神经反馈（精选4篇）
神经反馈 篇1
0 引言
《2006年中国青少年注意力调查报告》发布会上, 与会专家明确指出, 注意力长期不集中, 不是暂时性问题, 对青少年的发展有着举足轻重的作用。调查结果显示, 仅有58.8%青少年自认为能在上课时集中注意力, 仅有48.6%的青少年能在自习时集中注意力, 仅有39.7%的青少年能坚持集中精神听课30分钟以上[1]。注意力不集中导致的最直接影响就是学习效率低下, 严重影响学习成绩。因此, 如何使青少年注意力集中成为研究者关注的焦点。
目前注意力训练方法中, 药物干预主要针对注意力缺陷儿童, 虽然作用明显, 但是有副作用, 停药后容易出现反复, 长时间服药对儿童健康成长有所影响[2]。行为方法也存在局限性, 单一的行为矫正技术或认知行为策略对于注意力缺陷多动障碍儿童的干预效果不理想, 只能改善患儿某一方面的问题, 并且对儿童的认知功能改善所起的作用不大[3]。感觉统合训练需要庞大的场地和诸多的相关训练设施, 而且要有专业人员来进行训练, 具有训练时间长的缺陷, 基于此, 无副作用且训练效果持久的生物反馈训练法引起研究者注意并开展了广泛的研究。
生物反馈训练是以硬件为基础, 采集脑电信号, 在软件系统平台上进行训练。目前训练系统很多, 但是都没有考虑到训练者本人的主观意愿。本文将脑电生物反馈方法和传统训练方法相结合, 让训练者自主选择训练方式, 从而达到提高注意力的目的。
1 神经反馈训练系统设计原理
2002年, Monderer将通过脑电波作为反馈信息的生物反馈称为脑电生物反馈 (EEG biofeedback, EBF) , 也称为神经反馈 (Neurofeedback, NFB) , 指出神经反馈是将脑电信号转换成容易被人们理解的形式, 如声音、动画, 受试者通过训练, 选择性地增强或抑制某一频段的脑电信号, 从而达到调节脑功能的目的[4]。在治疗过程中, 专业人员通过帮助受试者逐步了解原来并不为自己所感知的机体状况变化, 借助控制仪器提供的外部反馈信号, 学会自我调节内部心理生理变化, 达到治疗和预防特定疾病的目的[5]。
基于此理论, 本文设计了集注意力测评、注意力训练及记录查询等多功能注意力神经反馈训练系统。该系统利用神念科技公司的脑波采集器对数据进行采集和转换, 用户在佩戴设备后, 脑电信号可在系统中以可视化的方式呈现, 用户可以很方便地看到自己脑电信号的变化情况。同时, 用户可以通过调整刺激方式 (如图片、音乐、视频等) 和训练方式 (脑电和传统方法训练) , 学会根据脑波变化自我调节内部心理生理变化, 进而控制相应场景变化, 以最优化的方法训练注意力、提高注意力。在此训练系统中, 用户还可以查看以往的训练情况, 通过查看这些记录, 对自己近段时间的精神状态有一个全面的了解。
2 系统总体架构
本系统的总体架构如图1所示, 主要由量表测评、脑电测评、注意力训练、历史记录4个部分组成。
系统中的脑电测评部分和注意力训练中的脑电训练部分都是借助第三方硬件和辅助软件 (即神念科技出品的脑立方耳机、相关驱动程序和脑立方数据采集程序) 运行的。在进行量表测评和历史查询时, 不需要连接脑立方耳机, 也不需要与数据采集程序交互。
3 系统功能模块设计
3.1 量表测评
量表测评模块将提供与注意力测评相关、信效度较高的测评量表, 注意力相关的量表有中国儿童注意力水平测评量表、Cornners父母用量表 (简化版) 、Cornners教师用量表 (简化版) 及舒尔特方格等。在用这些量表进行测评时, 用户根据自己的真实情况进行填写或作答, 待单项量表测评完毕后, 系统会根据用户的答题情况, 给出相应的测评结果, 大概描述出用户当前的精神状态。
3.2 脑电测评
脑电测评模块由脑电测评前设置和脑电测评两部分组成, 其中脑电测评前设置是设置初始阶段脑电测试时的刺激条件;脑电测评是运用设置的刺激条件记录训练者脑电初始状态。
(1) 脑电测评前设置。脑电测评前设置是设置初始阶段脑电测试时的刺激条件, 如视觉刺激 (图片) 、听觉刺激 (音乐) 、视听觉刺激 (视频) 。测试者在测试之前对刺激进行选择。点击选项, 显示选项预览, 预览的目的是让用户直观看到选项。选择图片, 出现相应图片预览;选择音乐, 预览界面播放音乐;选择视频, 预览界面播放相应视频。其中, 对于系统中的音乐和视频, 训练者可以根据自己的喜好, 添加喜欢的音乐和视频。另外本模块还有前测时间设置, 设置前测进行时间。然后单击保存设置, 单击开始进行测试, 进入下一个模块, 即脑电测评模块。
(2) 脑电测评。在脑电测评模块中, 中间部分以视频播放器作为显示部分, 在设置部分选择了画面显示, 此部分就显示画面;在设置界面选择了音乐播放, 则此部分就显示音乐, 不显示图片, 若选择了视频刺激, 则此部分就显示所选择的视频, 此部分是动态显示的。下方设置的时间条的最大值即为脑电前测设置界面所设置的时间;在训练过程中可以点击暂停, 训练结束后点击保存记录, 脑电前测记录就保存到历史记录中。记录保存后页面再跳转到脑电前测界面, 继续选择前测刺激条件。
3.3 注意力训练
注意力训练模块由两个子训练模块构成:脑电训练和传统方法训练。脑电训练是运用脑立方耳机实时监测训练者注意力, 然后运用训练前所选择的个人训练方法进行注意力训练。
(1) 脑电训练。训练前由训练者对训练方法进行选择, 然后进入训练模块进行训练, 在对训练方法选择时, 训练者可以在设置界面根据系统中提示的方法进行选择, 也可以添加模块中自己喜欢的训练方法。训练模块有阈值柱状图模块、训练模块和开始结束按钮3个功能区域。其中阈值柱状图以设置界面为准, 若用户在设置界面选择不显示柱状图, 此界面即不显示柱状图。训练模块显示所选择的训练方式 (音乐训练或者图片训练) , 在训练过程中图片训练是动态显示的, 即根据训练者脑电值的不同, 图片显示也不一样, 例如鲜花绽放, 当前注意力值不同, 鲜花开放的程度就不同。开始按钮让训练者开始进行注意力训练;结束按钮等用户设置的时间达到以后才会响应。点击结束后, 整个训练过程中的数据要保存到历史记录中, 并且跳转到显示本次训练注意力平均值以及训练时间界面。
(2) 传统方法训练。传统方法训练模块是为了实现不同训练者针对不同训练方法而设置的, 训练过程中可以运用传统训练方法从注意力的稳定性、注意力的广度、注意力的转移和注意力的分配4个角度去进行注意力训练, 旨在以多样化的训练方式提高训练者注意力。
3.4 历史记录
历史记录模块提供用户训练历史数据的查询, 还提供数据的删除和每条记录的详细分析图解。其中, 用户需要查询的记录类别可以选择, 类别包括:量表测评、脑电测试、注意训练。在此模块中, 提供了记录全选和删除的功能。当用户选择分析记录时, 可跳转到记录分析界面, 对每条记录的注意力值进行状态分析。
参考文献
[1]吴翔.青少年注意力调查报告[J].生命时报, 2006 (24) :22-24.
[2]张凤仙.HRV生物反馈技术在中学生注意力训练中的应用[D].桂林:广西师范大学, 2012.
[3]于敏峰.注意缺陷多动障碍儿童注意力特征及其干预研究[D].南昌:江西师范大学, 2003.
[4]R S MONDERER, D M HARRISON, S R HAUT.Neurofeedback and epilepsy[J].Epilepsy Behavior, 2002 (3) :214-218.
[5]张苏范, 毕希名, 周燮生, 等.生物反馈[M].北京:北京科学技术出版社, 1987:56-78.
神经反馈 篇2
1 离散系统输入输出模型
由于计算机的广泛应用, 致使人们对离散系统更感兴趣[2—5]。离散系统的数学模型可以描述为如下的差分方程
对式 (1) 进行z变换, 在零初始条件下, 输出变量的z变换对输入变量的z变换之比就是该系统的z传递函数
式 (2) 中, z表示运算子, 也称为移位算子。
单输入输出的数据采样系统如图1所示。其中u (t) 是系统输入, y (t) 是系统输出, t=1, 2, …, n表示采样的时间点, G是传递函数。在神经网络的每一个单元, 将多输入的活性模式变换为一个输出的活性模式并将其传递给其他的神经元。主要包括两步:第一, 将每个输入乘以相应的权值并求和, 获得一个称为总输入的模式;第二, 每个神经元启用激活函数将总输入模式激活为输出模式, 神经网络的行为取决于这些权值及各神经元特有的激活函数, 具体表示如下
式中, N表示网络中的神经元总数, ui (t) 和τi (t) 分别是t时刻第i个神经元的内部状态和外部状态, wij是t时刻第i个神经元与第j个神经元之间的权值, τi (t) 是t时刻第i个神经元的阈值, fi (·) 是非线性函数。现选取。不同的参数β, 使得函数的形状不同。在确定所有的输出神经元的输出yi (t) 后, 网络便将任意输出神经元的输出通过连接权值Tij反馈至所有的神经元ui (t) 作为输入。也就是说每一个神经元都通过连接权值接受所有神经元输出反馈回来的信息, 目的是为了让任意神经元的输出都能受所有神经元输出的控制, 使得各神经元的输出能够相互制约。每个神经元均有一个阈值τi (t) , 以反映对输入噪声的控制。由文献[6—8]可以看出, 即使静态非线性足够的精确, 但仍然存在局限性。这使得在有关静态非线性反馈的应用中, 近似误差的小幅度增加会导致更大的模型误差。
2 应用δ变换降低误差
导致建模误差的原因之一是离散化在连续系统采样中的应用。为了改进离散化的属性, 引入了δ变换, 随着采样时间h的变化, δ变换在xt上定义了如下的操作
式 (5) 中, xt表示一个连续信号的样本。为了展示δ变换的优越性, 将讨论一阶滞后的例子。假设连续变化的过程方程为
式 (6) 中, u和y分别表示过程的输入和输出, 而K是稳态增益, T是过程的时间常数, D代表微分算子。假设h控制抽样数据的采样时间, 考虑零阶滞后离散过程可以用变换q-1, 或者用δ算子:
来描述控制过程。
以下主要讨论误差的有关问题。上述离散时间模型的参数可以通过输入输出样本进行估计, 最终的目的是重新确定连续过程的参数K和T。离散时间模型中设定的相关参数有一定的误差, 这里的关键在于重建的连续时间模型参数的准确性不仅取决于连续时间参数的误差估计, 还取决于离散时间模型的选择, 本质在于用离散化时间模型参数描述连续时间模型的误差取决于离散时间模型本身。这种刻画连续模型的参数可以表示为
经推理得出K和T的误差函数ΔK、ΔT可以直接表示为关于Δa、Δb的函数。相对误差的转换运算结果为
分析的表达, 可以看出由于 (特别是, 随着样本频率的增加, a的值趋向于1。因此, 第二列元素的矩阵表示高增益, 在关于向量方程的离散模型参数估计时, 相对误差明显被放大, 这会影响连续参数h=0.01 s和a=0.99, b=0.01的确定。例如考虑K=1和T=1情形, 应用采样时间h=0.01 s, 这使得a=0.99, b=0.01, 导致乘法运算增加接近100, 得到的误差矩阵如下
再次, 当a→1得到, 这意味着离散时间和连续时间模型的相对误差很接近。类似的数值实例可以用于高阶系统的重复。进一步的数值实例证实了上述现象:灵敏度矩阵影响高收益的结论, 在变换模型的情况下, 就会是更显著的高阶系统。
3 等价的非线性系统
非线性动态系统模型设计作为典型的分解应用于大多数情况, 即完整的系统往往是由动态线性子系统和静态非线性以某种方式结合而成。现讨论两种类型的模型, 状态模型将使用动态系统作为静态非线性外围的反馈, 输入输出模型将使用静态非线性和动态子系统的层级连结。离散的时间系统模型可以扩展为连续的时间系统模型。
3.1 状态模型
建立模型的一种方法是使用由过程输入和内部状态向量x驱动的未知的静态非线性假设, 静态非线性的输出是已知的属于反馈的类似存储单元和输出y及输入向量u来激活动态系统, 动态子系统是一个带有相同存储单元的简单对角结构, 完整的状态模型如图2所示。假设状态向量是大小完全相同的n维向量;静态非线性包含n+1个函数, 每个函数都有n+1个变量。
假定将用单值非线性映射神经网络实现静态非线性子系统。通常, 动态子系统被认为是线性的, 然而, 它可以推广到非线性动力学中。此外, 动态子系统可以有自己的内力状态x
任何系统都可能有几个等价的输入/输出表示形式。例如, 等价系统的描述可以通过引入不同的状态向量x和z来实现。很显然, 确保输入/输出等价的各种状态变量将导致各种静态和动态子系统。假设动态线性系统是由静态非线性系统S1和动态子系统D1通过某种方式耦合建模所形成的, 进一步假设定义另一个动态子系统D2作为 (S2, D2) 的一部分, 自然地会引出问题:相同属性的D1和D2能否保证存在S2使得 (S1, D1) 和 (S2, D2) 为等价系统 (图3) ?
为了简单起见, 只讨论带有相同大小的状态向量x、u和y的线性动力系统。动态子系统用如下方程描述
矩阵A, B和C都是二次型矩阵。如果B和C是可逆矩阵则两种系统是等价的。另外, 假定实现系统也是稳定的。这种情况下需要一个适当的矩阵A。特别地, 这种情况意味着类似存储器单元可以通过许多方式很容易地选择。例如:非线性动态系统可能涉及下式的转换操作
或者涉及下式的离散时间积分器
3.2 输入输出模型
与状态模型不同的是输入输出模型可以表示为以前的输入和输出样本的函数
则有
为了建立模型, 由动态子系统生成的具有一般属性的输入输出样本作为静态非线性的函数变量。输入输出模型是级联结构, 如图4所示, 由过程输入u激活动态子系统而不是静态非线性。比较输入变量数, 静态非线性的输入变量数已经增加一倍达到了2n, 而在状态模型中只有n+1。然而, 输入输出模型的明显优势在于底层的动态子系统是由过程输入输出的样本激活的。这不像在状态模型的情况下, 没有由动态子系统直接访问输入向量y和输出向量x。接下来我们将获取条件, 找到等价的 (S, D) 对。配方的问题如图5所示。
式 (16) 可以变形为:yt=F (zt) , 其中
这种变形对线性的动态系统有如下的限制条件
式 (18) 中A为非奇异矩阵。然后导入新的状态, 可以表示为
与状态模型相比, 考虑到输入输出模型会受到有效等价转换集合的限制, 线性的变形z'=Az+b将不会改变动态系统的结构。为了得到更加有效的系统模型结构, 将输出方程改写为如下的形式
式 (20) 中
将系统转变成一个等价的输入输出来实现, 相应地对wt执行如下线性变换
可以导出, g' (wt) =0。样本的有效等价输入输出模型结构如图6所示。
图6中, L表示静态的线性子系统。上述方案表明:将一个系统分解为一个线性标称模型和一个以非线性子系统形式表示的该线性模型的偏差是可行的。如果动态子系统D由级联移位算子构成, 则用线性子系统L实现的一阶滞后和二阶滞后分别为
4 非线性模型设计的误差分析
现考虑未知非线性动态系统的模型设计。前面讨论的等价转换关系将作为减小误差的关键方式。一般地, 非线性动力系统的识别运用并行结构实现。首先讨论输出模型对逼近误差的影响, 静态非线性和线性子系统并行工作方式如图6所示。根据并行分解理论, 假设模型将用状态向量x及一个近似的模型:ytN=FN (zt) , 其中zt为串并联模型的状态向量。近似的模型和实际的过程输出之间的误差用误差模型描述为:ytE=FE (zt) , 则实际过程输出为:yt=FN (zt) +FE (zt) 。当这个系统用于识别时, 可以对误差模型加以估计。假设估计误差模型的输出是:, 由上式可以得出输出序列估计表达式:。输出序列的估计误差为
仔细观察上面方程的误差项, 需要注意的是:由于模型的状态向量z不能涉及全部样本, 因此真正的过程输出是不可用的。自然地, 将使用输出样本进行估计。相应地, 并行模型的状态模型可表示为:, 其中误差模型为:, 而且, 建模误差可被转换为, 其中为并行模型的状态向量。
由文献[9—11]可知, 从串并联模型中获得的误差关联于等价转换, 即选择一个合适的模型结构, 理论上存在一个适当的等价转换可以显著降低模型误差。运用前面讨论的等价转换。在自适应建模方面包含两个阶段的过程:第一阶段运用串并联结构模型进行识别, 即实际的过程输出用于潜在的评估体系。下一阶段的模型使用并行结构, 即通过输出模型进行估计, 而不是通过实际过程输出进行估计。然后, 比较等价的结构, 可以得到如下的结论:当从串并联结构转换到并行结构时, 在等价的模型中没有合适的选择来影响误差的传递。换句话说, 误差传递独立于等价转换的应用。这个结论本身并不奇怪, 随着等价转换不调整“环路增益”。
5 结论
非线性动态系统模型需要由模型构建元素来实现非线性映射和动力学行为。状态模型和输入输出模型不仅仅用于建模, 还应用于模型的灵敏度分析。由未知的非线性动态系统的模型设计经验表明, 即使是近似静态非线性逼近的微小误差也可能导致完整模型设计中的较大误差。误差分析解释了这一事实。当转换到并行结构时, 串并联结构的模型设计误差在很大程度上会被放大。主要结果表明:等价转换不影响由串并联结构转换到并行结构时的误差。然而, 等价系统的实现, 会帮助串并联结构本身误差的显著性减小。因此, 并行结构实现识别的性能会得到很大的改善。
摘要：人工神经网络常用于非线性动态系统建模, 动态子系统中可以运用多种形式的静态非线性。为完成非线性动态系统建模, 利用神经网络结构来近似静态非线性关系。自然地, 建模过程中会出现相应的误差估计。分析了基于离散化和数据抽样系统结构因素建模所引起的误差, 发掘出了等价输入输出结构可以作为误差分析的一种度量工具, 刻画出了模型设计误差和逼近误差之间的相依关系并找到了如何选择合适的系统结构来减小误差。
关键词：非线性动态系统,反馈神经网络,逼近
参考文献
神经反馈 篇3
根据凯恩斯的国民收入决定模型, GDP的增长来自于经济体的4个方面:投资 (I) 、消费 (C) 、政府支出 (G) 和出口 (EX) 的增长。但是该模型是建立在线性和静态的前提下, 在实际中上述4个变量对经济增长的作用可能存在着非线性和动态的关系。而这种非线性和动态的关系很难用确定的非线性和动态函数形式表达出来。由于Elman神经网络能以任意精度逼近任意函数 (在连续有限的时间内) , 即一个三层Elman神经网络就可以完成任意的n维到m维的映射;并且该神经网络所具有的反馈型网络结构能较好地体现动态模型的特点。因此, 可以通过构建Elman神经网络来研究投资、消费、政府支出和出口与经济增长之间的关系。在完成神经网络的训练后, 通过蒙特卡罗试验模拟消费、投资、政府支出和出口的变化率在给定概率分布条件下, 网络输出GDP增长率的概率分布。最后采用核估计方法光滑蒙特卡罗模拟的输出。
近年来, 投资、消费、财政支出和出口与GDP增长关系的相关研究主要包括:张海星 (2005) 采用协整研究了FDI和国内投资对经济的拉动效应[1];刘晓霞、周庄 (2007) 采用协整研究了我国经济增长、消费和投资的关系[2];郭健 (2006) 采用协整研究了税收、政府支出和我国经济增长的关系[3];康赞亮、张必松 (2006) 采用协整和误差修正模型 (VECM) 研究了FDI、国际贸易和我国经济增长的关系[4]等。
采用神经网络的实证经济研究主要包括:胡晓龙等 (2008) 研究了Elman神经网络在房地产价格预测中的应用[5];林春燕等 (2006) 研究了Elman神经网络在股票价格预测中的应用[6];吴德胜等 (2004) 研究了Elman神经网络在企业信用评价上的应用[7]等。
采用随机模拟的经济实证研究主要包括:黄安仲 (2008) 采用随机模拟方法研究了货币政策国际协调与中国经济稳定[8];肖俊喜 (2008) 采用随机模拟方法研究了保险公司的破产概率[9];罗付岩等 (2008) 研究了拟蒙特卡罗模拟法在金融计算中的应用[10]等。
采用核估计的经济实证研究主要包括:汤国权等 (2005) 采用核估计研究了医疗费用的分布[11]等。
综上, 当前投资、消费、财政支出和出口与GDP增长关系的实证研究主要集中在采用协整和误差修正模型 (VECM) 对少数因素的研究上, 方法较为单一, 考虑因素不全面, 引入变量较少。神经网络、随机模拟和核估计广泛应用于各种经济实证研究中。尚无将Elman神经网络、随机模拟与核估计结合起来研究多因素变化和经济增长之间关系的经济实证研究。
二、模型构建与估计
(一) 数据来源与初处理
选取1978-2008年的年度国内生产总值GDPt、全社会固定资产投资总额It、社会消费品零售总额Ct、国家财政支出Gt、出口额EXt、居民消费品价格指数CPIt序列;数据来自于各年的《中国统计年鉴》和国家统计局的统计公报。
为了剔除价格因素对所有变量的影响, 首先利用CPIt序列将所有变量换算到以1978年价格水平计价。然后对GDP序列取自然对数后进行一阶差分处理, 如下式 (1) :
即当取较小值时, 序列GDPt的对数一阶差分序列dl GDPt近似等于GDPt变化率序列ΔGDPt。按照dl GDPt序列的算法, 分别计算dlIt、dlCt、dlGt和dl EXt序列。
(二) Elman网络的构建与训练
构造如图1所示的Elman神经网络, 输入层包含4个神经元, 分别接受输入数据dlI、dlC、dlG和dl EX, 反馈层包含24个神经元 (反馈层神经元个数的确定并无固定算法, 主要是依靠经验来确定, 本文通过多次试算确定反馈层包含24个神经元时, 网络拟合效果较好) , 输出层包含1个神经元输出dl GDP。
如图2所示, 反馈层的传导函数选择tansig函数, 输出层传导函数选择线性的purelin函数。
对于一个输入层有R1个神经元, 反馈层有n1个神经元, 输出层有n2个神经元的三层Elman神经网络而言, 其参数的估计办法如下:
1.设输入列向量为P (R1×1) ;输出列向量为a1 (k) (S1×1) ;目标列向量为Y (S1×1) ;连接输入层与反馈层的权重矩阵为IW1, 1 (S1×R1) , 阈值权重列向量b1;连接反馈层与输出层的权重矩阵为LW2, 1 (S2×S1) , 阈值权重列向量b2;反馈层的反馈权重矩阵为LW1, 1;反馈层传导函数为tansig;输出层传导函数为purelin。
2.按照如上符号假设, 如图1所示, 则第k次迭代时, Elman神经网络的反馈层输出向量为a1 (k) =tan sig (IW1, 1·p+LW1, 1·a1 (k-1) +b1) , 输出层的输出向量为a2 (k) purelin (LW2, 1·a1 (k) +b2) 。
3.设置性能函数估计权重矩阵IW1, 1、LW1, 1和LW2, 1以及阈值权重向量b1和b2, 使该性能函数达到最小。
4.由于该性能函数对权值和阈值是一个非线性函数, 所以只有采用迭代的办法才能得到权值和阈值的估计值。采用LM (levenberg-Marquardt) 算法, 设定权值和阈值初始的初始值为w (0) , 则第k+1次的迭代结果为w (k+1) =w (k) -[JT·J+μ·I]-1·J·e, 经过多次迭代直至性能函数E达到精度要求。
将经过初处理的数据代入网络进行训练, 为了防止过度训练导致Elman网络预测性能的下降, 训练在达到一定精度后停止。在本文中经过4次训练均方误 (MSE) 已小于10-4, 完成网络训练, 训练效果如图3所示。
为了检验网络对数据的拟合程度, 将输入向量输入已经训练好的网络得到输出向量, 与目标向量做比较, 发现网络输出值与真实值误差较小, 网络对数据的拟合程度较高, 预测性能较好 (见图4) 。
(三) 10万次蒙特卡罗试验模拟2009年GDP增长率
只要预测2009年投资、消费、政府支出和出口的变化率ΔI、ΔC、ΔG和ΔEX输入网络即可预计2009年的GDP增长率ΔGDP。由于上述4个输入的不确定性, 只能选择以概率分布的形式来表示。根据2009年第1季度的经济数据及相关研究机构的预测, 假设2009年投资的变化率ΔI在[10%, 30%]上服从均匀分布;消费的变化率ΔC在[10%, 20%]上服从均匀分布;政府支出ΔG=24% (根据2009年3月的《2009年政府预算报告》中提到“中央财政支出43 865亿元, 增加8 485.01亿元, 增长24%”) ;出口变化率ΔEX在[-30%, 0]上服从均匀分布。
按照上述均匀分布假设生成10万个随机输入向量, 使用已经训练好的Elman网络模拟输出值GDP的变化率ΔGDP, 结果如图5所示。
(四) 模拟结果的核估计
考虑到概率密度函数的连续性, 有必要采用核估计 (Kernel Estimation) 修匀已经得到的蒙特卡罗模拟结果。
设Y1, Y2, …, Yn是随机变量Y的简单随机子样, f (y) 是Y的概率密度函数, k (·) 为R上一个给定的概率密度函数, hn>0是一个与n有关的常数, 记:
则称fn为总体未知密度函数f的一个核估计, 称k (·) 为核函数, 称hn为组距。
选用正态分布为核函数, 将10万次模拟结果划分为60个区间, 对应组距采用式 (2) 的核估计式, 得到如图5所示的曲线和表1所示的估计结果。
四、结论与政策建议
(一) 结论及相关说明
基于以上Elman网络、蒙特卡罗模拟与核估计的结果, 可以得到结论:在当前经济状况下, 2009年GDP的增长率ΔGDP不小于8%的概率为44.3%。该结论是建立在网络输入满足以上本文假设的均匀分布条件下, 而均匀分布的上下限决定了该结论的可靠性。如果实际经济情况超出了均匀分布的假设, 那么就无法保证该结论适用。考虑到4万亿元的经济刺激计划, 对于2009年的投资增幅ΔI在[10%, 30%]上服从均匀分布和消费增幅ΔC在[10%, 20%]上服从均匀分布的假设应该是恰当的。
对于出口的变化率ΔEX在[-30%, 0]上服从均匀分布, 有几点值得说明:
1.出口的变化率ΔEX不仅取决于国内的经济部门、经济政策和外汇政策等因素, 还取决于全球经济情况, 也就是说, 如果全球经济不能复苏的话, 尽管采取各种刺激措施, 出口仍有下降的可能。
2.考虑到当前全球经济状况, 该均匀分布的上限定为0是比较恰当的, 在全球经济衰退的情况下, 我国今年出口正增长的可能性很小。
3.2009年一季度的出口已经下降近20%, 但是全球经济最困难的时候是否已经过去还不确定, 该均匀分布的下限定为-30%对出口持续下降的可能留有一定的空间。
(二) 政策建议
基于如上结论, 提出以下政策建议:
1.稳定资产价格, 鼓励投资。对于企业和个人的投资行为给予税收上的优惠, 缓解企业特别是中小企业的融资困难。同时, 防止投资过大所导致的未来产能过剩和重复建设问题。
2.通过各种方式, 刺激内需。提高居民收入水平及社会保障水平, 特别是养老、医疗保障, 解除其消费的后顾之忧。
3.在有必要时, 可出台新的经济刺激方案, 适当扩大政府财政支出, 进一步拉动经济增长。2009我国预算财政赤字占到GDP的3%以内, 尚在安全范围内。如果有必要, 还可考虑增加政府财政支出使财政赤字占到GDP的5%, 仍属可接受范围。而政府财政支出应该重点考虑投入在民生问题上, 居民的收入水平和保障水平提高了, 会进一步带动消费的增长, 从而更加有效地拉动经济增长。
4.稳定出口。适当增加出口退税率, 在有必要时, 应当考虑人民币汇率适当贬值。积极参与国际合作, 防止贸易保护主义抬头。
参考文献
[1]张海星.中国FDI与国内投资经济增长效应的比较分析[J].财经问题研究, 2005 (11) .
[2]刘晓霞, 周庄.基于协整分析的我国经济增长、消费和投资关系研究[J].现代经济, 2007, 6 (5) :12-14.
[3]郭健.税收、政府支出与中国经济增长的协整分析[J].财经问题研究, 2006 (11) :82-86.
[4]康赞亮, 张必松.FDI、国际贸易及我国经济增长的协整分析与VECM模型[J].国际贸易问题, 2006 (2) :73-78.
[5]胡晓龙, 郜振华, 马光红.基于Elman神经网络的房地产价格预测[J].统计与决策, 2008 (7) :64-65.
[6]林春燕, 朱东华.基于Elman神经网络的股票价格预测研究[J].计算机应用, 2006 (2) :476-477.
[7]吴德胜, 梁樑.基于V-fold Cross-validation和Elman神经网络的信用评价研究[J].系统工程与实践, 2004 (4) :92-98.
[8]黄安仲.货币政策国际协调与中国经济稳定性——基于随机模拟方法的研究[J].当代财经, 2008 (7) :49-52.
[9]肖俊喜.保险公司破产概率及其随机模拟分析[J].统计与信息论坛, 2003, 18 (6) :18-22.
[10]罗付岩, 徐海云.拟蒙特卡罗模拟方法在金融计算中的应用研究[J].数理统计与管理, 2008, 27 (4) :605-610.
神经反馈 篇4
1 资料与方法
1.1 一般资料
80例糖尿病神经原性膀胱患者为住院患者。糖尿病诊断标准采用1990年WHO制定的标准。神经原性膀胱病变诊断标准为排尿间隔延长, 清晨尿量增多, 尿流变细, 排尿不尽, 尿滴沥, 尿失禁及下腹包块, 膀胱B超示膀胱残余尿量≥50 ml以上。经尿流动力学检查, 并参照Krane siroky法分类, 患者均属于糖尿病神经原性膀胱逼尿肌无力。随机分为观察组和对照组。每组40例, 观察组中男23例, 女17例, 年龄为20～65岁, 平均 (48.75±17.67) 岁。病程为3～9个月, 平均 (6.33±2.94) 个月。对照组40例中, 男24例, 女16例, 年龄为20～65岁, 平均 (42.33±14.48) 岁;病程为3～10个月, 平均 (5.59±3.58) 个月。两组年龄、性别、病程等一般资料差异无统计学意义 (P>0.05) , 具有可比性。
1.2 治疗方法
观察组用弥可保[卫材 (中国) 药业有限公司制造]1 mg/d, 肌内注射, 3周为1个疗程;AM1000B生物反馈疗法治疗仪进行治疗, 协助患者插入肛内传感器, 贴上腹部电极。患者取坐位, 面朝计算机, 帮助患者识别反馈于电脑屏幕的压力曲线, 电刺激剂量为耐受量, 电刺激间歇时嘱患者配合做肛门收缩运动, 每次治疗25 min, 1次/d, 6次/周, 3周为1个疗程。训练结束后, 布置并指导患者家庭训练的课程。对照组采用电针治疗, 电针仪器选用广东省汕头市医用设备厂公司生产的805-AⅡ型电针仪。穴位取双侧三阴交、膀胱俞、次髎、中极、关冲。使用疏密波, 15 Hz, 电流强度为耐受量, 留针30 min, 1次/d, 6次/周, 3周为1个疗程。
1.3 尿流动力学测定
应用美国Laborie公司的BONITO尿动力检查仪。患者呈半卧位, 按照标准方法常规行尿流率、压力-流率测定和尿道测压;同步测定尿道外括约肌肌电图, 灌注速度为50 ml/min;尿道测压力2 ml/min, 导管退出速度为2 mm/s。
1.4 疗效标准
显效:治疗3周后, 膀胱内残余尿正常;有效:膀胱内残留尿量减少50%;无效:膀胱内残留尿量无明显减少。
1.5 统计学处理
应用SPSS 10.0统计软件包对数据进行处理, 计量资料以均数±标准差
2 结果
经治疗, 两组膀胱压力差异无统计学意义 (P>0.05) , 其余指标差异均有统计学意义 (P<0.05) ;两组日平均排尿次数、日平均单次尿量、日单次最大排尿量、总有效率差异均有统计学意义 (P<0.05) 。见表1、表2、表3。
3 讨论
控制排尿功能的中枢神经系统或周围神经受到损害而引起的膀胱尿道功能障碍称为神经原性膀胱 (neurogeni cbladder) 。本组神经原性膀胱患者致病因素为糖尿病。逼尿肌的支配神经发生病理改变后, 逼尿肌丧失全部或部分神经支配, 排尿时逼尿肌收缩力减弱[3,4]。膀胱逼尿肌收缩力减弱, 尿道外括约肌收缩加强, 致“外括膀胱-逼尿肌”舒缩失调。糖尿病早期即可损害膀胱收缩功能, 可能是膀胱体原肌球蛋白含量降低所致[5], 同时膀胱逼尿肌细胞钠钾通道活性降低, 细胞内钠离子浓度升高, 逼尿肌收缩反应性也降低[6]。光镜观察显示, 逼尿肌细胞代偿性肥大, 间质和胶原成分增多, 晚期逼尿肌细胞萎缩, 减少甚至消失, 仅见大量的胶原及弹性纤维成分, 膀胱壁菲薄呈无张力的囊状[3]。肾上腺素能受体中, α肾上腺素能受体主要分布在膀胱底部、膀胱颈部、三角区和近段尿道。有研究表明, 膀胱颈部α肾上腺素能受体兴奋性增加也是神经源性膀胱的发病原因, 这一改变可以解释本病排尿困难症状[7]。治疗神经原性膀胱, 在保护肾脏功能, 防止肾盂肾炎、肾积水导致慢性肾功能衰竭的同时, 还应改善排尿症状, 以减轻患者生活上的痛苦。表中膀胱压力升高, 因为本组病例观察时间为20 d, 已可以观察到膀胱压力开始升高, 一方面膀胱压力顺应性有先升后降的特点, 另一方面, 膀胱充盈压力升高, 排尿情况、尿流动力学指标改善, 膀胱顺应性增加, 抑制了膀胱功能亢进, 提高了尿流率。残余尿量减少, 残余尿量被消除或减至很少 (50 ml以下) , 可减少尿路并发症。弥可保的化学名称为甲钴胺 (Mecobalamin) , 又称甲基维生素B12, 是有活性的维生素B, 为维生素B12在体内的活性代谢产物, 系一种糖酶型维生素。进入体内后直接参与组织细胞核酸的合成以及氨基酸、蛋白质、脂肪的代谢。同时它又是甲基丙二酰辅酶A转变为琥珀酰胺辅酶A的必要成分, 后者进入三羧酸循环, 产生组织细胞修复所必要的营养物质和能量, 促进损伤神经的修复[8,9]。因在中央钴分子上结合了一个甲基基团, 可参与物质的甲基转化反应及核酸、蛋白质和脂类代谢, 促进神经细胞内核酸、蛋白质以及神经髓鞘的合成, 从而修复受损伤的周围神经。DNBUD治疗最重要的是积极控制血糖, 从而促使受损的神经细胞修复与再生, 但神经再生是一个复杂的过程。弥可保是目前治疗DNBUD的常用药物[10,11], 是维生素B12的衍生物, 即钴宾酰胺, 其甲基化的功能可参与身体中生化甲基转移作用, 促进神经组织内核酸、蛋白质和脂质代谢, 且直接转入神经细胞, 刺激轴浆内蛋白质合成, 促使神经髓鞘卵磷脂的合成, 加快修复损伤的神经组织, 改善神经传导速度。它通过以下方式修复受损神经纤维:高浓度地转入神经细胞器;加强神经细胞内核酸和蛋白质合成;促进轴浆转运;促进髓鞘形成;刺激轴突再生;加速轴突传递恢复。本研究发现:大剂量弥可保续贯治疗能明显改善糖尿病自主神经病变患者的症状, 增加弥可保剂量以及延长治疗时间均显示出更好的治疗作用。
生物反馈疗法是应用电子仪器, 将人们意识不到的身体功能变化, 转变为可以被人感觉到的信号, 再让患者根据这些信号学会控制自身不随意功能, 从而治疗疾病, 适用于治疗较深的神经、肌肉、关节和内脏器官疾病。训练的目的是排泄期间学会有意地控制括约肌。电刺激量强度为耐受量, 机体易适应, 人体组织深处内生的脉冲电刺激可引起肌肉收缩, 产生明显的震颤感, 促进血液循环作用[12,13], 通过掩盖或效应兴奋粗纤维, 达到治疗目的。生物反馈疗法是建立在人类学习理论基础上的一种自我调整训练技术, 生物反馈并不是一套完整的治疗方法, 而是一系列训练技术, 包括能使人们更容易的控制盆底肌肉或更容易掌握其他自我调控技巧的行为训练。人们经历并且能意识到自我行为的结果, 从而通过自我调节的手段达到改变生理功能的目的。
尿流动力学检查可以明确膀胱容量、膀胱顺应性、最大膀胱充盈压;同步膀胱压力-容积、尿流率、肌电图及排尿膀胱尿道造影检查, 可以明确逼尿肌和尿道括约肌的协调性。对神经源性膀胱患者进行尿动力学检查, 可为损伤部位进行尿动力学分类, 并对临床治疗提供依据。糖尿病早期由于Na+-K+-ATP酶活性被抑制, 导致代谢障碍, 支配膀胱的有髓鞘传入神经进行性脱髓鞘改变, 使神经冲动的传导速度减慢[3]。此方法早期介入疗效较好, 可以对躯体深部神经进行刺激, 调节内脏器官的功能, 简便、易于推广。生物反馈疗法的电刺激对副交感神经的兴奋作用, 对肌细胞的收缩功能和相互间耦联作用调节的原理, 治疗糖尿病神经原性膀胱的作用机理, 对骶髓排尿中枢的作用和各中枢复杂单位放电变化关系和机制, 还有待于进一步深入研究。
摘要：目的 观察弥可保配合生物反馈疗法治疗糖尿病神经原性膀胱逼尿肌无力的疗效。方法 将糖尿病神经原性膀胱患者80例分成对照组和观察组, 对照组给予电针治疗, 观察组给予弥可保配合生物反馈疗法治疗, 通过尿流动力学测定, 对比评定治疗结果。结果 两组患者治疗后症状均有明显改善, 而观察组治疗后疗效优于对照组, 差异有统计学意义 (P<0.05) 。结论 弥可保配合生物反馈疗法治疗糖尿病神经原性膀胱逼尿肌无力有显著作用, 可提高疗效。