识别关键参数估计(GUI)

模型描述

vestibulo-ocular反射(伏尔)使眼睛以同样的速度移动,在相反的方向,所以这一愿景不是模糊当头部移动在正常活动。例如,如果头转向右边,眼睛向左转在同一速度。这种情况甚至在黑暗中。事实上,VOR最容易的特点是测量在黑暗中,以确保眼球运动主要是由于刑事和解。

头部的转动由内耳器官,感觉到的半规管。这些检测头运动和头部运动到大脑传递信号,电机命令发送给眼部肌肉,所以眼部运动补偿运动。我们想使用眼动数据估计模型参数对这些不同的阶段。我们将使用如下所示的模型。有四个参数模型:延迟,获得,Tc,Tp。

open_system (“sdoVOR”)

该文件sdoVOR_Data.mat包含均匀抽样数据的刺激和眼球运动。如果刑事和解完全补偿,那么一个阴谋的眼动数据,当垂直翻转,将完全覆盖一块头顶的运动数据。这样一个系统将被增加1和180度的阶段。然而,真正的眼球运动是接近,但不完全补偿。

负载sdoVOR_Data.mat;%列向量:时间HeadData EyeData

我们将使用敏感性分析UI看看模型输出与数据的吻合程度,和探索模型参数拟合优度的影响最大。灵敏度分析的UI,应用程序选项卡上,单击灵敏度分析仪下控制系统启动灵敏度分析仪。

关联数据与模型,点击新的需求并选择一个信号匹配的要求。这指定一个目标函数组成的平方误差的总和之间的数据和模型的输出。在信号匹配对话框中,指定输出(时间EyeData),并指定输入(时间HeadData)。

查看眼动数据,导航到数据浏览器UI的左边,右键单击SignalMatching要求,并选择情节和模拟。底部图显示,刺激,一系列的脉冲组成。顶部的情节显示眼动数据,类似于但不完全匹配的刺激。它还表明,该模型模拟输出不匹配的眼动数据,因为需要估计模型参数。

探索设计空间

模型试图捕捉现象导致头部动作和眼球运动之间的差别。我们将探索设计空间形成的模型参数。指定参数灵敏度分析UI中探索,点击选择参数和创建一个新的参数集。选择所有模型参数:延迟,获得,Tc和Tp。

探索设计空间通过生成参数值。点击生成值并选择随机值。对于重复性的示例,重置随机数发生器。

rng (“默认”)

因为有4个参数,我们将产生40样本。

的延迟参数模型的事实有一些延迟通信信号从内耳的大脑和眼睛。这延迟是由于化学神经递质所需的时间穿越神经细胞之间的突触结晶。基于vestibulo-ocular反射神经突触的数量,这延迟预计是5毫秒左右。我们将用均匀分布模型的下界2女士和女士9的一个上界。

的获得参数模型,在黑暗中,眼睛不要移动完全一样。我们将模型用一个均匀分布的下限0.6和1的一个上界。

的Tc相关的动力学参数模型的半规管,以及一些额外的神经处理。运河是高通滤波器,因为一个主题后放入旋转运动,活跃的膜在运河慢慢放松休息回到位置,所以运河停止运动传感。因此,刺激后经历过渡边缘,眼球运动倾向于离开刺激。运河力学特性的基础上,加上额外的神经处理延长这个时间常数提高刑事和解的准确性,我们将模型Tc与正常(即。,bell curve) distribution with a mean of 15 seconds and a standard deviation of 3 seconds.

最后,Tp参数模型的动态动眼神经的植物,如眼睛和肌肉组织。植物可以通过两极建模,然而相信大时间常数的极是取消预补偿的大脑,让眼睛快速地运动。这样的情节,刺激经历过渡边缘时,眼球运动遵循只有有点延迟。我们将模型Tp均匀分布的下限0.005秒和0.05秒的一个上界。

生成的样本值时,出现在一个表的灵敏度分析UI。情节,选择ParamSet在数据浏览器,点击情节选项卡,然后做一个散点图。上面的采样使用默认选项,这些反映在散点图中。由均匀分布参数建模,直方图出现大约一致。然而,参数Tc是由一个正态分布建模,其直方图有钟形曲线轮廓。如果统计和机器学习工具箱™是可用的,可以使用许多其他分布,采样可以通过使用Sobol或荷low-discrepancy序列。非对角的情节显示成对的不同变量之间的散点图。由于我们没有指定参数之间的互关联,散点图出现不相关的。但是,如果参数被认为是相关的,这可以使用相关矩阵指定对话框中的选项卡用于生成随机参数值。

评估模型

既然我们已经生成的值指定的参数设置和要求(SignalMatching),我们可以评估模型。在敏感性分析选项卡上,单击评估模型。

模型为每个参数值,运行一次,结果散点图是新计算可用更新。评价也可以加快使用并行计算。评价完成后,所有的结果也显示在一个表中。

散点图的评价结果,SignalMatching需求似乎不同系统的函数获得和Tc,但不延迟或Tp。可以看到类似的等高线图。选择EvalResults在浏览器的数据变量,单击情节选项卡,等高线图。要求不改变系统地从左到右的函数延迟,但它垂直的函数获得。

统计分析

我们可以用统计分析来量化多少每个参数影响的要求。单击统计数据选项卡并选择相关和标准化的回归;线性和排名分析类型。如果统计和机器学习工具可用,偏相关和肯德尔相关也可以选择。点击计算统计数据进行计算和显示龙卷风阴谋。龙卷风图显示结果按顺序从上到下的参数最能影响需求。统计值范围从1到1,表明多少级参数影响的需求,和迹象表明是否增加参数值对应于需求的增加或减少的值。在大多数情况下,这个问题SignalMatching需求更敏感获得和Tc,不太敏感延迟和Tp。

选择参数估计

对于参数估计,我们需要指定参数的值。点击评价结果表,然后单击SignalMatching列标题进行排序的结果。选择最小化参数值的行SignalMatching要求。右键单击行和提取这些参数值。一个新的变量,ParamValues,所示数据浏览器。

从敏感性分析参数估计,导航到敏感性分析选项卡上,单击优化,打开一个会话参数估计。在出现的对话框中,指定您想要使用的参数值ParamValues,SignalMatching要求。

因为我们发现以上参数获得和Tc最具影响的价值SignalMatching我们想估计,只有这两个参数,因为时间估计和估计的参数的数量增加。在参数估计的用户界面中,单击选择参数并选择只获得和Tc估计。

实验定义以来进口SignalMatching进口和参数值ParamValues,我们估计所需的一切。点击估计进行参数估计获得和Tc。因为我们只是估算两个最有影响力的参数估计收敛迅速,模型输出匹配数据。的情况也是模型评价敏感性分析,并行计算可以用来加速估计。

总之,灵敏度分析UI用于参数设计空间探索和确定这两个参数,获得和Tc明显比其他的更有影响力。估计也是确定的起始点。这个起点,获得实验数据的一个很好的工具的需求被导入参数估计的UI。估计快速完成,因为只有两个参数需要估计和模型输出符合数据与残留误差很小。

关闭模式。

bdclose (“sdoVOR”)