儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图1)点击“电工电气学习”关注即可免费订阅!

转一篇日本发自NeuroImage的文章,作者是日本神户大学的石原慎太郎等。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图2)

早年(即童年至青春期)参与运动可增强反应抑制;然而,尚不清楚早年参与运动是否对晚年的反应抑制有积极预测。这一历史队列研究旨在澄清在早年参与运动(例如,有条理的体育参与)是否预测成年后的反应抑制,如果是的话,揭示促成这种关联的大脑连接和皮质结构。我们分析了来自214名参与者的数据(女性=104岁,男性=110岁;年龄:26=201269岁)。结果表明,儿童期(进入初中前;12岁≤)参加锻炼可显著预测更好的反应抑制。如果在青春期早期或更晚(初中或高中;≥12岁)进行锻炼,则未发现这种关联。儿童时期运动参与与反应抑制的积极关联因前额(FPN)、前额(CON)、青紫外线(CON)和默认模式网络(DMN)的结构和功能连接性下降以及半球间结构网络的增加而得到缓解。 FPN、CON 和 DMN 的皮质厚度更大,树突状植树和密度水平更低,这也缓和了这种积极关联。我们的结果表明,在儿童时期参与运动可以积极预测晚年的反应抑制,这种关联可以通过神经元电路的变化来调节,例如增加皮质厚度和效率,以及加强半球间连接。

1. 简介

抑制性控制是自上而下认知控制的一个方面(也称为执行功能),它是指控制注意力、行为、思想和/或情绪的能力,以克服强烈的内在倾向或外部干扰,并专注于更适应性和相关的刺激(Diamond,2013年)。抑制控制可细分为干扰控制(认知抑制和注意力水平抑制)和反应抑制(行为水平抑制)(Diamond,2013年)。虽然这两种控制都有助于学术成功(布鲁克曼-伯恩等人,2018年;坎廷等人, 2016:钻石, 2013;威尔金森等人,2020年),反应抑制在推翻冲动反应,以改善健康相关行为(Allom等人,2016年)中起着进一步的重要作用。因此,从公共卫生角度而言,旨在加强反应抑制的战略变得越来越重要(Allom等人,2016年:钻石, 2013;钻石和李,2011年)。

运动,如运动,代表一种低成本的方法,以提高认知控制,无论年龄(卢迪加等人,2020年)。值得注意的是,神经成像研究表明,运动干预影响大脑结构和功能的地区,关键参与认知控制(梅耶尔等人,2020年:克莱默和科尔科姆, 2018;斯蒂尔曼等人,2020年)。这些报告表明,运动和认知控制之间的因果关系可以通过大脑结构和功能的变化来解释。认知控制和相关神经系统经过多年的逐步发展,并在16岁左右得到全面发展(Baum等人,2017年:露娜, 2009).在这些成熟期,反应抑制对环境变化非常敏感(Bezdjian等人,2014年)。因此,在儿童期和青春期的锻炼可能比其他时期对反应抑制和相关神经系统产生更实质性的影响。这种运动引起的功能和神经变化与成熟期间的反应抑制有关,可能对晚年抑制控制产生持续影响(Dik等人,2003年:费罗等人,2016年)。虽然一些研究报告了早年运动与晚年认知控制之间的积极关系(Dik等人,2003年:费罗等人,2016年),还没有研究确定大脑结构和功能对这个协会的贡献。本研究旨在澄清大脑结构和功能变化对早年运动参与与晚年反应抑制的关系的贡献。

在认知成熟期间,结构和功能大脑网络的模块化隔离变得更加明显(Baum等人,2017年:多森巴赫等人,2010年:萨特威特等人,2013年;王等人,2020年),模块内连通性增加,模块之间连接性下降,这反过来又有助于认知控制的发展(Baum等人,2017年:王等人,2020年)。因此,如果在早年参与运动与晚年的反应抑制有积极关系,这种关联可以通过结构和功能大脑网络的模块化隔离来解释。先前的研究表明,在认知控制任务中,前额网络(FPN:包括背腔和腹腔前额皮质、背侧皮质和背前皮层)和前额皮层(CON:)和前额皮层(CON:包括前结节皮层、预置运动区和前岛)被激活,而默认模式网络(DMN:包括前额叶皮层、后结节皮层和腹腔-腹腔结)被停用(Anticevic等人,2012年:多森巴赫等人,2007年:马雷克和多森巴赫,2018年;史密斯等人,2018年)。这些神经活动模式也出现在反应抑制任务中(埃尔顿和高,2015年:斯威克等人,2011年;张等人,2017年)。由于这些网络的模块化隔离支持了8至22岁认知控制的发展(Baum等人,2017年),本研究的重点是这三个网络。

一些研究试图阐明运动与大脑结构和功能之间的关系,只使用皮质厚度、体积、白质完整性和任务激活方面的单个变量(查德多克-海曼等人,2013年:戴维斯等人,2011年:德罗莱特等人,2018年;希尔曼等人,2014年;徐等人,2018年:卡米霍等人,2011年;卢迪加等人,2018年;陶伯特等人,2011年;沃斯,2010年)。然而,需要一个全面的多模式磁共振成像(MRI)方法(即分析结构和功能连接性,皮质厚度,肌化,树突状植物化和密度),以澄清运动和反应抑制之间的积极关联背后的机制。认知控制的发展与大脑网络和皮层厚度的变化有关(哈里托诺娃等人,2013年:塔姆斯等人,2010年)。此外,大脑网络的变化与骨髓(亨滕堡等人,2017年)和突触连接有关。因此,在本研究中,我们采用多式联运MRI方法来研究早年参与运动与晚年反应抑制之间的关系。我们专注于大脑连接,皮质厚度(反映神经元的大小, 神经纤维和神经胶质)、骨髓化(反映为轴突提供绝缘和盐化传导所必需的皮质骨髓水平)、方向分散指数(ODI,反映轴突和交叉纤维区域的弯曲和扇动)和神经密度指数(NDI,反映细胞内体积分数,并估计轴突内的密度)。

先前的研究表明,大脑结构和功能调解身体健身的积极关联作为身体活动的标志(包括运动和非结构化运动形式)与认知控制(Hyodo等人,2016年:石原等人,2020年:川哥等人,2017年;奥伯林等人,2016年;欧宝等,2019年:温斯坦等人,2012年)。例如,通过休息状态 fMRI 获得的大脑网络特性被证明用于调解心肺健身和认知控制之间的积极关联(Kawagoe 等人,2017年)。先前的研究表明,FPN和DMN中任务唤起的功能激活模式调解了成人体能与认知控制之间的积极关联(石原等人,2020年)。这些发现表明,运动会导致大脑结构和功能的变化,从而改善认知控制。

由于txsp的“nozuonodie”,眼下最火最具良心的电视剧QYN已经完结,尽管结尾处编剧留了个大坑,但是好在回到现代的张若筠一句“当然没有”,还是给观众留下了不小的悬念。回顾整个QYN剧情,范闲+五竹+王启年,说是本剧最强三人组,应该没人反对。最强大脑的范闲、专打大宗师的五竹、追踪高手的王启年,对应着一个典型自动控制系统的三个核心单元,信号处理+执行+反馈,TIAN,看个电视剧,也能联想到工作,I fule Me。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图3)

还报告了大脑结构和功能在身体健身与认知控制的积极关联上的调节作用(Ruotsalainen等人,2020年)。先前的研究表明,个体的变化,如白质结构,影响体能和认知控制之间的关联(鲁萨莱宁等人,2020年)。这些发现表明,只有在大脑结构和功能发生变化时,才能观察到运动对认知的好处。此外,可以合理地考虑,只有保持大脑结构和功能的变化,才能观察到早年运动习惯与晚年反应抑制之间的持续联系。

数字信号处理算法要求对一组数据快速执行大量数学运算。信号从模拟转换为数字,进行数字处理,然后再次转换为模拟形式。许多DSP应用程序都对延迟有所限制。也就是说,要使系统正常工作,DSP操作必须在一定时间内完成。

我们通过认知测试以及大规模多模式 MRI 数据(包括 T1 加权图像、T2 加权图像、静态 fMRI 和扩散加权图像)评估了追溯性获得的早期生命锻炼参与和反应抑制之间的横截面关联。本研究的第一个目的是研究早年运动参与与晚年反应抑制之间的可能关联。第二个目标是检查 FPN、CON 和 DMN 中的大脑连接和皮质结构是否影响了这种关联。我们假设,在早年参与运动将显示出与反应抑制的持续积极关系,这种关系可以通过FFN、CON和DMN中结构和功能连接和皮质结构(即厚度、骨髓、NDI和ODI)的变化进行调解或缓和。

2. 材料和方法2.1. 参与者

这项研究是作为2012年5月启动的研究项目的一部分进行的,该项目的第10波工作于2021年3月进行。与会者包括东京郊区和周边地区的居民。从最初的600名注册参与者名单中,有564人被列入了第一波研究。我们包括286名潜在参与者,他们按照人类连接体项目推荐的协议接受了核磁共振成像。关于在10个阶段中收集的一些数据的调查结果已之前报告(松本等人,2016年:西西娜等人, 2015, 2018, 2019;山木等人, 2014, 2015, 2016, 2017).

由于头部运动伪影(N = 29),缺少数据(物理活动:N = 21;)将72名参与者从随后的数据分析中删除; 运动参与: N = 6; 反应抑制: N = 12), 有神经紊乱史 (脑肿瘤: N = 1, 癫痫: N = 1,脑梗塞: N = 1,垂体腺瘤: N = 1), 导致总共 214 名参与者 (女性 = 104, 男性 = 110; 年龄范围:26 至 69 岁) 。

DSP的主要应用是音频信号处理,音频压缩,数字图像处理,视频压缩,语音处理,语音识别,数字通信,RADAR,SONAR,地震学和生物医学。具体示例包括数字移动电话中的语音压缩和传输,Hifi和扩声应用中声音的房间匹配均衡,天气预报,经济预测,地震数据处理,工业过程的分析和控制,电影中的计算机生成动画,医学影像等用于CAT扫描和MRI,MP3压缩,图像处理,高保真扬声器分频和均衡以及与电吉他放大器一起使用的音频效果。

所有实验方案都得到了田川大学脑科学研究所伦理委员会的批准,该研究在那里进行。所有程序都是按照《赫尔辛基宣言》的信条进行的。所有参与者在收到对研究性质和可能后果的充分解释后,都提供了书面知情同意。

下图所示是一个典型的交流感应电动机控制算法示意图,电动机的速度可以通过改变电动机的输入电压来控制。其中就包括软件部分和硬件部分,软件部分主要包括闭环控制PI/PID控制器、三相信号转换以及速度估计等,硬件部分包括门控信号PWM波生成单元和模数转换ADC信号反馈单元。一个电动机控制系统的好坏,取决于软件算法运行的是否高效、PWM门控信号是否精准、ADC反馈信号是否精细,这就对应了开头所说的最强三人组,范闲的最强大脑就是能够根据王启年的精细反馈做出各种决策,而五竹叔则是一个不畏惧剧中任何高手的最佳执行人,对目标完成精准打击。

2.2. 早期和成年运动参与评估

2018年7月16日至2018年11月24日(第10波)之间,使用问卷收集了有关锻炼参与的数据。儿童期和成年期间的锻炼参与被定义为持续参加运动,如结构化的体育活动方案,为期1年以上。参与者报告了所有锻炼的开始年龄(年)、周期(年)、频率(会话/周)和持续时间(小时/会话)。报告平日和周末的频率(会话/周)和持续时间(小时/会话)分开。在日本,大多数学校都提供课外活动,如羽毛球、棒球、篮球、足球、乒乓球、网球、游泳和排球。大约65%的初中生和42%的高中生参加了这些活动(教育、文化、体育、科技部,2018年)。此外,大约80%的初中和高中学生参加这些活动,每周超过6天(教育、文化、体育、科学和技术部,2018年)。有关运动参与的数据是根据发育阶段(儿童[进入初中之前,≤12岁]、青春期早期[初中,12至15岁]、晚期[高中,15至18岁]和成年[≥18岁,包括现状]获得和分类的。此外,为了评估剂量+2012反应关系,参加锻炼的总小时数是根据活动的时间(年)、频率(会话/周)和持续时间(小时/会话)根据先前的研究(Killgore等人,2013年)计算的。先前的一项研究报告说,长期召回体力活动量是可靠的,可靠性不受召回间隔和年龄的影响(Blair等人,1991年)。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图4)

2.3. 评估当前的体力活动水平

当前的体育活动水平使用国际体育活动问卷(IPAQ) (Craig等人, 2003), 在 2018年 7 月 16 日至 2018 年 11 月 24 日 (第 10 波) 之间进行。31 项 IPAQ 旨在收集有关家庭和院子工作活动、职业活动、自供电交通、休闲时间体育活动和上一周久坐活动的详细信息。我们计算了包括步行、中等强度活动、剧烈活动和久坐活动在内的类别的整体身体活动水平(×分钟/周)。有关详细信息,请参阅克雷格等人 (2003)。

最强大脑范闲-DSP主控单元

2.4. 反应抑制评估

使用基于计算机的 Go/No-go 任务评估反应抑制,该任务在 2014 年 10 月 25 日至 2015 年 1 月 25 日(第 7 波)之间进行。围棋/禁飞任务是评估抑制控制的一个众所周知的范式(张等人,2017年)。在这项任务中,参与者必须响应频繁的刺激(80% 的概率,字母"M"),并拒绝响应罕见的刺激(20% 概率,字母"W")。在完成任务之前,参与者阅读说明并进行了实践试验(20次自步试验和10次试验,在实际试验使用的相同条件下进行)。然后,参与者完成了 300 项试验(100 项试验× 3 个方块,在方块之间间隔 1 分钟)。观看距离约为50厘米。刺激将字母"W"的水平视觉角度为 4.6°,字母"M"为 3.4°,字母"W"和"M"的垂直视觉角度为 4.0°。刺激方案是在1000ms的空白和500ms的固定后提出的。刺激持续时间为500ms,并呈现,直到参与者作出回应。当参与者无法在 500 ms 内对 Go 刺激(即字母"M")做出响应时,试验被视为遗漏错误。参与者被告知,他们将获得5日元每正确响应作为奖励。主要依赖变量是平均反应时间和响应精度(围棋试验的命中率;禁区试验的假警报率)。

2.5. 对其他混淆变量的评估

我们评估了潜在的困惑者,包括教育、兄弟姐妹数量和家长教育。教育水平是根据对单一问卷项目(2012年5月17日至2012年7月22日[第一波])("你完成本科学业了吗? 和(二)我完成了本科学业。参与者使用自由回复问卷(在 2012 年 10 月 6 日至 2013 年 2 月 16 日[第二波]之间管理)报告兄弟姐妹人数。父母教育水平根据对两个问卷(2012年10月6日至2013年2月16日[第二波])("父亲的教育程度最高?","母亲的教育程度最高?")的回答进行评估,其编码如下:(一)未完成本科学业:(二)完成本科学业。

2.6. 核磁共振成像数据采集

MRI 数据是在 2016 年 11 月 11 日至 2018 年 3 月 3 日(第 9 波)之间获取的。所有成像数据(T1 和 T2 加权图像、休息状态 fMRI 和扩散加权图像)均由大川大学脑科学研究所(日本马奇达)使用配备 32 通道头线圈的 3-T 三重奏 Tim 扫描仪(德国埃尔兰根西门子)获取。首先,使用以下参数获取休息状态 fMRI 数据:voxel 大小 = 2 mm3, 72 片/MB8, iPAT = 0, 7/8 部分傅立更, PE +AP/PA, TR/TE = 750/33 ms, 和收购时间 = 8 分钟。此后,我们获得了两套 T1 和 T2 加权高分辨率解剖图像(voxel 尺寸 = 0.8 毫米)3;获取时间 = 5 至 6 分钟)。扩散加权图像使用以下参数获得:voxel 大小 = 1.7 毫米3, 87 片/MB3, iPAT = 2, 6/8 部分傅立物, PE = AP/PA, TR/TE = 4500/94 ms, b 值 = 0.7, 2k 哈迪, dir = 32, 64, 和收购时间 = 5+20126 分钟。休息状态 fMRI 数据和扩散加权图像被两次获得,方向为反向相向(前-2012 柱子和后部=后部)。

2.7. 核磁共振成像数据的预处理和分析2.7.1. 软件

我们在 MRI 数据的预处理和分析中使用了以下软件:FMRIB(大脑功能磁共振成像)软件库 (FSL) 版本 5.0.9, FMRIB 基于 ICA 的 Xnoise0 (FIX) 版本 1.062、自由冲浪版本 5.3.0-HCP、人类连接器项目管道版本 3.22.0 和连接工作台版本 1.2.3。

2.7.2. 皮质结构

人类连接体项目结构预处理管道(Glasser等人,2013年)包括前自由冲浪器,自由冲浪器和后自由冲浪组件。PreFreeSurfer 管道包括以下五个程序:(i) 对齐和平均重复 T1 和 T2 加权扫描的良好或出色的质量,如果可用:(二) 去除梯度非线性和读出失真(三维图像中的静态字段 [b0] 失真),为每个参与者创建一个与蒙特利尔神经研究所 (MNI) 模板僵硬对齐的公正的"本地"音量空间;(三) T1 和 T2 加权图像与 FreeSurfer 基于边界的注册 (BBR) 方法(Greve 和 Fischl,2009年) 之间的交叉模式对齐:(四) 使用方根(T1 加权× T2 加权)进行偏置字段校正,(v) 使用 FSL 的 FNIRT 算法对 MNI 模板进行非线性体积注册。FreeSurfer 版本 5.3°s 的定制版本用于生成白色和皮质皮质表面(使用 T1 和 T2 加权卷,分辨率为 0.8 mm),包括皮下分割,全部在参与者的原生体积空间中执行。后自由冲浪者用于将自由冲浪者数据转换为标准 NIFTI、GIFTI 和 CIFTI 文件格式,并将数据带入 MNI 空间。多模式表面匹配 (MSM) 表面注册算法(Robinson 等人, 2014)用于根据折叠模式 (MSMSulc) 执行初始、温和、非刚性表面注册。这种方法取代了以前研究中使用的FreeSurfer折叠式注册(Glasser等人,2013年),因为它实现了功能对应区域(例如任务fMRI)的初始对齐比FreeSurfer算法稍好一些,同时导致低得多的局部失真水平(Robinson等人,2014年)。此注册与 FNIRT 非线性注册一起,用于将数据的初始版本带入标准灰度空间(每个半球皮层的 32 k 标准网格,平均顶点间距为 2 毫米,皮下体积数据为 2 毫米同位素 MNI 空间 voxels)。由于陀螺冠往往比硫化物厚,FreeSurfer 生成的皮质厚度测量通过从每个参与者的厚度数据中退步 FreeSurfer 平均曲率测量(格拉泽和范埃森,2011年)来纠正与折叠相关的偏差。Myelin地图使用 T1 加权/T2 加权图像的比例进行计算,并标准化为残余传输场不遗传(Glasser 等人,2014年、2013 年) :格拉泽和范埃森,2011年;罗宾逊等人,2014年)。

长期以来,DSP已用于步进电机控制和闭环DC伺服电机。MCU和DSP都已用于某些高端三相电动机中,主要用于数字换向应用。但是单相电机市场一直是DSP的挑战。但是现在,DSP在单相交流感应电动机控制中的应用已变得实用。

2.7.3. 休息状态 fmri

HCP 功能预处理管道包括体积 -(fMRIVolume)和表面(fMRI 表面)组件(Glasser 等人,2013年:史密斯等人,2013年),适用于所有休息状态fMRI数据。fMRIVolume 管道包括消除因梯度非线性和 b0 不共生而导致的图像失真;运动修正;与 BBR 的 T1 加权图像的交叉模式对齐 (格雷夫和菲施尔, 2009):所有转换的串联,包括对 MNI 空间的非线性体积注册,以及使用单个飞溅插值将原始时区重新采样到 MNI 空间。实施了几个强度正常化步骤,包括基于单独成像会话的结构数据的粗 fMRI 偏置场校正步骤(此偏置场校正在以后的处理步骤中被上级策略所取代,如下所述,并已纳入管道的最新版本),以及大四维平均校正到 10,000。然后,fMRISurface 管道使用 2 mm 全宽度半最大平滑内核(受制于皮质表面和皮下灰质分割)将灰质时序数据映射到 91,282 灰色坐标空间(2 毫米平均皮质顶点间距和 2 毫米皮下软骨)。这些步骤为每个休息状态 fMRI 运行生成一个"密集的时隙"CIFTI 文件。粗偏移场校正图还映射到标准 CIFTI 空间,以便用更好的地图(将其分割回来并乘以新的校正图)替换它。

对于休息状态 fMRI 运行,独立组件分析和 FMRIB 基于 ICA 的 Xnoisiefier (ICA+FIX) 管道 (贝克曼等人, 2005年;格里芬蒂等人,2014年;萨利米-霍尔希迪等人,2014年;Smith 等人,2013年) 用于删除空间特定的时间结构文物。ICA+FIX 管道包括几个步骤:(i) 高通时间过滤,其速度为 1000 s(运行长度 = 864 s),以消除数据中的线性趋势。(二) MELODIC ICA 具有多达 250 个组件的自动维度选择,可生成组件空间地图和时序。(三) 通过 FIX 培训的 ICA 组件分类器将这些组件分类为信号和噪声类别。(四) 24 个运动参数的数据和所有 ICA 组件的回归(这些参数也是时间高通过滤,其西格玛为 1000 s)。回归系数使用所有 ICA 组件计时器进行计算,然后通过回归系数加权并从数据中减去噪声组分时。ICA+FIX 算法在体积时区数据上运行,之后将高通度过滤器和扰谐回归步骤应用于灰度计时线数据。ICA+FIX 清理重新应用到休息状态 fMRI 密集的时区数据后,原始的、不干净的本地网格数据已重新采样到标准灰度空间,根据基于均体特征的 MSM 表面注册。平均灰色信号("全球信号")的回归在早期分析中使用,但是由于它改变了一些静态 fMRI功能连接梯度位置,从而减少了交叉模式对齐,因此停止了这种回归。没有进行额外的空间平滑或时间低通过滤,因为这些类型的"丢失"预处理步骤将降低包裹的准确性,并证明没有必要为当前研究的目的。

随后,我们使用GraphVar(Kruschwitz等人,2015年)从大脑360个区域的时区信号中创建了参与者特异性关联矩阵。为了构建大脑网络,我们采用了 360 个区域(由 HCP 式包裹定义(Glasser 等人,2016a, b)作为节点。大型大脑网络和区域内每个节点的隶属关系是根据以前的研究(Glasser等人,2016a:季等人,2019年)。大脑网络的边缘被定义为360个区域中所有对的功能连接,使用Pear逊的相关系数。

2.7.4. 扩散核磁共振成像

扩散 MRI数据也使用 HCP 管道进行预处理。简言之,我们对梯度、B0、涡流失真和交叉模式注册进行了校正(Glasser等人,2013年:索蒂罗普洛斯等人,2013年)。强度由b = 0 s/mm 的卷平均值正常化2(b0 卷)和 B0 同源失真使用两个对立的相编码图像和 FSL 的充值(安德森等人,2003年)进行了更正。在 HCP 最近的重新计算(包括离群值检测(安德森等人,2012年)之前,使用 FSL 的 Eddy(版本 5.0.9)对每个图像卷的涡流诱导场不相生和头部运动进行了更正。然后,针对梯度非线性更正数据。扩散数据使用 B0 体积注册到结构 T1 加权交流 PC 空间,使用 FSL 和 FreeSurfer 的 BB 注册中的 BBR 成本函数注册到白质表面。扩散梯度向量根据 b0 的旋转信息旋转到 T1 加权转换矩阵。

AMICO 工具箱用于计算神经定向分散和密度成像 (NODDI) 系数。由于在分析灰质结构时有必要优化 NODDI 模型,因为不同类型的脑组织在本质自由扩散性方面可能有很大差异,因此我们调整了 AMICO 工具箱,将其内在自由扩散参数更改为 1.1 × 10+3毫米2/s 用于我们分析灰质结构。此后,我们获得了NDI(当水分子受神经质膜限制时产生的棒状或圆柱对称扩散量)和ODI(一种侵权度测量,将神经内空间和神经外空间耦合在一起,导致轴突和树突在灰质中的对齐或分散)。NODDI 参数使用 Noddi 表面映射到皮质表面(福托米等人,2018 年)。有关其他详细信息,请参阅福藤等人 (2018)。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图5)

高性能伺服电机的特点是需要平稳旋转直至失速,完全控制失速时的转矩以及快速的加速和减速。过去,由于其出色的可控制性,变速驱动器主要采用直流电动机。但是,现代高性能电动机驱动系统通常基于三相交流电动机,例如交流感应电动机(ACIM)或永磁同步电动机(PMSM)。这些电机已经取代直流电机,成为要求苛刻的伺服电机应用的首选电机,因为它们具有坚固耐用的结构,低惯性,高输出功率重量比以及在高速旋转下的良好性能。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图6)

传道矩阵是利用FSL的床柱X和probtrackX方法(贝伦斯等人,2007年)进行概率传道图从处理前扩散MRI数据中获取的:Jbabdi 等人,2012年)。BedpostX 允许自动确定通过大脑中每个 voxel 的纤维数量,并估计其方向分布。ProbtrackX 对估计的光纤方向执行概率传导。我们从每个感兴趣的区域 (ROI) 中播种了 1000 个流线型,并获得了来自每个 ROI 并到达大脑皮层其余部分的流线型的图谱矩阵。这些矩阵包含非正常值,通过将每行除以路面文件来正常化。

2.8. 统计分析

所有统计分析均使用 R Studio 软件版本 1.1.463 和 GraphVar (版本 2.0)(Kruschwitz 等人,2015 年)进行。性别、年龄、教育史、围棋/禁飞任务的反应时间、当前适度和剧烈的体育活动水平、成年锻炼参与度、兄弟姐妹人数和父母教育史在所有分析中都被用作混淆。我们使用科尔莫戈罗夫-2012Smirnov测试评估了所有连续变量的正常性。使用强大的标准错误,对预测围棋/不走任务绩效(围棋试验命中率;不走试验的误报率)进行多次回归分析,分析早期运动中的锻炼参与与围棋/不去任务绩效之间的关系,以及年龄或性别与早期参与运动在围棋/不走任务表现上的相互作用效应,在控制混淆者之后。

现在已经建立了矢量控制原理来控制这些交流电机。现在,大多数现代高性能驱动器都实现了数字闭环电流控制。在这样的系统中,可达到的闭环带宽直接与可实时实现计算密集型矢量控制算法和相关矢量旋转的速率有关。由于这种计算负担,许多高性能驱动器现在使用数字信号处理器(DSP)来实现嵌入式电动机和矢量控制方案。DSP的固有计算能力可实现非常快的循环时间,并实现闭环电流控制带宽(2至4 kHz之间)。

GraphVar 用于分析结构和功能连接(克鲁施维茨等人,2015 年)。由于 GraphVar 无法使用大脑网络作为独立变量进行回归分析,因此所有混淆者都退步了 Go/No-go 任务性能,在执行连接分析之前,残余物标准化了。所有混淆变量都是在连接分析中因扰动共存而输入的。此过程为 Go/禁用任务性能和大脑连接之间的关系生成类

这些机器的完整电流控制方案还需要高精度的脉宽调制(PWM)电压生成方案和高分辨率的模数(A/D)转换(ADC)来测量电动机电流。为了将转矩保持平稳地控制到零速,转子位置反馈对于现代矢量控制器至关重要。因此,许多系统都包括转子位置传感器,例如旋转变压器和增量编码器。

精准执行部件五竹-PWM门控

三相交流电机的有效变速控制需要生成具有可变频率的平衡三相可变电压组。变频电源通常是通过使用功率半导体器件(通常为MOSFET或IGBT)作为固态开关从直流电转换而产生的。常用的转换器配置为两级电路,其中首先对固定频率的50或60Hz交流电源进行整流,以提供存储在直流链路电容器中的直流链路电压Vd。然后将该电压提供给逆变器电路,该逆变器电路为电动机生成变频交流电。逆变器电路中的电源开关允许将电动机端子连接到Vd或接地。这种操作模式具有很高的效率,因为理想情况下,开关在打开位置和闭合位置均具有零损耗。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图7)

通过快速顺序地打开和闭合六个开关,可以在输出端子上合成具有平均正弦波形的三相交流电压。实际输出电压波形是脉宽调制(PWM)高频波形。在使用固态开关的实际逆变器电路中,大约20kHz的高速开关是可能的,并且可以在非常高的频率下利用所有电压谐波分量生成复杂的PWM波形。远高于所需的基本频率-通常在0至250 Hz的范围内。

电机的感抗随频率增加,因此高次谐波电流非常小,并且近正弦电流在定子绕组中流动。通过使用适当的控制器更改PWM波形,可以调节逆变器的基本电压和输出频率。在控制基本输出电压时,PWM过程不可避免地会修改输出电压波形的谐波含量。适当选择调制策略可以将这些谐波电压及其相关的谐波效应和电动机中的高频损耗降至最低。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图8)

在典型的交流电动机控制器设计中,在生成PWM信号的过程中会同时考虑硬件和软件因素,这些信号最终用于打开或关闭三相逆变器中的功率设备。在典型的数字控制环境中,控制器会以PWM开关频率(通常为10至20kHz)生成一个定期定时中断。在中断服务程序中,控制器软件为PWM信号计算新的占空比值,这些PWM信号用于驱动逆变器的三个分支。计算出的占空比取决于电机的测量状态(转矩和速度)以及所需的运行状态。为了逐个周期地调整占空比,以使电动机的实际运行状态遵循期望的轨迹。

一旦处理器已经计算出所需的占空比值,就需要一个专用的硬件PWM发生器来确保在下一个PWM和控制器周期内产生PWM信号。PWM生成单元通常由适当数量的计时器和比较器组成,这些计时器和比较器能够产生非常精确的定时信号。通常,在PWM时序波形的产生中需要10至12位的性能。占空比以逐周期为基础有效地调整施加到电动机的平均电压,以实现所需的控制目标。

精细反馈王启年-ADC转换器

定子电流矢量的两个分量称为d直轴分量和q正交轴分量。直轴电流控制电机磁通量,通常用永磁电机控制为零。然后可以通过调节正交轴分量直接控制电动机转矩。快速,准确的转矩控制对于高性能驱动器至关重要,以确保快速加速和减速,并在所有负载条件下平稳地旋转至零速。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图9)

实际的直流和正交电流分量是通过以下方法获得的:首先使用合适的电流感应传感器测量电动机相电流,然后使用片上ADC系统将其转换为数字量。通常仅对两个电机线路电流进行同时采样就足够了:由于三个电流之和为零,因此可以在必要时从同时测量其他两个电流得出第三个电流。

为了控制高性能交流伺服驱动器,需要对测量的两相电流值进行快速、高精度、同时采样的A/D转换。伺服驱动器具有额定的工作范围-可以连续维持的一定功率水平,并且电动机和功率转换器中的温度升高可以接受。伺服驱动器还具有峰值额定值-能够在短时间内处理远远超过额定电流的电流。例如,可以在短时间内施加高达额定电流六倍的电流。这允许瞬时施加大扭矩,以非常快速地加速或减速驱动器,然后恢复到正常操作的连续范围。这也意味着在驱动器的正常操作模式下,仅使用总输入范围的一小部分。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图10)

在另外一方面,为了获得这些机器所需的平稳、准确的旋转,明智的做法是补偿小偏差和非线性。在任何电流传感器电子设备中,模拟信号处理经常会遭受增益和失调误差。例如,针对不同绕组的电流测量系统之间可能存在增益不匹配的情况。这些效果结合在一起会在扭矩中产生不希望的振荡。为了满足这两个相互矛盾的分辨率要求,现代伺服驱动器使用12至14位A/D转换器,具体取决于应用所需的成本/性能折衷。

系统的带宽基本上受输入信息然后执行计算所花费的时间限制。A/D转换器如果要花费许多的时间转换信号,系统是无法忍受这样的延迟的。闭环系统中的延迟会降低系统可达到的带宽,而带宽是这些高性能驱动器最重要的性能指标之一。因此,对于这些应用来说,快速的模数转换是必需的。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图11)

这些应用中使用的A/D转换器的第三个重要特性是时序。除了高分辨率和快速转换,还需要同时采样。在任何三相电动机中,都必须在同一时间测量电动机三个绕组中的电流,以便即时获得电动机转矩的“快照”。任何时间偏差(测量不同电流之间的时间延迟)都是通过测量方法人为插入的误差因子。这种不理想的情况直接转化为转矩的波动,这是非常不希望的特性。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图12)

在成熟的工业自动化市场以及家用电器,办公自动化和汽车市场的新兴市场中,基于DSP的三相交流电动机的现代控制技术在市场上继续蓬勃发展。要对这些机器进行有效且具有成本效益的控制,就需要在硬件和软件之间进行适当的平衡,以便对时间紧迫的任务(如生成PWM信号或与转子位置传感器的实时接口)由专用的硬件单元进行管理。另一方面,使用DSP核的快速计算能力,最好用软件来处理电动机的整体控制算法和新电压指令的计算。与较旧的硬件解决方案相比,用软件实现控制解决方案具有所有优点,即易于升级,可重复性和可维护性。所有电机控制解决方案还需要集成合适的A/D转换系统,以快速,准确地测量来自电机的反馈信息。ADC系统的分辨率,转换速度和输入采样结构必须严格针对特定应用的要求。

留言处大家可以补充文章解释不对或欠缺的部分,这样下一个看到的人会学到更多,你知道的正是大家需要的。。。

儿童运动通过大脑连接和结构的变化预测晚年的反应抑制庆余年最强三人组启发电机控制DSP处理器设计(图13)推荐阅读:一文解读,电机的电枢是什么?请点击下面“阅读原文”

标签: 时序计时器

随便看看