课程文献中心 更多>>

关键词： 同步定位与地图构建   闭环检测   视觉词袋   网格细胞   位置细胞  

摘要： 同步定位与地图构建（Simultaneous Location And Mapping,SLAM）是指在未知环境中移动机器人通过自身携带的多种传感器采集当前环境中的物理信息,于运动过程中对环境进行建模构图,与此同时还需要定位自身在地图中的位置。然而,现阶段SLAM算法仍存在计算量较大,复杂环境下易出现地图构建失败等问题。SLAM算法的智能化水平仍不及动物的导航能力。为此开发和研究新的移动机器人SLAM算法,特别是借鉴鼠脑海马认知机理构建仿生SLAM模型是近年来一个研究方向和重点。澳大利亚学者Milford等人提出一种基于啮齿类动物海马结构空间导航方法,然而该方法仍存在一些缺陷,如在光线视觉变换下闭环检测准确率较低,长时间运行下累积误差较大,突发动态障碍物的干扰也严重影响该导航方法的导航效果,导致航迹产生较大偏移。针对基于啮齿类动物海马结构空间导航方法易受复杂环境因素干扰,在光线视觉变换下闭环检测准确率较低导致轨迹误差较大等问题,本文通过引入彩色深度图进行回环检测,提高光线突变场景下闭环检测的准确率。受仿鼠脑海马体空间认知机理的启发,本文提出一种基于兴趣倾向机制的仿生SLAM算法。该算法采用反Hebbian网络（Lateral Anti-Hebbian Network,LAHN）对网格细胞进行建模,通过不规则的环境边界信息对构建的网格细胞进行校正,提高算法定位精度。利用兴趣倾向机制对提取的显著性区域进行兴趣赋值,减小冗余显著性区域带来的影响,提高系统定位精度。将环境感知模型提取的视觉信息与位置感知模型竞争出来的位置细胞相融合,建立具有拓扑关系的认知地图。为了克服传统SLAM算法难以适应非固定数据集,不适合实时在线学习的不足,本文在仿鼠脑海马体认知地图构建算法的基础上引入一种具有动态增减机制视觉词袋模型DGP-BoVW（Dynamic growing and pruning Bag of Visual Word）模型对未知环境进行建图。该模型可以根据场景的复杂程度实时动态调整视觉词袋的单词数量。并且为了防止相机采集图像时因移动机器人停止或者缓慢运行获取到大量相似度过高的冗余图像信息,本文设定距离阈值和角度阈值选取图像预选关键帧,而后使用Tenengrad函数对预选关键帧进行评分筛选。最后将满足条件的关键帧作为视觉词袋的输入,并将其与历史关键帧进行相似性度量,当检测到熟悉场景时,系统发生闭环随即校正机器人当前的位置信息。最后,在公开KITTI、TUM数据集和真实环境中对本文算法进行验证,并将本文所提方法与主流的ORB-SLAM2算法和传统的RatSLAM算法进行对比,对比结果表明本文算法在构建地图准确率,实时性以及对环境的适应能力有较好的优势。

关键词： AER视觉传感器   对象识别   STDP   奖励调节STDP   脉冲神经网络  

摘要： 与传统基于帧的视觉传感器相比,地址事件表示(address event representation,AER)视觉传感器仅输出场景的亮度变化信息,具有高时间分辨率、低延迟、低功耗和高动态范围等优势。然而,现有的基于帧图像的计算机视觉算法无法直接处理AER视觉传感器输出的异步事件流数据。脉冲神经网络(spiking neural networks,SNNs)基于脉冲信号以异步和稀疏的方式表示和传输信息,因此天然地适合处理基于事件的数据。受HMAX模型启发的分层脉冲神经网络在AER对象识别任务中得到越来越多的关注。然而现有用于AER对象识别的仿生分层脉冲神经网络大多只有一个特征提取层,只提取事件流数据的初级视觉特征阻碍了其对复杂任务的高分类性能。因此本文借鉴生物视觉信息处理机制和生物突触可塑性学习规则,以提高仿生分层脉冲神经网络对AER事件流数据特征提取能力和识别性能。本文首先提出一种具有HMAX结构的仿生分层脉冲神经网络用于AER对象识别。在S1层通过基于Gabor滤波器的事件驱动卷积提取初级视觉皮层特征,在S2层使用基于奖励调节STDP学习规则的卷积操作进一步提取更复杂的特征。实验结果表明,该方法在多个AER数据集上的识别性能明显优于现有的基于仿生分层脉冲神经网络。此外,该方法能够更好的识别较短时间长度的事件流数据,并且可以对较小的训练集样本进行有效的学习,同时也提高了网络对输入噪声的鲁棒性。然后,通过结合无监督STDP学习规则和奖励调节STDP规则进一步提高仿生分层脉冲神经网络在复杂分类任务上的特征提取能力和分类性能。实验结果表明,该方法在四个数据集上的分类性能均优于对比算法。最后,针对事件流数据中的噪声事件对网络分类性能的影响,提出一种基于脉冲神经元的事件流数据去噪方法。该方法同时考虑了事件固有的时间信息和空间信息,在原始事件流数据上删除噪声事件,保留了事件流数据的数据结构和信息的完整性。实验结果表明该方法能够有效的过滤掉事件流数据中的噪声事件,具有计算效率高,去噪效果好的优势,能够显著提高事件流数据噪声较多时仿生分层脉冲神经网络的分类性能。并且该方法也适用于其他的事件流特征提取算法。通过增加受生物突触可塑性学习规则启发的特征学习卷积层和应用基于脉冲神经元的事件流去噪方法,本文提出的仿生分层脉冲神经网络能够很好的从事件流数据中提取时空特征并进行分类。该方法在计算资源受限以及受噪声影响等复杂场景的AER传感器视觉应用中具有潜在的价值。

关键词： 神经形态计算   脉冲神经网络   稀疏编码   人脸识别   异构网络  

摘要： 在现代生活中,人脸识别已遍布生活中的各个领域,如安防监控、移动支付等。尤其是随着物联网的飞速发展,在边缘端设备上部署人脸识别的需求正在快速增加。在移动设备或其它资源受限的小型边缘计算设备上,人脸识别算法的计算复杂度和计算效率将至关重要。然而,现有的基于深度学习的主流人脸识别算法往往需要大量的计算资源,基于传统机器学习的算法在无约束条件下面临识别率不足的技术挑战。因此,如何在计算资源有限的设备上部署人脸识别应用成为了一个热点问题。随着神经形态计算的兴起,脉冲神经网络(Spiking Neural Network,SNN)走进人们视线。SNN凭借“异步”处理信息的特性以及高能效的计算模式受到关注,也为如何高效地实现人脸识别提供了新的思路。本文针对当前基于深度学习人脸识别算法计算复杂度高、传统脉冲神经网络人脸识别率低等问题,提出了一种面向人脸识别的异构脉冲神经网络算法,旨在以尽可能低的计算复杂度获得较高的识别精度。异构SNN由用于对图像特征稀疏编码的编码网络和用于特征分类的分类器网络这两种不同的网络构成。该算法通过稀疏编码网络使用稀疏的脉冲提取并表征人脸特征,提高网络识别率的同时降低所需处理的脉冲数量。论文的主要贡献有:(1)提出了一种面向人脸识别的异构脉冲神经网络。融合无监督的脉冲稀疏编码与高能效的有监督脉冲神经网络分类器,并通过脉冲稀疏编码的自动特征选取特性过滤干扰信息,提高网络特征提取能力,与识别准确率。同时依靠神经元生物特性,降低脉冲发射率,从而起到降低计算复杂度,提高计算能效的作用。此外,依靠无监督的特征提取与有监督分类分开训练的方式降低典型脉冲网络对带标签人脸数据的需求量。(2)提出了一种高效的多层脉冲神经网络的学习规则,利用易于实现的损失函数以及异构网络带来的输入脉冲稀疏性,在提高权重更新效率的同时不影响识别精度。(3)进行详细的实验,在ORL等多个数据集中验证了异构网络的准确率,证明所提出的异构脉冲网络在样本数量较少的带标签人脸数据集中,准确率下降更少。实验结果表明,本文所提出的异构算法在ORL等人脸数据集中,平均每256像素仅需处理约150个脉冲,并能够达到平均95%的识别率。

关键词： 类脑视觉   双目视差   轮廓检测   颜色恒常   图像去雾  

摘要： 大脑作为生物高级神经活动的物质基础,负责对外界刺激的表达响应和编码整合,视觉系统在大脑的作用下可以更好的感知世界。借鉴视觉神经信息处理的工作方式,本文通过模拟视觉神经系统的颜色拮抗机理、层级编码机理以及双目视差机理等,探讨了轮廓检测、颜色恒常以及图像去雾等计算机视觉应用的可能机制。(1)提出一种双目视差前馈补偿的轮廓检测方法。首先,给出一种颜色通道中不同拮抗细胞连接权重动态调整的机制,获得初始轮廓响应图;然后,引入双目视差能量模型对图像特征信息进行分离,获得位置差和相位差响应;接着,构建不同相位的末端停止细胞对图像的主体轮廓进行显著提取,同时给出一种多尺度感受野融合的策略,对图像局部区域进行多强度的纹理抑制;最后,利用跨层级的前馈机制进一步实现纹理背景的细化和主体轮廓对比度的提高,得到最终轮廓响应。以数据集BSDS500图库为实验对象,数据集最优比例(ODS)为0.68;另外在数据集MBDD上,对象边界和较低级别的数据集最优比例(ODS)分别为0.71和0.81。结果表明本文方法相对于其它模型可以有效突出主体轮廓并进行纹理抑制。(2)提出一种视差色彩编码的单光源颜色恒常方法。首先,构建同心圆结构的拮抗感受野细胞,采用归一化的神经元机制对场景光源信息进行预处理;然后,模拟双目视差机制,结合颜色信息对亮度神经元进行结构变换,并采用空间线性求和机制得到HSV的特征信息;最后,结合视差色彩编码提取颜色向量间的耦合关系,并将拮抗预处理结果作为前馈信息传入,实现单幅图像颜色特征的动态化调节。以图像库SFU Lab和SFU HDR为例,角度误差的中位数分别为3.35°和3.39°,相比其它基于像素统计的模型分别提高了6.69%和3.69%。另外本文在SFU HDR和Gehler-Shi图像库中进行了WST测试,与其它模型相比均取得了不错效果。(3)提出一种视网膜分级自适应的图像去雾增强方法。首先,利用视锥细胞的明适应特性,根据场景深度动态修改双极细胞的中心—外周尺度;然后,将视杆细胞的放电活动作为无长突网络的负向反馈调节纽带,模拟双峰反应中长短延时回路的信息交互传递;最后,构建状态适应亮度函数模拟ON/OFF型通路振荡活动的差异性,实现自适应图像去雾。以合成图像集NYU-Depth-V2和自然图像图像集为例,其中合成图像集NYU-Depth-V2中峰值信噪比/结构相似度指数(PSNR/SSIM)相比其它模型分别提高了5.35%和3.17%。自然图像集测得的平均梯度/信息熵(AG/EY)相比其它模型分别提高了4.99%和1.38%。本文算法在保留图像原有色彩特征的同时增强了图像辨识度,改善颜色失真和光晕等问题。

关键词： 非对称饱和   脉冲输入   Cohen-Grossberg神经网络   Lyapunov稳定性  

摘要： 近年来,Cohen-Grossberg神经网络被广泛应用于模式识别、智能控制、资源优化配置等领域。同时,脉冲现象普遍存在于许多实践工程系统中,由于脉冲控制具有效率高、抗干扰能力强等特点,脉冲控制现在已经成为一种维持系统稳定常用的手段和方法。目前,基于脉冲输入的神经网络模型的稳定性等动力学属性得到了大量的研究,但是这些研究中大多没有考虑脉冲输入受限的情况。为此,本文先以线性离散系统为研究对象,然后拓展到离散Cohen-Grossberg神经网络,利用脉冲差分方程理论、饱和控制系统理论,以及不等式技术研究了非对称饱和脉冲输入对线性离散系统以及离散Cohen-Grossberg神经网络稳定性的影响。主要内容及研究成果如下:(1)研究了带有非对称饱和脉冲输入的线性离散系统的稳定性问题。首先对非对称饱和脉冲输入的线性离散系统进行数学建模,然后对非对称饱和约束进行处理,把非对称饱和约束转换成对称饱和约束的形式,随后基于扇区条件,利用扇区非线性模型法处理饱和项,结合脉冲差分方程和Lyapunov稳定性理论,得到了带有非对称饱和脉冲输入的线性离散系统稳定的充分条件。最后,通过具体的数值仿真验证理论的有效性。(2)研究了带有非对称饱和脉冲输入的非线性离散Cohen-Grossberg神经网络稳定性问题。首先建立了合适的带有非对称饱和脉冲输入的离散Cohen-Grossberg神经网络数学模型,在考虑非对称饱和约束的情况下,利用扇区非线性模型法处理饱和项,再结合固定时刻的脉冲输入以及Lyapunov稳定性理论,得到了带有非对称饱和脉冲输入的非线性离散Cohen-Grossberg神经网络稳定的充分条件。最后,通过具体的数值仿真验证理论的有效性。

关键词： 脉冲神经网络   压缩感知   直接反馈对齐   神经形态芯片   片上深度学习  

摘要： 近年来,人工神经网络(Artificial Neural Network,ANN)被广泛应用于各种智能系统,但其涉及密集的矩阵运算,能量消耗大,计算复杂度高,不适用于计算和存储资源严格受限的移动端或嵌入式边缘智能计算设备。另一方面,受人脑皮层工作机制启发而提出的脉冲神经网络(Spiking Neural Network,SNN)模型及对应的神经形态类脑芯片,利用时空上稀疏的脉冲信号来编码、传输和处理输入数据,可以极大减少计算复杂度,提升处理速度和能效。然而,目前已报道的通用型神经形态芯片如Spi NNaker、True North和Liohi等主要面向大型多芯片系统和数据中心,虽然能灵活配置映射复杂的SNN网络结构和脉冲神经元模型,以及支持先进的SNN学习训练算法,但往往芯片面积巨大,运算延迟高,不适于对成本敏感的边缘端实时系统。同时,国内外也研制出了一系列小型神经形态类脑芯片,但只能针对特定的浅层SNN模型运行简单的片上学习算法,虽然其面积成本低,实时处理性能强,但目标识别率较低,无法满足实际应用需求。因此,研究提出复杂度低、识别精度高的轻量级SNN模型及学习算法,以及设计面积小、速度快、支持片上深度SNN学习的边缘端神经形态类脑芯片,具有重要的科学意义和实用价值。论文针对上述SNN模型及神经形态类脑芯片设计领域的关键问题,研究了适用于低成本硬件实现的轻量级SNN模型及学习算法,提出了适于边缘端应用的神经形态类脑芯片架构及电路设计技术,分别基于FPGA平台和ASIC流片实现了芯片原型,完成了芯片功能及性能测试,并同国内外相关工作进行了全面对比。论文的主要贡献包括:(1)研究提出了一种基于脉冲域时空压缩感知特征的轻量级SNN模型及训练算法,可以在保证足够脉冲特征稀疏性和低计算复杂度的前提下,获得较高的识别精度;(2)基于误差随机反馈直传理论,提出了一种轻量级深度SNN学习算法Deep Tempo,该算法识别率高,且具有内在的并行性和时空局域性,非常适于硬件片上并行运行;(3)研究提出了先进的边缘端神经形态类脑芯片架构和模块电路,支持片上高效运行上述Deep Tempo算法,高速实现片上深度SNN学习和推理;(4)基于FPGA完成了上述芯片的原型功能验证,并进一步完成了该芯片的物理版图设计,基于65 nm CMOS工艺流片实现了ASIC原型芯片,裸片面积15.32mm,包含1K神经元和256K神经突触,支持片上深度SNN学习,工作在1.2V内核电压和83MHz时钟频率下,芯片在MNIST数据集上可达到87帧/秒的实时深度学习性能,最终识别率为96.29%,片上学习过程的平均功耗为106m W,其中每次突触操作仅消耗97p J能量。

关键词： 前馈网络   反馈连接   共振对   选择性传递  

摘要： 大脑对信号的路由以及传递总是选择性的,在复杂环境下如何实现选择性信号传递以及信息处理始终是计算神经科学、人工智能等领域的研究热点与难点。大脑皮层内不同区域间通过稀疏且微弱的远程连接进行信号传递,振荡活动可以克服网络间的弱连接性,对信号进行同步以及放大,促进信号在稀疏连接的前馈神经网络中的传递。目前,已经提出的基于振荡活动的信号传递机制有:利用相干性传递信号、利用共振传递信号以及在共振对网络下利用共振传递信号。共振对的出现显著提升了前馈网络的信息传递能力,同时降低了信号传递的阈值。本文基于带有共振对的前馈网络模型,主要研究了在共振对网络中如何实现脉冲包信号的选择性传递。此外,通过调控网络中共振对的位置、数量以及连接性,讨论其对同步信号传递的影响。论文的主要研究结果有:首先,通过仿真多个不同活动状态的共振对网络,发现其都会选择性地响应某一个输入信号,证实了共振对网络中能够进行选择性信号传递;其次,研究了脉冲包信号选择性传递的成功条件,关键在于传递时滞与网络频率间相匹配;最后,为了能够更灵活地实现网络的选择性信号传递,挖掘出了包括背景输入、层间连接强度、连接概率在内的控制参数对网络频率的影响,发现控制参数与网络频率间存在定性关系。此外,通过调控反馈连接的位置、数量及连接性从而调控共振对的位置、数量及连接性,探究了共振对变化对网络中信号传递的影响。一方面,共振对位置及数量变化能够在一定程度上促进信号传递,但另一方面,也能够引起网络活动高度同步从而产生自发振荡,不利于信号传递。共振对中添加抑制性反馈连接对信号传递的影响取决于与投射神经元的连接比例,当抑制性反馈连接主要作用于投射神经元时,信号传递失败;当部分连接到投射神经元时,能够促进信号传递,且网络频率发生变化。

关键词： 深度学习   目标检测   深度神经网络   脉冲神经网络   强化学习   多尺度检测   特征金字塔网络  

摘要： 图像目标检测是视觉分析和理解的重要基石,旨在识别图像中所有目标类别并用外接矩形定位。随着大数据、人工智能、计算机视觉技术迅速发展,基于深度学习的目标检测算法取得了突破性成果,使目标检测技术广泛应用于智能医疗、安防监控、智慧交通、自动驾驶等各个领域。 虽然深度学习算法在复杂场景中的效果远超传统算法,但是其网络模型存在的一些问题依然限制了检测精度和效率,例如:深度多尺度特征表达能力不强、不同类别样本数量不平衡、预测框质量低、训练过程任务级失衡、非极大值抑制过程性能低、大模型推理速度慢且能耗高等。虽然最新的研究工作对它们进行了一些改善,但是仍有一系列缺陷亟需改进。因此,针对其中待解决的四个问题,深入分析研究了基于深度神经网络的多尺度目标检测算法,主要研究内容与成果如下: 针对深度多尺度特征表达能力不强的问题,提出了一种基于通道信息增强的特征金字塔网络。通过总结与分析,认为该问题是由特征金字塔网络存在的三种缺陷导致的,现有方法常以经验和直觉对其中一个问题进行模型设计。为了更有针对性地改善问题,设计了亚像素跳跃融合模块来减轻通道信息衰减、亚像素上下文增强模块来缓解特征融合的稀释、通道注意力引导模块来改善融合过程的混叠效应。所设计的网络模型新颖地借鉴了超分辨率任务中的亚像素卷积,并引入了上下文信息和注意力机制。实验结果表明,所提出的方法增强了多尺度特征,较好地改善了特征金字塔网络存在的结构问题,在精度和速度方面均优于同类方法。 多尺度检测器中各个尺度之间存在的训练失衡问题未引起关注。多尺度训练可以看作为多任务学习,实验发现各尺度损失值频繁波动,并且取值范围皆不相同,这会导致某些尺度未被充分训练,影响模型整体精度。为了解决该问题,提出了一种动态多尺度目标检测损失优化算法。具体而言,受到不确定性任务加权的启发,设计了一种自适应方差加权方法统计各尺度损失值方差来动态调整其权重,比基于反向传播训练的权重更具可解释性;然后设计了一种强化学习优化算法进一步研究训练失衡并优化方案。实验结果说明了一阶段检测器的高级别尺度未得到充分训练,所提出的算法改善了多尺度检测器训练不平衡,提升了模型整体精度约1%AP。 在上述两个研究工作的基础上,提出了一种基于强化学习的多尺度检测器训练策略,以改善多尺度特征级与任务级失衡问题。多尺度检测器中的每个尺度不能被同等并独立对待,因此设计了一种动态特征融合算法,在训练阶段放大重要特征尺度的影响以改善特征失衡,而未引入额外的模型参数。同时设计了一种补偿尺度训练算法加强对训练不足的尺度的监督。整体算法借鉴马尔科夫决策过程,以多尺度损失值设计状态和奖励,共同优化两个失衡问题。实验证明所提出的算法在不增加计算负担的同时提升了模型整体精度,达到了48.1%AP。 针对深度学习检测模型能耗高的问题,提出了一种基于脉冲神经网络的多尺度目标检测模型。脉冲神经网络模拟大脑神经以离散二值信号进行信息传输,在神经形态芯片上能以极低功耗运行。在现有的脉冲神经网络研究基础上,所提出的模型引入了多尺度框架,优化了脉冲模型转换方案,并根据生物神经学现象设计了相应的编码方法以加速信息传递。实验验证了图像分类任务中的一些脉冲模型转换方法不适用于目标检测问题,证明了所设计的模型检测优于现有方法,且运行能耗以数千倍低于依赖显卡运行的常见检测模型。 所提出的基于深度神经网络的多尺度目标检测算法较好地改善了现有方法存在的一些问题,从精度与效率两方面提升了检测器的性能,可应用在小目标检测、大目标检测、低功耗检测等具体的任务场景中。

关键词： 类脑器官   组织生物力学   应力预测模型   生长模型   脑发育  

摘要： 大脑的生长和发育不仅依赖于基因调控网络,还受到力学微环境的影响,探究力学微环境调控大脑生长发育的规律对深度认识脑认知原理和理解脑疾病的发生发展机制具有重要意义。受伦理学和观测手段的约束,大脑的动态发育研究在实验材料和力刺激响应性变化等方面存在技术障碍,限制了脑生物力学相关研究。类脑器官作为体外研究脑发育和脑疾病的重要工具,开发适用于预测类脑器官应力分布的建模方法对于探究机械应力分布对类脑器官发育影响具有重要意义。通过构建可控力学约束的类脑器官加载模型,提取类脑器官生长发育的关键参数,进行三维重构与有限元分析,并借助生物学实验评价力学模型的有效性。本论文使用人源多功能干细胞（hi PSC）诱导培养全脑类器官,借助可控的加载装置构建了受机械力调控的类脑器官发育模型;利用激光扫描共聚焦荧光显微镜（LCSM）拍摄获得荧光三维图像进行三维重构,使用生物力学研究手段构建物理模型预测类脑器官的应力分布;进而使用TUNEL细胞凋亡荧光图像和数学函数评价了模型的有效性,揭示并量化了细胞凋亡水平和机械应力之间的关系;并将其应用于研究神经元与应力分布的关系探究。主要研究结果和结论:（1）搭建了受力学环境影响的全脑类器官生长模型。借助可控的培养装置限制类脑器官Z轴生长（200μm）,培养不同时间后（16、20、24和28天）对类脑器官进行免疫荧光染色,使用LCSM观测类脑器官细胞核（DAPI）、凋亡细胞（TUNEL）、神经元微管蛋白（TUJ1）和前脑FOXG1的表达。采用Imaris软件获得类脑器官的体积数据,并对类脑器官荧光数据进行定量分析。生长受限制的类脑器官在16至28天的生长速度与对照组相比下降了约80%,TUJ1和FOXG1表达数量24和28天存在显著差异,预示力学可以调控类脑器官发育。此外,实验组单位体积内的TUNEL荧光强度显著升高,表明力学加载会诱导类脑器官的凋亡。（2）进行了类脑器官的力学性能研究。对类脑器官进行压痕实验获得硬度数据并输出加载曲线,数据表明生长受限使类脑器官的硬度增加了约40%。在假设为各向同性、不可压缩的固体材料的情况下,选取Neo-Hookean模型作为类脑器官材料的本构方程:W=/2*（1?-3）+1/1*（-1）2,其中μ为剪切模量,D1在不可压缩材料中为0。采用量纲分析和有限元模拟的方法对加载曲线进行分析获得类脑器官的力学参数,最终计算类脑器官的剪切模量值在900 Pa左右。（3）进行了全脑类器官三维重构和有限元分析。基于三维荧光图像,使用Imaris和Geomagic wrap软件进行三维重构。使用ABAQUS用户子程序UEXPAN赋予类脑器官模型生长属性并进行模拟计算得到应力云图,对照不同界面的应力分布与三维荧光图像的凋亡图像以验证模型。数据表明,高应力值区域（大于最大应力值的80%）的单位体积凋亡水平是其他区域的2倍以上,因此,该模型可适用于分析类脑器官中的应力分布,以及预测受力区域应力对细胞凋亡的影响。（4）模型成功应用于分析TUJ1与前脑FOXG1表达的分布规律。借助Imaris分析TUJ1和TUNEL的区域分布,发现在应力值较高的区域内高度重叠,预示神经元的聚集会导致周围区域较高的凋亡水平。此外,与实验组中TUJ1和FOXG1表达均匀分布且两者数量相近不同,对照组在培养时间20,24和28天时,类脑器官中TUJ1高表达区域FOXG1表达数量显著降低,且FOXG1更倾向分布于TUJ1低表达区域。进一步通过模拟神经元对组织形变和应力分布的影响,发现神经元聚集会减小组织的形变（50%以上）,并且在相同变形情况下神经元聚集会导致高应力区域的面积变大。本论文丰富了类脑器官的力学性能参数,发展了机械应力与细胞凋亡之间定量研究方法,并将其应用于对神经元分布和前脑功能区域分布的研究,对于力学环境影响类脑器官发育的相关研究的开展具有重要作用。