Estimation of impulse action parameters using a network of neuronlike oscillators

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Aim of the study is to develop a method for estimating the parameters of an external periodic impulse action using a spiking network of neuronlike oscillators. Methods. The spiking activity of a network consisting of coupled nonidentical neuronlike FitzHugh–Nagumo oscillators was studied, depending on the parameters of the periodic impulse action. To estimate the amplitude of the external impulse signal, we detuned the FitzHugh–Nagumo oscillators, which were in a stable state of equilibrium in the absence of an external action, by the threshold parameter responsible for the excitation of the oscillator. To estimate the frequency of excitatory pulses, we detuned the FitzHugh–Nagumo oscillators by the parameter characterizing the ratio of time scales, the value of which determines the natural frequency of oscillators. We also changed the duration of external pulses. Results. It is shown that the number of spikes generated by a network of nonidentical FitzHugh–Nagumo oscillators has a monotonic dependence on the amplitude of the external pulse signal and a nonmonotonic dependence on the frequency of the pulse signal. The number of spikes generated by the network remains constant over a wide range of external pulse durations. A method for estimating the amplitude and frequency of impulse action is proposed. The method efficiency is demonstrated in numerical simulations and in a radio physical experiment. Conclusion. The proposed method allows one to estimate the amplitude of an external pulse signal, knowing its frequency, and estimate the frequency of this signal, knowing its amplitude. The method can be used in robotics when solving the problems of information processing related to the motion control of mobile robots. 

Авторлар туралы

Elena Navrotskaya

Saratov State University

ul. Astrakhanskaya, 83, Saratov, 410012, Russia

Danil Kulminskiy

Saratov Branch of Kotel`nikov Institute of Radiophysics and Electronics of Russian Academy of Sciences

ul. Zelyonaya, 38, Saratov, 410019, Russia

Vladimir Ponomarenko

Saratov Branch of Kotel`nikov Institute of Radiophysics and Electronics of Russian Academy of Sciences

ul. Zelyonaya, 38, Saratov, 410019, Russia

Mihail Prokhorov

Saratov Branch of Kotel`nikov Institute of Radiophysics and Electronics of Russian Academy of Sciences

ul. Zelyonaya, 38, Saratov, 410019, Russia

Әдебиет тізімі

  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.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».