用于腦運作探析攜環(huán)境信息前向網絡樣本重組樹生成算法

用于腦運作探析攜環(huán)境信息前向網絡樣本重組樹生成算法文獻19提出了血液循環(huán)在大腦處理信息的過程中具有時序控制作用，并用量化模型結合結構風險最小化相關理論說明時序控制作用的意義。文獻1024匯總介紹量化模型中的一些細節(jié)。為方便同行閱讀，我們在2013年也發(fā)表了系列綜合報告2529。文獻3132介紹我們開發(fā)的一個算法，這一算法實現將一個有向網絡分解為一系列前向網絡集合。分解出來的前向網絡集合可用于分析各種情況對任一細胞活動情況的影響，也可用于搭建精細的神經網絡模型，進而用于輔助醫(yī)學等方面的研究。算法的網絡分解能力能符合文獻128所介紹的大腦處理信息量化方案的要求。算法的設計用到了筆者在2004年論文30中總結的一種算法設計思路，采用這一思路設計的算法有好的可擴展性，文獻33將文獻3132介紹的算法升級為DGFFNSRTREES算法，本文介紹了怎樣將文獻33介紹的DGFFNSRTREES算法升級擴展為DGFFNSRTREESEI算法，升級成的DGFFNSRTREESEI算法可用于多種用途【關鍵詞】過程存儲和重組模型大腦量化模型中樞神經系統(tǒng)前向網絡樣本重組樹攜環(huán)境信息前向網絡樣本重組樹分類號Q4261前言11從信息處理系統(tǒng)的角度研究腦運作機制29，3132腦具備信息處理系統(tǒng)的功能，研究大腦時，可以把腦看成“一種特別的信息處理系統(tǒng)”。目前神經生物學一個受關注的研究方向是大腦的整體運作機制是怎樣的，也就是腦中分子層面的活動如何影響、決定細胞層面的活動；細胞層面的活動如何影響、決定微環(huán)路和環(huán)路層面的活動并最終影響、決定系統(tǒng)層面的活動和功能。當把大腦運作機制看成“一種特別的信息處理系統(tǒng)的運作機制”時，這個研究方向涉及信息系統(tǒng)研究中的“系統(tǒng)結構”、“系統(tǒng)組成原理”、等方面的問題。如果把腦這一信息處理系統(tǒng)的“系統(tǒng)架構”、“系統(tǒng)組成原理”、等看成一套未知的待探索的機制，已積累的“分子層面、細胞層面、微環(huán)路和環(huán)路層面、系統(tǒng)層面的各種知識和實踐經驗”可以看成“自然和人們無意中編排設計的、探索腦信息處理運作機制的實驗獲得的數據和結果”，因此，綜合整理分析已有的各層面的知識，建立有堅實解剖學基礎、能聯系各層面、量化描述腦信息處理過程的模型和框架，發(fā)現、掌握系統(tǒng)運作所遵循的基本規(guī)律和原理，會對更深刻理解大腦信息處理運作機制有所幫助；將有利于對各種神經系統(tǒng)疾病發(fā)病機制的理解、治療方案的制定；也將有助于我們更深刻地理解，理性、客觀地對待我們已知的各種知識和所建立的各種理論綜合整理分析、建立量化描述模型、探索系統(tǒng)運作所遵循的基本規(guī)律和原理是一項繁雜艱巨的工作，筆者在多年前就已經開始了這項工作，并發(fā)表了一系列論文。我們于2007年3月正式發(fā)表論文1提出血液循環(huán)（包括微循環(huán)）機制在大腦運作過程起到時序控制的作用，在研究腦運作機制的時候，要考慮血液周期性灌注的影響；分析了各種腦電現象形成的機制和原因；等。我們筆者在上述論文和一系列發(fā)表于網站、全國學術會議、期刊等的論文120（這些論文發(fā)表于2006年至2012年）中，提出了血液循環(huán)在腦處理信息的過程中具有時序控制作用；分析了各種腦電現象形成的機制和原因；建立描述腦處理信息過程的量化模型，用量化模型結合結構風險最小化相關理論分析說明時序控制作用對大腦高效可靠處理信息的意義；匯總介紹量化模型中的細節(jié)；分析了大腦能正確而高效處理信息，使智力能夠誕生的原因；分析了理論建立和應用過程的神經生理學原理、只能有相對真理的神經生理學原因；還建立和介紹了另外一種量化分析方案；等。我們還介紹了更多的細節(jié)2124。為方便同行閱讀，我們在2013年也整理發(fā)表了系列綜合報告2528以上文字已發(fā)表在文獻29中12腦研究輔助工具的研發(fā)腦研究領域的另外一個研究方向是研發(fā)更多用于研究大腦的輔助工具。文獻3132介紹了我們設計的一種網絡分解算法，這一算法用于將有向網絡分解為一系列前向網絡集合，為每個節(jié)點都生成一個以這個節(jié)點為輸出細胞的前向網絡，并且實現前向網絡的擴維次數可控、不會無限制擴維，觀察時間長度可控。分解出來的前向網絡集合可用于分析各種情況對任一細胞活動狀態(tài)的影響，也可以用于搭建精細的神經網絡模型，進而用于輔助醫(yī)學等方面的研究文獻3132介紹的算法設計過程中用到了筆者在2004年論文中總結的一種算法分析設計思路面對一些需求復雜的算法設計時，從“遞歸空間的分類”這一個角度入手，進而分析各遞歸空間間的參數傳遞關系，從而設計出符合需求的算法流程及其“搭配策略”30。采用這一設計思路設計的算法具有好的可擴展性，文獻33將文獻3132介紹的算法進行升級為前向網絡樣本重組樹生成算法，實現樣本排列圖構造信息的生成。本文介紹怎樣將文獻33介紹的前向網絡樣本重組樹生成算法（DGFFNSRTREES算法）升級為攜環(huán)境信息前向網J樣本重組樹生成算法（DGFFNSRTREESEI算法），升級成的DGFFNSRTREESEI算法可用于多種用途13一些需要注意的事項在上面文字和所提及參考文獻中，“大腦”和“腦”兩詞在很多情況下都對應英文中的BRAIN，就是指腦，這一點需要注意14意義各類理論、知識、語言、等的本質和應用等已可由統(tǒng)一的大腦信息處理量化模型描述128。例如無限細分概念的相關神經機制可用我們的大腦處理信息量化模型描述；標準模型理論認為，物質是由“構成物質的基本粒子”構成，并通過交換“傳遞力的基本粒子”而結合在一起，這一理論也遵循著我們提出的理論建立和應用的神經生理學原理，也是一個相對真理，相關神經機制可用我們的大腦處理信息量化模型分析清楚；等等。本文設計的算法，可用于更精細分析腦整體運作；可用于更精細、以更多種方式干預大腦整體運作；等等用途，具有積極意義，值得進一步研究2算法需求分析總結需求描述要建立描述更豐富信息的腦量化分析模型，需要設計合理的數據結構和函數，用于描述腦細胞所處環(huán)境和分析環(huán)境對腦細胞活動的影響，例如對波動閾值的影響需求分析要實現上述需求，DGFFNSRTREES算法升級后的DGFFNSRTREESEI算法相應的數據結構中，要有相應的成員用于描述腦細胞所處的環(huán)境的信息（如位置，各種化學物質濃度情況等），或者指向描述腦細胞所處環(huán)境信息（如位置，各種化學物質濃度情況等）的數據結構3算法重要數據結構升級設計31一些說明在本文中，一些已在文獻3133介紹過的重要數據結構設計本文不再重復一一介紹。下面將以圖和偽代碼相結合的方式介紹以前一些未詳細列出介紹的，有升級點的重要數據結構32有向圖類有向圖類，DIRECTEDGRAPH，簡稱DG，算法升級過程中，有向圖類將增加必要的成員和函數321圖節(jié)點類重要成員和增加成員介紹CLASSGRAPHNODE/FFNSRTREENODEGENERATEDNODELINK；/圖節(jié)點類中增加一個鏈表成員GENERATEDNODELINK，該成員是前向網絡樹生成過程中，對應本圖節(jié)點的所有樹節(jié)點的鏈表/INTGENERATEDNODENUM；/在生成某一棵EIFFNSRTREE的過程中，GENERATEDNODELINK鏈表中所鏈接的EIFFNSRTREENODE個數/ENVIROMENTINFORMATIONENVOFNODE；/指針，指向描述細胞所處環(huán)境的數據結構/TIMEBEGINTIME；/和ENDTIME配合標記本圖節(jié)點描述的神經細胞及其所處環(huán)境是處于哪個時間區(qū)間的/TIMEENDTIME；/和BEGINTIME配合標記本圖節(jié)點描述的神經細胞及其所處環(huán)境是處于哪個時間區(qū)間的/322圖邊類增加成員介紹CLASSGRAPHEDGE/ENVIROMENTINFORMATIONENVOFEDGE；/指針，指向描述傳輸通路所處環(huán)境的數據結構/TIMEBEGINTIME；/和ENDTIME配合標記本圖邊描述的傳輸通路及其所處環(huán)境是處于哪個時間區(qū)間的/TIMEENDTIME；/和BEGINTIME配合標記本圖邊描述的傳輸通道及其所處環(huán)境是處于哪個時間區(qū)間的/33前向網絡樣本重組樹前向網絡樣本重組樹，FEEDFORWARDNETWORKSAMPLERECOMBINATIONTREE，簡稱FFNSRTREE。FFNSRTREE是一種復合數據結構，由樹結構，隊列結構，鏈表結構復合而成。FFNSRTREE結構也可以看作由三部分組成，由FFNTREE子結構，隊列子結構、鏈表子結構三部分復合組成CLASSFFNSRTREE/FFNSRTREENODEROOTNODE；/指向樹型子結構的根節(jié)點/FFNSRTREEQUEUEFFNSRTREEQUEUEINSTANCE；/指向列子結構/（1）前向網絡樣本重組樹FFNSRTREE的總體結構如圖1所示（2）樹節(jié)點類重要成員和增加成員介紹CLASSFFNSRTREENODE/FFNSRTREENODENEXTNODEONGENERATEDLINK；/下一個和本樹節(jié)點由同一個圖節(jié)點產生的樹節(jié)點/LONGDOUBLELATENCYTIME；/信息從本細胞到輸出細胞，包括信號轉換、本細胞和沿途細胞處理信息時間的總傳輸延遲/ENVIROMENTINFORMATIONENVOFTREENODE；/指針，指向描述細胞所處環(huán)境的數據結構/TIMEBEGINTIME；/和ENDTIME配合標記本FFNSRTREE節(jié)點描述的神經細胞及其所處環(huán)境是處于哪個時間區(qū)間的/TIMEENDTIME；/和BEGINTIME配合標記本FFNSRTREE節(jié)點描述的神經細胞及其所處環(huán)境是處于哪個時間區(qū)間的/（3）樹邊類重要成員和增加成員介紹CLASSFFNSRTREEEDGE/SIGNALINPUTSIGNALS；/輸入信息隊列/SIGNALOUTPUTSIGNALS；/輸出信息隊列/VOIDTRANSMITTER（）；/將輸入的已經完成傳輸時間延遲的信息從INPUTSIGNALS信息隊列取出，放到OUTPUTSIGNALS信息隊列，描述”輸入信息輸入傳輸路徑輸入端后，經過一定時間的延遲，到達傳輸路徑輸出端”這一過程/LONGDOUBLETRANSMITTIME；/邊時間權值，定義為信息從本樹邊輸入端傳輸到輸出端，包括信號轉換、輸入端神經細胞處理信息所需時間/LONGDOUBLELATENCYTIME；/信息從輸入端到輸出細胞，包括信號轉換、輸入端細胞和沿途細胞處理信息時間的總傳輸延遲/LONGDOUBLELINKPOWER；/邊連接權值/ENVIROMENTINFORMATIONENVOFTREEEDGE；/指針，指向描述傳輸通路所處環(huán)境的數據結構/TIMEBEGINTIME；/和ENDTIME配合標記本FFNSRTREE邊描述的傳輸通路及其所處環(huán)境是處于哪個時間區(qū)間的/TIMEENDTIME；/和BEGINTIME配合標記本FFNSRTREE邊描述的傳輸通路及其所處環(huán)境是處于哪個時間區(qū)間的/（4）樹隊列類重要成員介紹CLASSFFNSRTREEQUEUE/FFNSRTREEQUEUENODEFISRTQUEUENODE；/隊列中第一個隊列節(jié)點/LONGQUEUENODENUM；/隊列中的隊列節(jié)點總數/（5）樹隊列節(jié)點類重要成員介紹CLASSFFNSRTREEQUEUENODE/STRINGLABLE；/節(jié)點標識，記錄本隊列節(jié)點母鐾冀詰/LONGSEQINFO；/排序信息，記錄在排好序隊列中本節(jié)點的序號/GRAPHNODEORIGINGRAPHNODE；/圖節(jié)點指針，指向本隊列節(jié)點對應的圖節(jié)點/LONGDOUBLEMAXLATENCYTIME；/記錄隊列中到輸出細胞時間延遲最大路徑的時間延遲值/FFNSRTREENODEGENERATEDNODELINK；/鏈表成員GENERATEDNODELINK，該成員是前向網絡樹生成過程中，由和本隊列節(jié)點對應圖節(jié)點產生的所有樹節(jié)點的鏈表/34十字鏈表結構十字鏈表結構，用于實現表現樣本排列圖的樣本排列矩陣CLASSCROSSLINKNODESTRINGLABLE；/節(jié)點標識，標記對應哪個圖節(jié)點/STRINGTIMEAREA；/標記對應哪個時間區(qū)域，即哪個樣本/CROSSLINKNODERIGHTNODE；/指向右方節(jié)點/CROSSLINKNODEDOWNNODE；/指向下方節(jié)點/STATESTATEOFTHISCELL；/記錄細胞具體興奮情況的數據結構/CALIBRATIONTIMECALIBRATIONTIMEVALUE；/記錄符合精確程度要求的延遲校準時間值的數據結構，在算法啟用延遲時間校準模式的時候，會用到這一成員。在啟用延遲時間校準模式的時候，初始化十字鏈表時，每個FFNSRTREE節(jié)點對應一個十字鏈表行頭節(jié)點/FFNSRTREENODERELATEDFFNSRTREENODE；/在啟用延遲時間校準模式的時候，初始化十字鏈表時，每個FFNSRTREE節(jié)點對應一個十字鏈表行頭節(jié)點，這個成員標記一個行頭節(jié)點對應哪個FFNSRTREE節(jié)點/在本算法中，規(guī)定每個十字鏈表節(jié)點對應一個細胞在一個樣本時間段內的興奮狀況/CLASSCROSSLINK/CROSSLINKNODEROWHEAD；/行頭節(jié)點指針數組，指向各行第一個節(jié)點/CROSSLINKNODECOLHEAD；/列頭節(jié)點指針數組，指向各列第一個節(jié)點/LONGROWNUM；/總行數/LONGCOLNUM；/總列數/BOOLCALIBRATIONTIMEMODE；/是否開啟延遲時間校準模式/35描述環(huán)境的數據結構ENVIROMENTINFORMATIONCLASSENVIROMENTINFORMATION/REGIONREGION；/本環(huán)境數據是描述哪個空間范圍的，包括位置，范圍，形狀，大小等信息/TIMEBEGINTIME；/和ENDTIME成員配合標記描述的是相應空間哪個時間范圍內的環(huán)境情況/TIMEENDTIME；/和BEGINTIME成員配合標記描述的是相應空間哪個時間范圍內的環(huán)境情況/4DGFFNSRTREES算法升級為DGFFNSRTREESEI算法的思路算法的升級思路主要有如下幾點（1）在生成FFNSRTREE過程中，在生成樹節(jié)點的時候，為FFNSRTREENODE數據結構中ENVOFTREENODE，BEGINTIME，ENDTIME賦上相應的值（2）在生成FFNSRTREE過程中，在生成樹邊的時候，為FFNSRT某一特定的網絡節(jié)點、某一特定的樹節(jié)點是處于那個時間范圍內的；對網絡邊、樹邊所處環(huán)境的描述也可以采取類似方法5算法的流程設計除了4中涉及的升級點外，DGFFNSRTREESEI算法流程和DGFFNSRTREES算法類似，這里不再重復描述，具體參考文獻336算法的應用在生成FFNSRTREE和用于表現樣本排列矩陣的有向十字鏈表后，就能生成和推演出動態(tài)的樣本排列圖，算法產生的樣本排列圖（數據上表現為FFNSRTREE，樣本排列矩陣等）有多種用途61應用于網絡運作的精確分析由于攜帶有豐富的描述細胞、傳遞通路、等所處環(huán)境的信息，算法可按實際研究需要分別在開啟和關閉延遲時間校準兩種工作模式（參考文獻33）下，用于更精細的大腦整體運作分析62應用于網絡運作的精確干預由于攜帶有豐富的描述細胞、傳遞通路、等所處環(huán)境的信息，算法可按實際研究需要分別在開啟和關閉延遲時間校準兩種工作模式（參考文獻33）下，用于更精細、通過更多種方法干預大腦整體運作63應用于其他各種用途7可進一步改進的工作可改進的工作有如下幾點（1）需要注意的一點是，本文介紹的是文獻129涉及的量化模型的計算機模型，計算機模型是“量化模型的模型”，在描述自然事物和規(guī)律的精確度上是有一定損失的，例如在本文介紹的計算機模型中，樹邊類的成員中，邊時間權值TRANSMITTIME，總傳輸延遲LATENCYTIME，邊連接權值LINKPOWER等成員定義為LONGDOUBLE類型的變量，有表數精度、表數范圍等方面的局限性；在有需要進行更精細研究的時候，可按實際研究需要，采用將相關成員定義為符合研究精細程度要求的數據結構類型等方式改進技術，建立符合研究需要的計算機模型。33（2）在程序設計中，需求滿足的優(yōu)先級順序為“正確性、穩(wěn)定性、可測性、規(guī)范性和可讀性、全局效率、局部效率、個人風格”，上面算法采用了遞歸程序的框架設計，先滿足了優(yōu)先級高的需求，后續(xù)可以通過遞歸程序的非遞歸化優(yōu)化效率。3132（3）在計算量大的情況下，通過適當改造，上述算法對應的計算任務可以分拆成多個子計算任務，然后分布到多個系統(tǒng)中計算。3132（4）為程序調試方便，個別數據結構設計存在信息冗余，可進一步進行程序的代碼級優(yōu)化。3132參考文獻1謝勤，王乙容大腦處理信息的過程存儲和重組模型J現代生物醫(yī)學進展，2007，（3）432435，439（XIEQIN，WANGYIRONGSTORINGANDREENGINEERINGOFMODELSOFCEREBRALINFORMATIONPROCESSJPROGRESSOFMODERNBIOMEDICINE，2007，（3）432435，439）2謝勤血液循環(huán)在大腦信息處理過程中的時序控制作用J現代生物醫(yī)學進展，2008，（6）11521159（XIEQINTIMERROLEOFBLOODCIRCULATIONWHENBRAINPROCESSINGINFORMATIONJPROGRESSOFMODERNBIOMEDICINE，2008，（6）11521159）3謝勤過程存儲與重組模型ZWWWSCIAMCOMCN，2006（XIEQINMODELOFPROCESSSTORINGANDRECALLINGZWWWSCIAMCOMCN，2006）4謝勤一種關于腦電波起源和含義的觀點C中國神經科學學會第七次全國學術會議論文集北京科學出版社，2007144（XIEQINAVIEWPOINTABOUTORIGINANDMEANINGOFEEGSCPROCEEDINGSOFTHE7THBIENNIALMEETINGANDTHE5THCONGRESSOFTHECHINESESOCIETYFORNEUROSCIENCEBEIJINGSCIENCEPRESS，2007144）5謝勤血液循環(huán)在大腦信息處理過程中的時序控制作用整理C中國神經科學學會第八次全國學術會議論文集北京科學出版社，2009135（XIEQINAREVIEWOFTIMERROLEOFBLOODCIRCULATIONWHENBRAINPROCESSINGINFORMATIONCPROCEEDINGSOFTHE8THBIENNIALMEETINGOFTHECHINESESOCIETYFORNEUROSCIENCEBEIJINGSCIENCEPRESS2009135）6謝勤血液循環(huán)在大腦信息處理過程中的時序控制作用整理J中外健康文摘，2011，8（20）9398（XIEQINAREVIEWOFTIMERROLEOFBLOODCIRCULATIONWHENBRAINPROCESSINGINFORMATIONJWORLDHEALTHDIGEST，2011，8（20）9398）7謝勤大腦處理信息的樣本量和網絡規(guī)模問題J中外健康文摘，2011，8（21）8891（XIEQINMATCHINGPROBLEMOFSAMPLEQUANTITYANDNETWORKSCALEWHENBRAINPROCESSINGINFORMATIONJWORLDHEALTHDIGEST，2011，8（21）8891）8X勤大腦處理信息量化模型中的另一種樣本重組方案J中外健康文摘，2011，8（22）209210（XIEQINANOTHERSAMPLERECOMBINATIONSOLUTIONFORQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGJWORLDHEALTHDIGEST，2011，8（22）209210）9謝勤大腦處理信息的樣本量和網絡規(guī)模問題C中國神經科學學會第九次全國學術會議論文集北京科學出版社，2011366（XIEQINMATCHINGPROBLEMOFSAMPLEQUANTITYANDNETWORKSCALEWHENBRAINPROCESSINGINFORMATIONCPROCEEDINGSOFTHE9THBIENNIALMEETINGOFTHECHINESESOCIETYFORNEUROSCIENCEBEIJINGSCIENCEPRESS2011366）10謝勤大腦處理信息量化模型中的細節(jié)匯編J中外健康文摘，2011，8（48）7880（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGJWORLDHEALTHDIGEST，2011，8（48）7880）11謝勤大腦處理信息量化模型中的細節(jié)匯編二J中外健康文摘，2012，9（4）101102（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGIIJWORLDHEALTHDIGEST，2012，9（4）101102）12謝勤大腦處理信息量化模型中的細節(jié)匯編三J中外健康文摘，2012，9（16）6162（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGIIIJWORLDHEALTHDIGEST，2012，9（16）6162）13謝勤大腦處理信息量化模型中的細節(jié)匯編四J中外健康文摘，2012，9（23）193194（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGIVJWORLDHEALTHDIGEST，2012，9（23）193194）14謝勤大腦處理信息量化模型中的細節(jié)匯編五J中外健康文摘，2012，9（20）5657（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGVJWORLDHEALTHDIGEST，2012，9（20）5657）15謝勤大腦處理信息量化模型中的細節(jié)匯編六J中外健康文摘，2012，9（29）238239（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGVIJWORLDHEALTHDIGEST，2012，9（29）238239）16謝勤大腦處理信息量化模型中的細節(jié)匯編七J中外健康文摘，2012，9（33）4546（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGVIIJWORLDHEALTHDIGEST，2012，9（33）4546）17謝勤大腦處理信息量化模型中的細節(jié)匯編八J中外健康文摘，2012，9（39）393395（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGVIIIJWORLDHEALTHDIGEST，2012，9（39）393395）18謝勤大腦處理信息量化模型中的細節(jié)匯編九J中外健康文摘，2012，9（39）402403（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGIXJWORLDHEALTHDIGEST，2012，9（39）402403）19謝勤大腦處理信息量化模型中的細節(jié)匯編十J中外健康文摘，2012，9（39）407408（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXJWORLDHEALTHDIGEST，2012，9（39）407408）20謝勤大腦處理信息量化模型中的細節(jié)匯編十一J中外健康文摘，2012，9（50）112113（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXIJWORLDHEALTHDIGEST，2012，9（50）112113）21謝勤大腦處理信息量化模型中的細節(jié)匯編十二J大家健康（下旬刊），2014，118（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXIIJFORALLHEALTH，2014，118）22謝勤大腦處理信息量化模型中的細節(jié)匯編十三J大家健康（中旬刊），2014，12223（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXIIIJFORALLHEALTH，2014，12223）23謝勤大腦處理信息量化模型中的細節(jié)匯編十四J大家健康（中旬刊），2014，212（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXIVJFORALLHEALTH，2014，212）24謝勤大腦處理信息量化模型中的細節(jié)匯編十五J大家健康（下旬刊），2014，310（XIEQINDETAILSOFQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGXVJFORALLHEALTH，2014，310）25謝勤大腦處理信息量化模型和細節(jié)綜合報告J大家健康（下旬版），2013，7（11）69（XIEQINCOMPREHENSIVEREPORTOFAQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGANDITSDETAILSJFORALLHEALTH，2013，7（11）69）26謝勤基于量化模型的對大腦高效可靠處理信息實現機制的分析J大家健康（下旬版），2013，7（11）1113（XIEQINCOMPREHENSIVEREPORTOFAQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGANDITSDETAILSIIJFORALLHEALTH，2013，7（11）1113）27謝勤基于大腦處理信息量化模型的對若干認知問題的分析J大家健康（下旬版），2013，7（11）1415（XIEQINCOMPREHENSIVEREPORTOFAQUANTITATIVEMODELOFBRAININFORMATIONPROCESSINGANDITSDETAILSIIIJFORALLHEALTH，2013，7（11）1415）28謝勤大腦處理信息量化模型和細節(jié)綜合報告C中國神經科學學會第十次全國學術會議論文集北京科學出版社，2013（XIEQINCOMPREHENSIVEREPORTOFAQUANTITA