842
个编辑
更改
无编辑摘要
Rulkov map
'''鲁尔科夫映射（Rulkov Map）'''是一类用离散时间迭代（映射）而非微分方程来描述神经元锋电位与簇放电的二维非线性映射模型，由俄罗斯裔美国物理学家尼古拉·鲁尔科夫（Nikolai F. Rulkov）于 2001 年前后提出。它以一个快变量刻画膜电位样的快速发放、一个慢变量调制放电的起止，仅用极少量代数运算即可再现静息、簇放电和紧张式发放等多种模式，尤其便于研究混沌簇放电的同步与耦合调控，是离散时间神经动力学的代表模型。
== 基本信息 ==
{| class="wikitable"
! colspan="1" rowspan="1" |项目
! colspan="1" rowspan="1" |内容
|-
| colspan="1" rowspan="1" |'''中文名称'''
| colspan="1" rowspan="1" |鲁尔科夫映射（鲁尔科夫模型）
|-
| colspan="1" rowspan="1" |'''英文名称'''
| colspan="1" rowspan="1" |Rulkov Map（two-dimensional Rulkov map）
|-
| colspan="1" rowspan="1" |'''建模尺度'''
| colspan="1" rowspan="1" |单细胞（离散时间、低维抽象）
|-
| colspan="1" rowspan="1" |'''数学形式'''
| colspan="1" rowspan="1" |二维离散迭代映射（差分方程）
|-
| colspan="1" rowspan="1" |'''状态变量'''
| colspan="1" rowspan="1" |快变量 x_k、慢变量 y_k；k 为迭代步数
|-
| colspan="1" rowspan="1" |'''关键参数'''
| colspan="1" rowspan="1" |控制快非线性的 α_R；设定慢演化的小正数 σ_R、β_R
|-
| colspan="1" rowspan="1" |'''提出者 / 年份'''
| colspan="1" rowspan="1" |Nikolai F. Rulkov；2001 年（光滑映射），2002 年（分段映射）
|-
| colspan="1" rowspan="1" |'''代表现象'''
| colspan="1" rowspan="1" |静息、混沌簇放电、紧张式发放、簇同步的规则化
|}
== 模型概述 ==
与 HH、FHN 等连续时间模型不同，鲁尔科夫映射把时间离散为一步步的迭代。快变量 x_k 由一条关于自身的单峰（倒 U 型）非线性函数加上慢变量 y_k 决定，能够在一步之间产生类似锋电位的大幅跳变；慢变量 y_k 每一步只做极小的调整，像一个缓慢升降的"背景阈值"。当慢变量缓慢扫过敏感区间时，快变量在一段时间内密集发放、随后被抑制，形成一簇一簇的爆发（bursting）。这种"快映射 + 慢调制"的结构，以极简方式复现了真实神经元中由慢电流门控的簇放电节律。
== 提出背景与历史 ==
鲁尔科夫在 2001 年《物理评论快报》（''Physical Review Letters''）的工作中，用一个光滑的二维映射研究了耦合神经元间"同步化混沌簇放电的规则化"现象，即耦合如何使原本混沌的簇发放时刻趋于规整。2002 年，他又在《物理评论 E》提出一个分段（分段线性/不连续）的二维映射，专门用来更干净地再现单个锋电位以及"锋电位—簇放电"之间的不同状态。二者常被分别称为光滑（早期）鲁尔科夫映射与分段（后期）鲁尔科夫映射，使用时需加以区分。
== 数学形式 ==
早期的光滑鲁尔科夫模型用快变量 x_k 与缓慢演化的 y_k 表示为：
<nowiki>$$x_{k+1}=\dfrac{\alpha_{\mathrm{R}}}{1+x_{k}^{2}}+y_{k$$</nowiki>
<nowiki>$$y_{k+1}=y_{k}-\sigma_{\mathrm{R}}x_{k}-\beta_{\mathrm{R}$$</nowiki>
<nowiki>其中 k 为迭代序号；$$\alpha_{\mathrm{R}$$ 控制快变量非线性的强度，是决定放电模式的主要分岔参数；很小的正数 $$\sigma_{\mathrm{R}$$、$$\beta_{\mathrm{R}$$ 决定慢变量每一步的漂移量（如取 $$\sigma_{\mathrm{R}}=\beta_{\mathrm{R}}=0.00$$）。快映射 $$f(x)=\alpha_{\mathrm{R}}/(1+x^{2})+$$ 在不动点处的斜率随 $$\alpha_{\mathrm{R}$$ 增大而越过 −1，触发倍周期等失稳，从而把系统从静息带入振荡。</nowiki>
== 动力学机制 ==
<nowiki>随 $$\alpha_{\mathrm{R}$$ 由小增大，系统依次经历静息、簇放电与紧张式（连续/混沌）发放。以典型参数为例：$$\alpha_{\mathrm{R}}=1.$$ 时系统收敛到稳定不动点（静息）；$$\alpha_{\mathrm{R}}=4.$$ 时慢变量周期性扫过敏感区，快变量呈现一簇簇爆发；$$\alpha_{\mathrm{R}}=4.$$ 附近则转为密集、连续的快速振荡（紧张式/混沌发放）。下图上栏为簇放电时快、慢变量的配合，下三栏为三种典型模式。具体分岔边界随 $$\sigma_{\mathrm{R}$$、$$\beta_{\mathrm{R}$$ 取值而变化。</nowiki>
== 神经科学意义与典型现象 ==
* '''簇放电'''：慢变量周期性地把快系统在"静息"与"反复发放"之间切换，是对钙依赖慢电流等生理机制的极简刻画。
* '''混沌与同步'''：单个映射可产生混沌簇放电；耦合后簇的发生时刻可被规则化，用于研究神经网络中节律的同步与锁相。
* '''计算高效'''：每一步只做几次代数运算，无需对电导型常微分方程逐步数值积分，特别适合大规模耦合网络的长时程仿真与硬件实现。
== 优势与局限 ==
'''优势'''：结构极简、运算量小，却能覆盖静息、簇放电、紧张式发放等丰富状态，便于做分岔分析和大规模、实时或电路实现的网络模拟。
'''局限'''：x_k、y_k 是抽象的映射变量，迭代步长也不直接等于物理时间。在与实测膜电位波形或生物时间尺度比较之前，必须先为变量和迭代间隔建立明确的对应关系；光滑映射的主要用武之地是混沌簇与同步，单个锋电位的精细刻画则应使用 2002 年的分段映射。
== 与其他模型的关系 ==
鲁尔科夫映射在动力学角色上与 FHN 相当——都用"快兴奋 + 慢恢复"两个变量刻画可兴奋性，区别在于 FHN 是连续时间微分方程，而鲁尔科夫是离散时间映射，因而与数值迭代、数字电路和耦合映射格点理论天然衔接。它同样省略了 HH 的离子通道细节，是研究耦合可兴奋单元集体行为的轻量化工具。
== 参考文献 ==
# Rulkov, N. F. (2001). Regularization of Synchronized Chaotic Bursts. ''Physical Review Letters'', 86(1), 183–186. DOI: 10.1103/PhysRevLett.86.183
# Rulkov, N. F. (2002). Modeling of spiking-bursting neural behavior using two-dimensional map. ''Physical Review E'', 65(4), 041922. DOI: 10.1103/PhysRevE.65.041922
''说明：配图均为依据原始映射方程绘制的自绘示意性数值仿真，σ_R、β_R 取 0.001；分岔参数边界随慢变量参数取值而变化。''