Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)


Для цитирования:

Навроцкая Е. В., Кульминский Д. Д., Пономаренко В. И., Прохоров М. Д. Оценка параметров импульсного воздействия с помощью сети нейроподобных осцилляторов // Известия вузов. ПНД. 2022. Т. 30, вып. 4. С. 495-512. DOI: 10.18500/0869-6632-2022-30-4-495-512, EDN: DOBQUT

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
Полный текст в формате PDF(En):
(загрузок: 161)
Язык публикации: 
русский
Тип статьи: 
Научная статья
УДК: 
537.86
EDN: 

Оценка параметров импульсного воздействия с помощью сети нейроподобных осцилляторов

Авторы: 
Навроцкая Елена Владимировна, Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского (СГУ)
Кульминский Данил Дмитриевич, Саратовский филиал Института радиотехники и электроники имени В.А. Котельникова РАН (СФ ИРЭ)
Пономаренко Владимир Иванович, Саратовский филиал Института радиотехники и электроники имени В.А. Котельникова РАН (СФ ИРЭ)
Прохоров Михаил Дмитриевич, Саратовский филиал Института радиотехники и электроники имени В.А. Котельникова РАН (СФ ИРЭ)
Аннотация: 

Цель исследования — разработка метода оценки параметров внешнего периодического импульсного воздействия с помощью спайковой сети нейроподобных осцилляторов. Методы. Исследовалась спайковая активность сети, состоящей из связанных между собой неидентичных нейроподобных осцилляторов ФитцХью–Нагумо, в зависимости от параметров периодического импульсного воздействия. Для оценки амплитуды внешнего импульсного сигнала мы расстраивали осцилляторы ФитцХью–Нагумо, находящиеся в устойчивом состоянии равновесия в отсутствие внешнего воздействия, по пороговому параметру, отвечающему за возбуждение осциллятора. Для оценки частоты возбуждающих импульсов мы расстраивали осцилляторы ФитцХью–Нагумо по параметру соотношения временных масштабов, от величины которого зависит собственная частота колебаний осциллятора. Также мы меняли длительность внешних импульсов. Результаты. Показано, что количество спайков, генерируемых сетью неидентичных осцилляторов ФитцХью–Нагумо, имеет монотонную зависимость от амплитуды внешнего импульсного сигнала и немонотонную зависимость от частоты импульсного сигнала. Количество спайков, генерируемых сетью, остается постоянным в широком диапазоне значений длительности внешних импульсов. Предложен метод оценки амплитуды и частоты импульсного воздействия. Работоспособность метода продемонстрирована при численном моделировании и в радиофизическом эксперименте. Заключение. Предложенный метод позволяет оценить амплитуду внешнего импульсного сигнала, зная его частоту, и оценить частоту этого сигнала, зная его амплитуду. Метод может быть востребован в робототехнике при решении задач обработки информации, связанных с управлением движением мобильных роботов.

Благодарности: 
Исследование выполнено за счет гранта Российского научного фонда № 22-22-00150, https://rscf.ru/project/22-22-00150/
Список источников: 
  1. Haykin S. Neural Networks and Learning Machines. Upper Saddle River, New Jersey: Prentice Hall, 2009. 906 p.
  2. Ripley B. D. Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press, 1996. 403 p. DOI: 10.1017/CBO9780511812651.
  3. Egmont-Petersen M., de Ridder D., Handels H. Image processing with neural networks — a review // Pattern Recognition. 2002. Vol. 35, no. 10. P. 2279–2301. DOI: 10.1016/S0031- 3203(01)00178-9.
  4. Dwarakish G. S., Rakshith S., Natesan U. Review on applications of neural network in coastal engineering // Artificial Intelligent Systems and Machine Learning. 2013. Vol. 5, no. 7. P. 324–331.
  5. Frolov N., Maksimenko V., Luttjohann A., Koronovskii A., Hramov A. Feed-forward artificial neural network provides data-driven inference of functional connectivity // Chaos. 2019. Vol. 29, no. 9. P. 091101. DOI: 10.1063/1.5117263.
  6. Hramov A. E., Maksimenko V. A., Pisarchik A. N. Physical principles of brain–computer interfaces and their applications for rehabilitation, robotics and control of human brain states // Phys. Rep. 2021. Vol. 918. P. 1–133. DOI: 10.1016/j.physrep.2021.03.002.
  7. McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics. 1943. Vol. 5, no. 4. P. 115–133. DOI: 10.1007/BF02478259.
  8. Rabinovich M. I., Varona P., Selverston A. I., Abarbanel H. D. I. Dynamical principles in neuroscience // Rev. Mod. Phys. 2006. Vol. 78, no. 4. P. 1213–1265. DOI: 10.1103/RevModPhys.78.1213.
  9. Дмитричев А. С., Касаткин Д. В., Клиньшов В. В., Кириллов С.Ю., Масленников О. В., Щапин Д. С., Некоркин В. И. Нелинейные динамические модели нейронов: Обзор // Известия вузов. ПНД. 2018. Т. 26, № 4. C. 5–58. DOI: 10.18500/0869-6632-2018-26-4-5-58.
  10. Quiroga R. Q., Panzeri S. Principles of Neural Coding. Boca Raton: CRC Press, 2013. 663 p. DOI: 10.1201/b14756.
  11. Yu D., Deng L. Automatic Speech Recognition: A Deep Learning Approach. London: Springer, 2015. 321 p. DOI: 10.1007/978-1-4471-5779-3.
  12. Hossain M. S., Muhammad G. Emotion recognition using deep learning approach from audio-visual emotionalbig data // Information Fusion. 2019. Vol. 49. P. 69–78. DOI: 10.1016/j.inffus.2018.09.008.
  13. Kasabov N. K. Evolving Connectionist Systems: The Knowledge Engineering Approach. London: Springer, 2007. 451 p. DOI: 10.1007/978-1-84628-347-5.
  14. Lobov S., Mironov V., Kastalskiy I., Kazantsev V. A spiking neural network in sEMG feature extraction // Sensors. 2015. Vol. 15, no. 11. P. 27894–27904. DOI: 10.3390/s151127894.
  15. Virgilio C. D., Sossa J. H., Antelis J. M., Falcon L. E. Spiking Neural Networks applied to the classification of motor tasks in EEG signals // Neural Netw. 2020. Vol. 122. P. 130–143. DOI: 10.1016/j.neunet.2019.09.037.
  16. Lobov S. A., Chernyshov A. V., Krilova N. P., Shamshin M. O., Kazantsev V. B. Competitive learning in a spiking neural network: Towards an intelligent pattern classifier // Sensors. 2020. Vol. 20, no. 2. P. 500. DOI: 10.3390/s20020500.
  17. Wang X., Hou Z.-G., Lv F., Tan M., Wang Y. Mobile robots’ modular navigation controller using spiking neural networks // Neurocomputing. 2014. Vol. 134. P. 230–238. 10.1016/j.neucom. 2013.07.055.
  18. Chou T.-S., Bucci L. D., Krichmar J. L. Learning touch preferences with a tactile robot using dopamine modulated STDP in a model of insular cortex // Front. Neurorobot. 2015. Vol. 9. P. 6. DOI: 10.3389/fnbot.2015.00006.
  19. Bing Z., Meschede C., Rohrbein F., Huang K., Knoll A. C. A survey of robotics control based on learning-inspired spiking neural networks // Front. Neurorobot. 2018. Vol. 12. P. 35. DOI: 10.3389/fnbot.2018.00035.
  20. Lobov S. A., Mikhaylov A. N., Shamshin M., Makarov V. A., Kazantsev V. B. Spatial properties of STDP in a self-learning spiking neural network enable controlling a mobile robot // Front. Neurosci. 2020. Vol. 14. P. 88. DOI: 10.3389/fnins.2020.00088.
  21. Croisier H., Dauby P. C. Continuation and bifurcation analysis of a periodically forced excitable system // J. Theor. Biol. 2007. Vol. 246, no. 3. P. 430–448. DOI: 10.1016/j.jtbi.2007.01.017.
  22. Феоктистов А. В., Анищенко В. С. Динамика системы ФитцХью–Нагумо под внешним периодическим воздействием // Известия вузов. ПНД. 2011. Т. 19, № 5. С. 35–44. DOI: 10.18500/0869-6632-2011-19-5-35-44.
  23. Novikov N., Gutkin B. Role of synaptic nonlinearity in persistent firing rate shifts caused by external periodic forcing // Phys. Rev. E. 2020. Vol. 101, no. 5. P. 052408. DOI: 10.1103/PhysRevE.101.052408.
  24. Eidum D. M., Henriquez C. S. Modeling the effects of sinusoidal stimulation and synaptic plasticity on linked neural oscillators // Chaos. 2020. Vol. 30, no. 3. P. 033105. DOI: 10.1063/1.5126104.
  25. Рой М., Новиков Н. А., Захаров Д. Г., Гуткин Б. С. Взаимодействие между ультрамедленными флуктуациями нейронных сетей префронтальной коры и колебаниями мозга // Известия вузов. ПНД. 2020. Т. 28, № 1. С. 90–97. DOI: 10.18500/0869-6632-2020-28-1-90-97.
  26. Andreev A. V., Ivanchenko M. V., Pisarchik A. N., Hramov A. E. Stimulus classification using chimera-like states in a spiking neural network // Chaos, Solitons & Fractals. 2020. Vol. 139. P. 110061. DOI: 10.1016/j.chaos.2020.110061.
  27. Пономаренко В. И., Кульминский Д. Д., Андреев А. В., Прохоров М. Д. Оценка амплитуды внешнего периодического воздействия при помощи малой спайковой нейронной сети в радиофизическом эксперименте // Письма в ЖТФ. 2021. Т. 47, № 4. С. 7–10. DOI: 10.21883/PJTF.2021.04.50636.18529.
  28. Bezruchko B. P., Smirnov D. A. Constructing nonautonomous differential equations from experimental time series // Phys. Rev. E. 2001. Vol. 63, no. 1. P. 016207. DOI: 10.1103/PhysRevE.63.016207.
  29. Смирнов Д. А., Сысоев И. В., Селезнев Е. П., Безручко Б. П. Реконструкция моделей неавтономных систем с дискретным спектром воздействия // Письма в ЖТФ. 2003. Т. 29, № 19. С. 69–76.
  30. Яхно Ю. В., Мольков Я. И., Мухин Д. Н., Лоскутов Е. М., Фейгин А. М. Реконструкция оператора эволюции как способ анализа электрической активности мозга при эпилепсии // Известия вузов. ПНД. 2011. Т. 19, № 6. С. 156–172. DOI: 10.18500/0869-6632-2011-19-6-156-172.
  31. Сысоева М. В., Пономаренко В. И., Прохоров М. Д., Сысоев И. В. Реконструкция систем с запаздыванием под внешним периодическим воздействием // Нелинейная динамика. 2013. Т. 9, № 4. С. 613–625. DOI: 10.20537/nd1304001.
  32. Dahlem M. A., Hiller G., Panchuk A., Scholl E. Dynamics of delay-coupled excitable neural systems // Int. J.Bifurc.Chaos. 2009. Vol. 19, no. 2. P. 745–753. DOI: 10.1142/S0218127409023111.
  33. Plotnikov S. A., Lehnert J., Fradkov A. L., Scholl E. Adaptive control of synchronization in delay-coupled heterogeneous networks of FitzHugh–Nagumo nodes // Int. J. Bifurc. Chaos. 2016. Vol. 26, no. 4. P. 1650058. DOI: 10.1142/S0218127416500589. 
  34. Lindner B., Garc´ia-Ojalvo J., Neiman A., Schimansky-Geier L. Effects of noise in excitable systems // Phys. Rep. 2004. Vol. 392, no. 6. P. 321–424. DOI: 10.1016/j.physrep.2003.10.015.
  35. Tass P. A. Phase Resetting in Medicine and Biology: Stochastic Modelling and Data Analysis. Berlin: Springer, 1999. 329 p. DOI: 10.1007/978-3-540-38161-7.
  36. Holt A. B., Kormann E., Gulberti A., Potter-Nerger M., McNamara C. G., Cagnan H., Baaske M. K., Little S., Koppen J. A., Buhmann C., Westphal M., Gerloff C., Engel A. K., Brown P., Hamel W., Moll C. K. E., Sharott A. Phase-dependent suppression of beta oscillations in Parkinson’s disease patients // J. Neurosci. 2019. Vol. 39, no. 6. P. 1119–1134. DOI: 10.1523/JNEUROSCI.1913- 18.2018.
  37. Mau E. T. K., Rosenblum M. Optimizing charge-balanced pulse stimulation for desynchronization // Chaos. 2022. Vol. 32, no. 1. P. 013103. DOI: 10.1063/5.0070036.
  38. Kulminskiy D. D., Ponomarenko V. I., Prokhorov M. D., Hramov A. E. Synchronization in ensembles of delay-coupled nonidentical neuronlike oscillators // Nonlinear Dyn. 2019. Vol. 98, no. 1. P. 735–748. DOI: 10.1007/s11071-019-05224-x.
  39. Кульминский Д. Д., Пономаренко В. И., Сысоев И. В., Прохоров М. Д. Новый подход к экспериментальному исследованию больших ансамблей радиотехнических генераторов со сложными связями // Письма в ЖТФ. 2020. Т. 46, № 4. С. 26–29. DOI: 10.21883/PJTF.2020.04.49046.18018.
  40. Щапин Д. С. Динамика двух нейроноподобных элементов с подавляющей обратной связью // Радиотехника и электроника. 2009. Т. 54, № 2. С. 185–195.
  41. Sysoev I. V., Prokhorov M. D., Ponomarenko V. I., Bezruchko B. P. Reconstruction of ensembles of coupled time-delay systems from time series // Phys. Rev. E. 2014. Vol. 89, no. 6. P. 062911. DOI: 10.1103/PhysRevE.89.062911.
  42. Kurkin S. A., Kulminskiy D. D., Ponomarenko V. I., Prokhorov M. D., Astakhov S. V., Hramov A. E. Central pattern generator based on self-sustained oscillator coupled to a chain of oscillatory circuits // Chaos. 2022. Vol. 32, no. 3. P. 033117. DOI: 10.1063/5.0077789.
Поступила в редакцию: 
12.05.2022
Принята к публикации: 
26.05.2022
Опубликована: 
01.08.2022