抓+夸克浏览器）
  12. 一对一直播技术服务【推广】
  13. leetcode 第1题【两数之和】C语言
  14. RTD2785T RTD2785R 2K eDP屏驱动芯片介绍
  15. JavaExp10:多线程设计，彩票购票问题
  16. C++ 简化 推箱子 小游戏 完整代码 参考网络资料 命令行运行 仅供初学者参考交流
  17. 职场中上级如何和下级面谈
  18. C++生理周期（枚举）
  19. 身份证号要是能修改就好了，不怕被骗子骗了
  20. Windows10常用快捷键汇总

热门文章

  1. 《2018版-业余无线电(相关频率)对照表》
  2. redis 雪崩、击穿、穿透
  3. Java Apache POI 小记(读取Word通过模板创建PPT)
  4. 穴位--程序健康之道
  5. 51单片机流水灯三种实现方法
  6. Docker日志查看命令
  7. 省份简称匹配并分组统计
  8. PackageManager的参数及使用
  9. bibibi 下载_哔哩哔哩下载电脑版_哔哩哔哩官方版下载[bilibili]-下载之家
  10. C语言--fseek（）