2、动态递归神经网络对生物信号的识别：从动眼神经积分器到复杂人类运动与 locomotion

动态递归神经网络对生物信号的识别：从动眼神经积分器到复杂人类运动与 locomotion

1. 引言

近年来，人工神经网络在生物领域的应用取得了显著进展，其灵感来源于真实生物结构的功能组织。动眼系统对工程师和神经科学家都具有极大的吸引力，在这方面发挥了重要作用。特别是，自从在脑干中发现神经积分器（能够将眼球速度进行数学积分转换为眼球位置信号）的明确证据以来，众多人工网络得以开发，这有助于更好地理解大脑如何控制运动这一基本问题。这种仿生策略最近使得专门用于控制类人机器人的不同动态递归神经网络（DRNN）得以发展。同时，也有人提出了分层神经启发模块，形成前向动力学模型的级联，其中自上而下和自下而上的影响能够生成行为原语。

2. DRNN 对动眼神经积分器的模拟

对神经积分器模型的兴趣超出了动眼领域，因为维持眼球位置的过程与短期或工作记忆中保存的信息存在类比关系。当神经积分器的神经元在扫视期间持续放电以编码眼球速度信号的时间积分时，这种持续活动可以被解释为眼球在空间中位置的内部记忆。因此，与工作记忆的类比很容易实现。

2.1 基本 DRNN 模型

基本模型是一个动态递归神经网络，由以下方程控制：
[
\frac{dy_i}{dt} T_i = -y_i + F(x_i) + I_i
]
其中 (F(\alpha)) 是挤压函数 (F(\alpha) = (1 + e^{-\alpha})^{-1})，(y_i) 是单元 (i) 的状态或激活水平，(I_t) 是外部输入（或偏置），(x_i) 由下式给出：
[
x_i = \sum_{j} w_{ij} y_j
]