【状态估计】无迹卡尔曼滤波（UKF）应用于FitzHugh-Nagumo神经元动力学研究附Matlab代码-优快云博客

本文链接：https://blog.youkuaiyun.com/matlab_dingdang/article/details/147362294

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

神经元的动力学行为是理解大脑功能的基础。FitzHugh-Nagumo（FHN）模型作为一种简化的神经元模型，能够捕捉神经元激发和恢复的基本特性，其状态估计对于理解神经元在噪声环境下的行为至关重要。然而，FHN模型固有的非线性特性使得传统的线性状态估计方法，如卡尔曼滤波（KF），难以取得令人满意的效果。本文深入探讨了无迹卡尔曼滤波（UKF）在FitzHugh-Nagumo神经元动力学状态估计中的应用。通过对UKF算法原理的阐述，特别是其利用无迹变换（Unscented Transform, UT）来近似非线性函数均值和协方差的独特优势，本文详细分析了如何将UKF应用于FHN模型的状态空间表示。通过仿真实验，本文展示了UKF在存在过程噪声和测量噪声情况下的估计性能，并与扩展卡尔曼滤波（EKF）进行了对比。研究结果表明，UKF在处理FHN模型的非线性特性时展现出更高的精度和鲁棒性，为理解神经元在复杂噪声环境下的动态行为提供了有效的工具。

引言

神经元是构成神经系统的基本单位，其复杂的电活动模式是实现感知、认知、学习和记忆等高级功能的基础。为了理解神经元的内在机制和功能，研究人员发展了各种数学模型来描述神经元的动力学行为。其中，FitzHugh-Nagumo（FHN）模型是一个经典的二维非线性动力学系统，由FitzHugh在Hodgkin-Huxley模型的基础上简化而来，能够有效地描述神经元的阈值激发、动作电位产生以及恢复过程 [1, 2]。

在实际的神经系统中，神经元的活动往往受到各种噪声的干扰，例如通道噪声、突触噪声以及环境噪声等。这些噪声使得神经元的实际状态难以直接观测，从而对理解和分析神经元的动力学行为带来了挑战。状态估计技术，旨在利用带噪声的观测数据来估计系统的真实状态，在这种情况下显得尤为重要。通过准确地估计神经元的状态，我们可以更好地理解其内在的动力学机制，预测其未来的行为，甚至进行神经活动的控制。

传统的卡尔曼滤波（KF）是一种最优线性状态估计算法，适用于线性系统且噪声为高斯白噪声的情况 [3]。然而，FHN模型是一个典型的非线性系统，直接应用KF会导致严重的估计偏差甚至发散。为了应对非线性系统的状态估计问题，研究人员提出了扩展卡尔曼滤波（EKF）[4]。EKF通过在当前估计点进行泰勒级数展开来线性化非线性函数，然后应用KF的框架进行状态估计。尽管EKF在许多非线性系统中取得了成功，但其性能严重依赖于线性化点的选择，且在非线性程度较高时可能产生较大的线性化误差，甚至导致估计不稳定。此外，EKF需要计算雅可比矩阵，这在模型复杂或状态维数较高时可能变得困难。

无迹卡尔曼滤波（UKF）是近年来发展起来的一种更为先进的非线性状态估计算法 [5, 6]。与EKF不同，UKF不采用泰勒级数展开进行线性化，而是利用无迹变换（Unscented Transform, UT）来近似非线性函数经过状态分布后的均值和协方差。UT通过精心选择一组称为Sigma点（Sigma points）的样本点来捕捉状态分布的统计特性，并将这些点通过非线性函数进行传播。然后，通过对传播后的Sigma点进行加权平均来获得变换后状态分布的均值和协方差的估计。这种方法避免了雅可比矩阵的计算，且在处理非线性系统时通常比EKF具有更高的精度和鲁棒性。

鉴于FHN模型固有的非线性特性以及状态估计在神经动力学研究中的重要性，本文旨在深入探讨无迹卡尔曼滤波在FitzHugh-Nagumo神经元动力学研究中的应用。通过将FHN模型表达为状态空间形式，并结合UKF的滤波框架，本文将展示UKF在存在噪声情况下的估计性能，并与EKF进行对比，以凸显UKF在处理FHN模型非线性时的优势。