神经元锋电位的多小波动态建模与突触可塑性机理研究

Neural synaptic plasticity, as the neurobiology basis of learning and memory activity, is a highly nonlinear dynamical process, and is also commonly time-varying, thus it is a highly challenging research topic in the field of computational neuroscience. Due to the deficiencies of the traditional nonlinear dynamic modeling in studying the mechanism of synaptic plasticity, including model complex and slow convergence rate of parameter estimates, this project will present a novel multi-wavelet dynamic modeling theory framework to explore the mechanism of the synaptic plasticity accurately. Firstly, an optimal scheme by multi-wavelet dynamic modeling from spike train data only will be proposed, in order to reduce the complexity of the model structure. Then both an optimization method of model variables and a sparse algorithm of model structure are developed to eliminate the redundant terms and further reduce the computational complexity. Furthermore, combining the generalized linear model fitting algorithm，the parameters in the multi-wavelet dynamic model will be accurately obtained and the time-varying kernels are also reconstructed, in order to precisely describe the spatio-temporal pattern of the neural synaptic plasticity. Finally, different kind of neural spike trains from many experiment platforms will be employed to validate efficiency and evaluate the real-time performance of the proposed theoretical algorithms. The implementation of this project will provide a theoretical foundation and computing framework for the mechanism analysis of the synaptic plasticity. These research results are expected to provide us a novel scheme to understand in depth the underlying mechanisms between the synaptic plasticity and development and learning of the brain.

神经元突触可塑性作为学习记忆活动的神经生物学基础，具有高度非线性且随时间动态变化的特性，是神经科学研究领域的一项极具挑战性的重要课题。针对传统动态建模方法在突触可塑性机理研究中存在模型复杂且参数估计算法收敛慢的瓶颈，本项目拟提出一种多小波动态建模理论框架，揭示突触可塑性的潜在机理。首先，提出一种神经元锋电位的多小波动态建模优化方案，降低模型结构复杂度；在此基础上，研究有效的模型变量优化及模型结构稀疏算法，剔除冗余项，降低模型计算复杂度；进一步，结合神经元锋电位广义线性拟合算法，有效估计多小波动态模型参数，快速重构时变核函数，以准确描述突触可塑性的时空特性；最后，利用各类神经元锋电位数据实验平台，验证评估理论算法的有效性及实用性。该项目的实施为揭示神经元突触可塑性机理提供理论依据和计算框架。本项目研究成果将为深入理解大脑发育及学习记忆与突触可塑性的潜在机理提供新的思路。

本项目围绕神经元锋电位的多小波动态建模和突触可塑性机理开展研究，主要内容包括：1）提出了一种多小波基函数及LASSO稀疏算法的快速建模算法，能够准确扑捉脑电信号及锋电位信号的瞬时变化特征，为大脑活动的突触可塑性机理研究提供理论计算框架及技术支撑；2）提出了一种自适应多小波NARMAX建模方法，能更好地跟踪神经元锋电位信号的快速变化，为探测复杂的大脑活动提供更加准确的分析依据；3）提出了一种基于多小波基函数展开的超正交多变量脑网络模型，能够快速有效的选取模型变量，提高分类精度，为临床辅助诊断提供了定量分析依据。本项目的研究结果为深入理解大脑发育及学习记忆与突触可塑性的潜在机理提供新的思路。在本项目资助下，已发表学术论文23篇，其中包括第一/通讯SCI论文20篇(如IEEE TNNLS、TMI及MeDIA等), IEEE Trans.长文7篇，ESI高被引论文1篇，单篇最高影响因子达11.15分；国际会议论文7篇(包括医学影像领域MICCA国际顶级会议)。申请国家发明专利7项，其中发明专利授权2项。团队研制了“意念控制技术”临床康复平台，用于辅助全瘫及半瘫患者由自主意识参与的主动式康复训练，提高患者自理能力，成果获央视新闻、新华网等多家媒体报道。培养硕士生9名顺利毕业，其中2名学生获得“北京市优秀毕业生”；参加国际会议交流2次，项目主持人受Marek Czosnyka邀访问英国剑桥大学“Brain Physics”研究中心并做学术报告，建立了与英国剑桥大学“Brain Physics”研究中心、美国哈佛大学医学院的实质性合作，已派课题组博士生去美国哈佛大学进行联合培养。任国际期刊International Journal of Biomedical Engineering and Science编委、 IEEE Reviews in Biomedical Engineering 专刊编委等。项目执行期间，获中国体视学学会自然科学二等奖(排第1)、吴文俊人工智能学会科学技术奖自然三等奖(排第1)及中国体视学学会青年科技奖等多项奖励。