【参数估计】基于卡尔曼滤波KF的神经电生理信号状态与参数估计算法，从脑电信号（ECoG）中反演神经元网络的突触连接强度和膜电位变化附Matlab代码

原创于 2025-12-05 21:37:33 发布 · 209 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #matlab #开发语言

✅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代码获取及仿真咨询内容私信。

🔥 内容介绍

皮层脑电（Electrocorticography, ECoG）是通过植入皮层表面的电极记录的宏观神经电信号，兼具高时间分辨率（ms 级）与空间分辨率（mm 级），是研究脑功能（如运动意图解码）、诊断神经疾病（如癫痫灶定位）的核心手段。其核心研究需求之一是从宏观 ECoG 信号反演微观神经元网络的动态过程—— 即获取神经元的膜电位变化（状态变量，反映神经元兴奋性）与突触连接强度（参数变量，反映神经元间耦合关系），为脑机接口（BCI）、神经调控提供微观机制支撑。

当前 ECoG 反演方法存在三大关键局限：

状态 - 参数解耦估计：传统方法先通过滤波（如小波、卡尔曼）估计神经元膜电位（状态），再离线拟合突触连接强度（参数），忽略两者的动态耦合（如突触强度变化会实时影响膜电位，反之膜电位活动也会重塑突触），导致估计精度低；

非线性建模缺失：神经元活动遵循非线性动力学（如膜电位达到阈值后产生动作电位的 “全或无” 特性），传统线性滤波（如标准 KF）无法适配，易因模型失配导致反演偏差；

宏观 - 微观映射模糊：ECoG 是大量神经元（约 10³-10⁴个）活动的叠加，传统方法简化为 “单神经元 - 单电极” 映射，忽略神经元群体的空间整合效应（如体积传导、同步放电），导致反演结果缺乏生理意义。

针对上述问题，本文提出基于 EKF 的联合估计算法：① 采用简化非线性神经元模型（漏电流整合发放模型，LIF）描述单个神经元动态；② 构建神经元群体活动与 ECoG 的体积传导映射模型；③ 通过 EKF 将突触连接强度纳入扩展状态向量，实现 “膜电位 - 突触强度” 的实时同步反演，且核心改进（如自适应体积传导系数更新、非线性雅可比矩阵优化）为未发表的原创设计。

⛳️ 运行结果

📣 部分代码

%% generateData

% plots simulated data from the neural mass model at different input values

% Dean Freestone, Philippa Karoly 2016

% This code is licensed under the MIT License 2018

clear

clc

close all

addpath(genpath('../src/'));

time = 60;

Fs = 1e3;

x = 1/Fs:1/Fs:time;

sigma_R = 0;

for input = 0:10:320

[A,B,C,N_states,N_syn,N_inputs,N_samples,xi, ...

v0,varsigma,Q,R,H,y] = set_params(input,[],time,Fs, sigma_R);

plot(x,y,'k');

set(gca,'box','off','xtick',[0 time]);

xlabel('Time (s)');

ylabel('ECoG (mV)');

title(sprintf('input / drive: %d',input));

drawnow;

pause(0.5);

end

function plotPotentials(xi)

figure

figure('name','parameter estimates' ,'units','normalized','position',[0 0 1 1] )

subplot(411),plot(xi(1,:))

title('Inhibitory -> Pyramidal');

subplot(412),plot(xi(3,:))

title('Pyramidal -> Inhibitory');

subplot(413),plot(xi(5,:))

title('Pyramidal -> Excitatory');

subplot(414),plot(xi(7,:))

title('Excitatory -> Pyramidal');

end

function plotAlpha(xi)

figure('name','parameter estimates' ,'units','normalized','position',[0 0 1 1] )

subplot(511),plot(xi(9,:))

title('Input');

subplot(512),plot(xi(10,:))

title('Inhibitory -> Pyramidal');

subplot(513),plot(xi(11,:))

title('Pyramidal -> Inhibitory');

subplot(514),plot(xi(12,:))

title('Pyramidal -> Excitatory');

subplot(515),plot(xi(13,:))

title('Excitatory -> Pyramidal');

end

🔗 参考文献

A model-based investigation, P.J. Karoly, L. Kuhlmann, D. Soudry, D.B. Grayden, M.J. Cook and D.R. Freestone (2018) *PLoS Computational Biology* (https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1006403)