一种改进FHN神经元滤波模型研究高娃阚阅摘要：突触滤波是神经元处理和传递信息的重要过程，有助于生物在复杂环境中获取所需信息。针对当前人工神经元模型中较少考虑到突触滤波机制，本文以FitzHugh-Nagumo（FHN）人工神经元模型为基础构建基于膜电势增量变化的神经元数学模型，在此基础上模拟突触滤波机制，从而提出一种改进FHN神经元滤波模型。而后，对该模型的稳定性条件、幅频响应进行了分析，并通过不同信噪比条件下的典型信号和语音信号实验对该模型的信息传递能力和滤波能力进行验证。实验结果表明，该模型能够有效传递输入信息、提高输入信息强度，且有效抑制其中噪声部分。关键词：FHN模型;突触滤波;模型响应：2095-2163（2021）03-0016-06：TP391文献标志碼：A【Abstract】Synapticfiltering，whichisquitehelpfultogettheinformationneededincomplexenvironmentforlivingthings，isanimportantprocessforneuronstoprocessandtransmitinformation.Forsynapticfilteringisrarelyconsideredinmodelingtheartificialneuronmodels，thispaperproposesanimprovedFitzHugh-Nagumo（FHN）model.BybuildinganeuronmodelthatcandescribetheincrementalchangeofmembranepotentialbasedontheFHNmodelandsimulatingthesynapticfilteringonthisbasis，themathematicaldescriptionoftheproposedimprovedFHNmodelisderived.Then，thestabilityconditionandtheresponsesarediscussed，andtheinformationtransmitabilityandthefilteringabilityoftheproposedmodelaretestedbythetypicalsignalsandthespeechsignalsinthecasesofdifferentconditionswithdifferentsignal-noiseratios（SNRs）.Theexperimentsverifythat，themodelcanrealizethetransmissionofinputs，increasetheintensityofinputsandreducethenoisesofinputseffectively.【Keywords】FHNmodel;synapticfiltering;modelresponse0引言神经元突触短时程效能增强或压抑（即突触易化和突触抑制）被研究人员认为与信息处理中的滤波功能有关，能帮助生物在外环境中获取所需信息[1-2]。例如，Fortune等人[2]认为神经元突触可塑性有助于实现噪声滤波与外环境信息识别，Khanbabaie等人[3]发现中枢神经元的短时突触抑制特性可以滤除噪声，Cian等人[4]研究认为突触短时程效能增强和压抑有助于优化神经信息传递。近年来，越来越多研究人员开始模拟突触滤波或者构建突触模型。例如，Hiratania等人[5]通过构建一个树突神经元模型证明了多突触连接的突触可塑性表现出了近似于粒子滤波属性。Tong等人[6]则提出了一种突触双室模型，将其作为增益器用以放大或抑制信息传输。研究人员主要关注突触前、突触后和多突触之间的生物学部分组成、功能等情况，但较少从神经元与突触整体角度来模拟滤波特性。例如，McCulloch-Pitts（MP）模型、Hodgkin-Huxley（H-H）神经元模型、Hopfield模型、FitzHugh-Nagumo（FHN）模型等均能一定程度上模拟神经元阈值特性、非线性、电特性等特点，在许多研究中作为神经元的基础数学模型使用，但这些模型与突触模型或突触滤波相结合的研究在现阶段仍然较少。因此，本文聚焦神经元与突触的整体性，以FHN神经元作为基础模型进行改进，构建神经元信息传递与突触滤波之间的联系，提出一种改进FHN神经元滤波模型，分析该模型特性。实验表明，该模型能在有效传递信息的同时，抑制外环境噪声，能为复杂环境中的信息处理提供研究思路。1模型构建1.1基础模型FHN模型能够用于描述神经元膜电势与传入刺激的关系。当传入刺激大于阈值时，FHN模型表现出激发振荡性质，而当传入刺激不超过阈值，FHN模型则处于非激发状态。FHN模型的动力学方程本质上可表达为二阶非线性微分方程，如式（1）所示[7]：其中，v为膜电势变化;w为膜电势恢复变量;Ie为兴奋电流;a和b分别为系统控制参数。神经元的信息传递可通过连续传入刺激下神经元膜电势增量的变化而表达。因此，本文采用FHN模型为基础，构建能够描述膜电势增量变化的神经元模型作为模拟突触滤波的数学模型。对于单个神经元而言，当其传入刺激不超过阈值，该神经元膜电势处于静息电位。当传...