关于脑信号传输的神经动力学分析

运用随机相变动力学理论和方法建立了一个由感知神经元集群、中间神经元集群和运动皮层神经元集群组成的一个神经网络模型.依据所建立的模型,分别考察了串并耦合、串联耦合以及单向耦合3种情况下神经网络所表现的神经信息处理的动力学特征.研究结果表明,由给出的中枢神经系统神经信息处理的基本结构,能够大致反映反射运动和随意运动情况下神经信息处理的基本特征.数值地证明了随意运动所引发的各个局部神经网络的兴奋,特别是运动皮层神经元集群的兴奋比反射运动条件下的兴奋大得多.反映了随意运动条件下,有更多的神经元参与了神经信息处理和兴奋性同步运动.     

广义神经传播方程的整体吸引子

使用Galerkin方法,结合Sobolev空间理论和不等式技巧,给出了广义神经传播方程解的存在唯一性定理,然后利用吸引子存在性定理,采用半群方法证明了方程整体吸引子的存在性.     

细胞神经网络系统解轨线的长时间性态

研究细胞神经网络系统解轨线的长时间性态,提出了系统关于平衡态集合解轨线稳定的概念,得到了系统在这种意义下稳定的条件。这里的结果推广了目前一些已有的结论并对网络的具体实现具有重要的指导作用。     

番茄能成为口服疫苗的载体吗

韩围生命工学研究院（Korea Research Institute of Bioscience and Biotechnology,KRIBB）的金贤淳（HyunSoon Kim音译）和数字生物技术公司（Digital Biotech Inc．）、圆光大学（Wonkwang University）的同仁经研究后提出,番茄非常适于作阿尔茨海默氏病（Alzheimer’s disease,AD）口服疫苗的载体。尽管他们的研究尚处于早期阶段,但是毕竟在寻找神经退行性疾病（neurodegenerative disease）口服疫苗的道路上迈出了富有希望的第一步。     

连续臂丛神经阻滞镇痛对断指再植血流动力学影响的研究

目的研究连续臂丛神经阻滞镇痛对断指再植术后再植指血流动力学的影响,探讨其缓解血管痉挛、增加血流量的可行性。方法将60例急诊行断指再植术患者按随机数字表法分为术后连续臂丛神经阻滞镇痛组（CA组）和对照组（NA组）,每组30例。观察两组患者再植指术后血管痉挛、血管栓塞和指体坏死发生例数并计算再植指成活率,记录两组术后即刻（T1）、术后24h（T2）再植指固有动脉血流动力学参数及动脉内径（AD）、远指端血氧饱和度（SpO2）和温度（Ts）变化。结果断指再植术后成活率CA组高于NA组,血管痉挛、血管栓塞和指体坏死发生率CA组均低于NA组,差异均有统计学意义（均P＜0.05）。在T2时CA组各项血流动力学参数、AD、SpO2、Ts均高于NA组,阻力指数（RI）低于NA组,差异均有统计学意义（均P＜0.05）。结论术后连续臂丛神经阻滞镇痛可以缓解再植指固有动脉痉挛,增加指体血流量,提高了断指再植的成功率。     

神经激肽1受体拮抗剂对大鼠脑缺血再灌注的神经保护作用

目的观察大鼠局灶性脑缺血再灌注后神经激肽1受体拮抗剂对脑梗死体积、脑组织含水量及神经行为学变化的影响,探讨减轻神经源性炎症反应对脑缺血再灌注的保护作用。方法将54只大鼠分为药物组、假手术组、对照组,用线栓法建立右侧大脑中动脉缺血再灌注大鼠模型,药物组和对照组大鼠在再灌注时经尾静脉分别注入神经激肽1受体拮抗剂及生理盐水,假手术组只分离右侧颈总、颈内、颈外动脉。缺血再灌注后24h时采用免疫组化法检测P物质表达,氯化三苯基四氮唑染色法测定脑梗死体积,干-湿称重法检测脑组织含水量;分别于再灌注24h及72h时利用转棒试验和肢体不对称试验检测神经行为学变化。结果脑缺血再灌注后24h大鼠脑缺血区P物质的表达明显升高,脑组织含水量明显增加。药物组与对照组比较,脑组织含水量减少,神经功能改善。结论神经激肽1受体拮抗剂可通过抑制神经源性炎症反应而达到缺血再灌注损伤时的脑保护作用。     

网络系统的控制与优化

<正>近年来,网络系统的控制与优化是国内外科学工作者重点关注的研究领域,该项研究与生物、社会系统和现代工程技术的发展密切相关.多智能体系统是一类具代表性的网络系统,它可普遍用于多机器人的编队控制、空间无人机的分布式队形控制,也可为传感器网络研究以及复杂系统的自主协调控制等提供必要的理论基础.其中的一个典型问题在于理解如何通过仅调节少量个体来控制整个网络系统的行为,这是对网络系统施加控制的一种     

CONVERGENCE OF ONLINE GRADIENT METHOD WITH A PENALTY TERM FOR FEEDFORWARD NEURAL NETWORKS WITH STOCHASTIC INPUTS

Online gradient algorithm has been widely used as a learning algorithm for feedforward neural network training. In this paper, we prove a weak convergence theorem of an online gradient algorithm with a penalty term, assuming that the training examples are input in a stochastic way. The monotonicity of the error function in the iteration and the boundedness of the weight are both guaranteed. We also present a numerical experiment to support our results.     

高维广义神经传播方程Cauchy问题整体光滑解

其中c_1、c_2为非负常数。近些年来,国内外许多学者对这类方程进行了深刻的研究.M.E.Schonbek研究了神经脉冲传播中的Fitzhugh-Nagumo方程组初边值问题整体经典解存在性,郑宋穆、沈玮熙进一步改进了[3]的结论。C.V.Pao研究了