【脑电信号】基于matlab模拟癫痫神经元动作电位
【脑电信号】基于matlab模拟癫痫神经元动作电位
TT_Matlab
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，完整matlab代码或者程序定制加qq1575304183。机器学习之心，前程算法屋的代码一律可以八折购买。
✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。
个人主页：Matlab科研工作室
个人信条：格物致知。
更多Matlab完整代码及仿真定制内容点击
智能优化算法 神经网络预测 雷达通信 无线传感器 电力系统
信号处理 图像处理 路径规划 元胞自动机 无人机
物理应用 机器学习
内容介绍
癫痫是一种神经系统疾病，其特征是反复发作的癫痫发作。癫痫发作是由大脑中神经元的异常电活动引起的。神经元动作电位是神经元电活动的基本单位，在癫痫发作的发生中起着至关重要的作用。
神经元动作电位
神经元动作电位是一种快速、全或无的电脉冲，沿着神经元的轴突传播。它是由神经元膜上的离子通道的打开和关闭引起的。
动作电位有以下几个阶段：
**静息电位：**在静息状态下，神经元膜内侧为负电，外侧为正电。
**去极化：**当神经元受到刺激时，钠离子通道打开，钠离子流入细胞，导致膜电位变得不那么负电。
**动作电位：**当膜电位达到阈值时，钠离子通道完全打开，钠离子大量涌入细胞，导致膜电位迅速反转。
**超极化：**钠离子通道关闭后，钾离子通道打开，钾离子流出细胞，导致膜电位变得比静息电位更负电。
**折返极化：**钾离子通道关闭后，膜电位逐渐恢复到静息电位。
癫痫神经元动作电位
在癫痫神经元中，动作电位发生异常，导致癫痫发作。这些异常包括：
**持续性去极化：**癫痫神经元可以持续去极化，导致反复的动作电位。
**爆发性放电：**癫痫神经元可以突然释放一系列动作电位。
**后放电：**癫痫神经元在动作电位后可以产生额外的动作电位。
癫痫发作的机制
癫痫发作是由大脑中神经元的同步异常放电引起的。这些异常放电可以导致大脑功能的暂时性中断，从而产生癫痫发作的症状，如意识丧失、抽搐和感觉异常。
治疗
癫痫的治疗旨在控制癫痫发作。治疗方法包括：
**药物：**抗癫痫药物可以阻断癫痫神经元的异常放电。
**手术：**在某些情况下，可以切除引起癫痫发作的大脑区域。
**神经刺激：**迷走神经刺激和深部脑刺激等神经刺激疗法可以帮助控制癫痫发作。
结论
癫痫神经元动作电位异常是癫痫发作发生的关键因素。了解这些异常对于癫痫的诊断和治疗至关重要。通过持续的研究，我们有望开发出更有效的癫痫治疗方法。的治疗重点是控制癫痫发作。治疗方案可能包括药物、手术和神经刺激疗法。抗癫痫药物可以调节离子通道功能、神经递质释放和突触可塑性，以减少神经元过度兴奋和癫痫发作。
结论
癫痫神经元动作电位异常是癫痫发作的电生理基础。这些异常可能由离子通道功能异常、神经递质释放异常和突触可塑性改变引起。了解癫痫神经元动作电位的机制对于开发新的治疗方法至关重要，这些方法可以有效控制癫痫发作并改善患者的生活质量。
部分代码
axonmain();
function
[t,x]=axonmain()
global P % parameters
setUp;
[t,x]=ode15s(@Dyn,P.tD,P.Xo);
plotResults(t,x); % axon
end
% dynamic
function
function
Dx=Dyn(t,x)
% setProcess: Establish G matrix & other values
for
the
process
%Set the drive matrix as well
global P %
param
&I-stim
N=length(x)/
4
; G=zeros(N); f=zeros(N,
1
); % numberOnodes
V=x(
1
:N);m=x(N+
1
:
2
*N);h=x(
2
*N+
1
:
3
*N);n=x(
3
*N+
1
:
4
*N); % extractStates
for
i=
1
:N % loop eachNode
ga=P.xSectArea(i)/((P.Ra*P.dx(i))); % axon conduct
gL=P.surfArea(i)/(P.RL); % chloride/leak
gNaMax=P.gMax_Na*P.surfArea(i)*P.isActive(i); % Na maxConduct
gKMax =P.gMax_K *P.surfArea(i)*P.isActive(i); % K maxConduct
C=P.C*P.surfArea(i); % capacitance-F
gNa=m(i)^
3
*h(i)*gNaMax; % conductWgates
gK =n(i)^
4
*gKMax; % conductWgates
a =
0.8
e-
4
;
Rout =
24
e4;
gout =
1
/(Rout/P.xSectArea(i));
SUMgChan=gNa+gK+gL; % sum memb g
’s
f(i)=(gNa*P.ENa)+(gK*P.EK)+(gL*P.ECl); % sum drive
if N==1
G = -SUMgCHan;
f = f+interp1(P.Io(:,1),P.Io(:,2),t);
else
if i == 1
G(1, 1) = - ga - SUMgChan ;
G(1, 2) = ga;
f(1) = f(1)+interp1(P.Io(:,1),P.Io(:,2),t);
elseif i == N
G(N,N) = -(SUMgChan+ga);
G(N,N-1)= ga;
else
G(i,i) = -(2*ga+SUMgChan);
G(i,i-1) = ga;
G(i,i+1) = ga;
end
end
end % endForEachNod
DV=(G*V+f)./C; % curentBalance
[mA,nA,hA,mB,nB,hB]=getRates(V,P.Vrest); % alpha & betas
rn = randi(3,i,1);
if (rn(i)==2)
nB = 0;
end
Dm=(-(mA+mB).*m+mA);Dh=(-(hA+hB).*h+hA);Dn=(-(nA+nB).*n+nA);% gates probs
Dx=[DV;Dm;Dh;Dn]; % asembleStates
set(P.h,’
yData
’,V);title(num2str(t));drawnow; % updateAnims
% process vars
end
% setUp : intialize variables
function P=setUp(P)
% messages
close all; % clear
fprintf(’
No Branching Axon
’); % announce
% setup variables
global P
P.tMax=0.004; % simu time sec
P.tD=0:P.tMax/100:P.tMax; % desired output time steps
P.Vrest = -60e-3; % rest voltage
P.C = 1e-6; % bulk capcitance F/cm^2
P.RL = 15e3; % bulk Cl Resist Ohms*cm^2
P.Ra = 3e3; % bulk axon resist ohms*cm -changeBak2 3e3
P.gMax_K = 60e-3; % bulk K conductance S/cm^2
P.gMax_Na = 120e-3; % bulk Na conduct. S/cm^2
P.ENa = 55e-3; % Nernst poten. Na volts
P.EK = -75e-3; % Nernst poten. K volts
P.ECl = -40e-3; % Nernst poten. Cl volts -changeBak2 -403e-3
P.N=10; % # compartments/nodes/Sect
P.L=.007; % overall length (cm)
% VECTOR for EACH:
Z=ones(P.N,1); z=zeros(P.N,1); % utility vectors 1’
s &
0
’s
P.dx=Z*(P.L/P.N); % subsection length (cm)
P.a=Z*3e-5; % radii of all nodes (cm)
P.surfArea=2*pi.*P.a.*P.dx; % cm^2 -VECTOR for EACH
P.xSectArea=pi.*P.a.^2; % cm^2 -VECTOR for EACH
P.isActive=Z; % 1 if active node, else 0
% initial conditions
Vo=P.Vrest*Z; mo=0.06915; ho=0.5142; no=0.3534; % initial gate probability
P.Xo=[Vo;mo*Z;ho*Z;no*Z]; % stack initial states ->Xo
% Injected current pulse (Istim = Io):
I=1e-10; t1=1e-4; dur=1e-4; t2=t1+dur; miu=1e-9;% pulse start & length time
P.Io= [0 t1-miu t1 t2 t2+miu 2*P.tMax; ... % assemble time and
[0 0 1 1 0 0]*I]’
; % current mag (pico=E-
12
)
setUpPlots(
100
,
’Axon with 35 Nodes’
); % Seup plots ahead of sim
end
% setup figures & animation
function
setUpPlots(figNum,titleText)
global P
S=get(
0
,
’ScreenSize’
); % ask
4
screen size
if
~exist(
’figNum’
,
’var’
), figure, %
if
fig
# not input
else
figure(figNum);
end
Vo=P.Xo(
1
:P.N);mo=P.Xo(P.N+
1
:
2
*P.N); % extractInitStates
ho=P.Xo(
2
*P.N+
1
:
3
*P.N);no=P.Xo(
3
*P.N+
1
:
4
*P.N); % extractInitStates
% place summary figure on screen:
set(gcf,
’name’
,titleText) % window title
set(gcf,
’Position’
,[.
68
*S(
3
)
0
.
3
*S(
3
) .
9
*S(
4
)]); % put figure
% setup Stim (Io) window
subplot(
4
,
1
,
1
);
plot(P.Io(:,
1
),P.Io(:,
2
),
’.-’
,
’linewidth’
,
2
); % plot Io
hold on; xlim([
0
P.tMax]);
xlabel(
’Sec’
); ylabel(
’Amp’
); title(
’Io’
);
% setup volt vs node window
subplot(
4
,
1
,
2
);
P.h=plot(
1
:P.N,P.Xo(
1
:P.N),
’.-’
,
’markersize’
,
12
); % P.h points
2
plot
hold on; xlabel(
’Node #’
); ylabel(
’Volts’
); %
set(gca,
’ytick’
,[-.
3
-.
2
-.
1
P.Vrest -.
025
0
.
1
]); %
ylim(.
15
*[-
1
1
]); %
% setup gates vs time window
subplot(
4
,
1
,
3
);
plot(
0
,mo,
’b.-’
,
0
,ho,
’g.-’
,
0
,no,
’r.-’
); hold on; % all gates
xlabel(
’sec’
);ylabel(
’Prob.’
);ylim([
0
1
]);xlim([
0
P.tMax])%
text(
0
,.
96
,
’ m’
,
’fontsize’
,
6
,
’fontweight’
,
’bold’
,
’color’
,
’b’
)
text(
0
,.
90
,
’ h’
,
’fontsize’
,
6
,
’fontweight’
,
’bold’
,
’color’
,
’g’
)
text(
0
,.
84
,
’ n’
,
’fontsize’
,
6
,
’fontweight’
,
’bold’
,
’color’
,
’r’
)
% setup
3
d figure window
subplot(
4
,
1
,
4
);
plot3(zeros(P.N,
1
),
1
:P.N,Vo,
’.-’
,
’markersize’
,
7
); %
ylabel(
’Node #’
); xlabel(
’time(s)’
); zlabel(
’Volts’
); %
set(gca,
’ztick’
,[-.
3
-.
2
-.
1
P.Vrest -.
025
0
.
1
]); % display
grid on; xlim([
0
P.tMax]); zlim(.
15
*[-
1
1
]); hold on; %
% shrink fonts and turn off box on all:
for
i=
1
:
4
,
subplot(
4
,
1
,i);
set(gca,
’box’
,
’off’
,
’fontsize’
,
5
);
end
subplot(
4
,
1
,
2
);
fprintf(
’...Plots & variables set up...Simulating...’
);
drawnow;
end
function
[alpha_m,alpha_n,alpha_h,beta_m,beta_n,beta_h]=getRates(Vm,Vm_rest,plotIt)
V = Vm-Vm_rest; V=V*
1
e3; % convert2 millivolts
%% rates:
%Input Rate Equation Functions Here
alpha_n =
0.01
*((-V+
10
)./(exp((-V+
10
)/
10
)-
1
))*
1000
;
beta_n =
0.125
*exp(-V/
80
)*
1000
;
alpha_m =
0.1
*((-V+
25
)./(exp((-V+
25
)/
10
)-
1
))*
1000
;
beta_m =
4
*exp(-V/
18
)*
1000
;
alpha_h =
0.07
*exp(-V/
20
)*
1000
;
beta_h =
1
./(exp((-V+
30
)/
10
)+
1
)*
1000
;
%% fix near singularities:
if
(abs(V-
25
)<
1
e-
2
), alpha_m=
1
*
1
e3;
end
; % @ v=
25
if
(abs(V-
10
)<
1
e-
2
), alpha_n=
0.1
*
1
e3;
end
; % @ v=
10
%% plot
if
asked:
if
exist(
’plotIt’
,
’var’
) % PLOT
if
variable
in
plot(Vm,alpha_m,
’b.:’
,Vm,beta_m,
’b.-’
, ...
Vm,alpha_n,
’g.:’
,Vm,beta_n,
’g.-’
, ...
Vm,alpha_h,
’r.:’
,Vm,beta_h,
’r.-’
)
text(
0
,
800
,
’m’
,
’fontsize’
,
8
,
’fontweight’
,
’bold’
,
’color’
,
’b’
)
text(
0
,
800
,
’ h’
,
’fontsize’
,
8
,
’fontweight’
,
’bold’
,
’color’
,
’r’
)
text(
0
,
800
,
’ n’
,
’fontsize’
,
8
,
’fontweight’
,
’bold’
,
’color’
,
’g’
)
title(
’Hodgekin and Huxley Gate Kinetic Rates’
);
ylabel(
’(1/sec)’
); xlabel(
’Volts’
)
end
end
% plotResults
function
: wrap up by ploting final results
function
plotResults(t,x);
global P;
% get variables
N=size(x,
2
)/
4
; nt=size(x,
1
); v1=ones(nt,
1
); %
#S time,nodes
V=x(:,
1
:N);m=x(:,N+
1
:
2
*N);h=x(:,
2
*N+
1
:
3
*N);n=x(:,
3
*N+
1
:
4
*N);% extractStates
% V,m,h,n
% make plots
subplot(
4
,
1
,
2
); ; % volt VS node
plot(
1
:N,V); % prob VS time
subplot(
4
,
1
,
3
); %
3
D plot t,N,V
plot(t,m,
’-b’
,t,h,
’-g’
,t,n,
’-r’
)
subplot(
4
,
1
,
4
);
for
i=
1
:N
plot3(t,i*v1,x(:,i))
end
axis auto
sound(sin(
1
:
1000
),
1
e4); % annouyingBeep
end
⛳️ 运行结果
参考文献
[1]师黎,牛晓可,万红.基于动作电位脑电信号的预处理技术研究[J]. 2012.
部分理论引用网络文献，若有侵权联系博主删除
关注我领取海量matlab电子书和数学建模资料
私信完整代码和数据获取及论文数模仿真定制
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化
2 机器学习和深度学习方面
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列 时序、回归 预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络 时序、回归 预测和分类
2.7 ELMAN递归神经网络时序、回归预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类