模型描述

前视图（VOR）使眼睛能够以相同的速度和相反的方向移动，使得当头部在正常活动期间移动时，视觉不会模糊。例如，如果头部转向右侧，则眼睛以相同的速度向左转向左侧。这即使在黑暗中也会发生。事实上，VOR最容易在黑暗中测量的测量，以确保眼球主要由VOR驱动。

头部旋转被内耳的器官感测，称为半圆形管。这些检测头部运动并将关于头部运动的信号传输到大脑，这向眼部肌肉发送电动机命令，使得眼球运动补偿头部运动。我们希望使用眼球移动数据来估计这些各个阶段的模型参数。我们将使用的模型如下所示。模型中有四个参数：延迟那获得那TC.， 和TP.。

Open_System（'sdovor'）

文件sdovor_data.mat.包含刺激和眼球运动的统一采样数据。如果VOR是完全补偿的，那么当垂直翻转时，眼动数据图将正好覆盖在头部运动数据图的顶部。这种系统可以用增益1和相位180度来描述。然而，真正的眼球运动是密切的，但不是完美的补偿。

负载sdovor_data.mat.;％列向量：时间头像EYEDATA

我们将使用灵敏度分析界面来查看模型输出与数据的拟合程度，并探索哪些模型参数对拟合优度的影响最大。要打开敏感性分析UI，请在应用选项卡，单击敏感性分析仪在下面控制系统启动敏感性分析仪。

要将数据与模型关联，请单击新要求并选择一个信号匹配要求。这指定了一个目标函数，由数据和模型输出之间的误差平方和组成。在“信号匹配”对话框中，将输出指定为[时间eyedata]，并指定输入为[时间数据]。

要查看眼部移动数据，请导航到UI左侧的数据浏览器，右键单击信号匹配要求，选择绘图和模拟。底部图显示了由一系列脉冲组成的刺激。顶部图显示了眼球运动数据，类似于但与刺激完全匹配。它还表明，模型模拟输出与眼球移动数据不匹配，因为需要估计模型参数。

探索设计空间

模型试图捕获引起头部运动和眼球运动之间差异的现象。在这里，我们将探索模型参数形成的设计空间。要指定探索敏感性分析UI的参数，请单击选择参数并创建一个新的参数集。选择所有模型参数：延迟那获得那TC.和TP.。

通过生成参数值探索设计空间。点击生成值并选择随机值。对于示例的可重复性，重置随机数发生器。

RNG（'默认'）

由于有4个参数，我们将生成40个样本。

这延迟参数模型有一些延迟使信号从内耳与大脑和眼睛传达的事实。这种延迟是由于化学神经递质遍历神经细胞之间突触裂解所需的时间。基于前视图中的突触的数量，该延迟预计将大约5毫秒。我们将使用2ms的下限和9ms的上限模拟它。

这获得参数模型在黑暗中，眼睛不会像头一样移动。我们将用均匀的分布模拟，具有0.6的下限和1的上限。

这TC.参数模型与半规管相关的动力学，以及一些额外的神经处理。这些神经管是高通过滤器，因为当受试者进入旋转运动后，神经管中的神经活动膜会慢慢放松回到静止位置，因此神经管停止感知运动。因此，在刺激经历过渡边缘后，随着时间的推移，眼动倾向于偏离刺激。基于渠道的机械特性，结合额外的神经处理，延长该时间常数以提高VOR的准确性，我们将建模TC.具有正常（即，钟曲线）分布，平均为15秒和3秒的标准偏差。

最后，TP.参数模型动态植物的动态，即眼睛和肌肉和组织附着在上面。该植物可以用两个极点建模，然而，据信具有较大时间常数的杆被大脑中的预先施加取消，以使眼睛能够快速移动。因此，在绘图中，当刺激经历过渡边缘时，眼睛运动仅稍微延迟。我们将模拟TP.具有均匀分布，下限为0.005秒，上限为0.05秒。

当生成示例值时，它们会出现在灵敏度分析UI中的表中。要绘制它们，请选择参数集在数据浏览器中，单击阴谋标签，并制作散点图。上述采样使用默认选项，它们反映在散点图中。对于由均匀分布建模的参数，直方图显得近似均匀。但是，参数TC.被正态分布模型，其直方图具有钟曲线轮廓。如果有统计和机器学习工具箱™，则可以使用许多其他分布，并且可以使用Sobol或Halton低差异序列进行采样。非对角线绘图显示在不同变量对之间的散点图。由于我们没有在参数之间指定互相关，因此散点图看起来不相关。但是，如果据信参数相关，则可以使用对话框中的相关矩阵选项卡来指定，以生成随机参数值。

评估模型

现在，我们已经为参数集生成了值并指定了一个需求(信号匹配)，我们可以对模型进行评估。在敏感性分析选项卡，单击评估模型。

对于每组参数值，模型运行一次，结果散点图在新计算可用时更新。使用并行计算也可以加快评估速度。评估完成后，所有结果也将显示在表格中。

从评估结果的散点图，信号匹配要求似乎系统地各种各样地不同获得和TC.，但不是延迟要么TP.。在轮廓图中可以看到类似的东西。选择评估变量在数据浏览器中，单击阴谋选项卡，并绘制等高线图。该要求不随时间从左到右系统性地变化延迟，但它垂直于获得。

统计分析

我们可以使用统计分析来量化每个参数影响要求的程度。点击统计数据标签并选择相关性和标准化的回归;和线性和排名分析类型。如果可用统计和机器学习工具箱，也可以选择部分相关性和kEndAll相关性。点击计算统计数据进行计算并显示龙卷风图。龙卷风绘图显示从上到下的结果，按照哪个参数影响要求。统计值范围从-1到1，其中幅度指示参数影响要求的程度，并且标志指示参数值的增加对应于需求值的增加或减少。大多数措施，这信号匹配要求更敏感获得和TC.，而对延迟和TP.。

选择估计参数

对于参数估计，我们需要指定参数的起始值。单击评估结果表，然后单击信号匹配列标题进行排序结果。选择最小化的参数值行信号匹配要求。右键单击行并提取这些参数值。一个新变量，Paramvalues.，将显示在数据浏览器中。

从敏感性分析转换到参数估计，导航到敏感性分析选项卡，单击优化，打开参数估计会话。在出现的对话框中，指定要使用参数值的Paramvalues.，以及信号匹配要求。

因为我们发现上面的参数获得和TC.对价值产生最大影响信号匹配，我们希望仅估计这两个参数，因为估计时间随着所估计的参数的数量而增加。在参数估计UI中，单击选择参数并仅选择获得和TC.估计。

因为实验定义已从导入信号匹配参数值已从导入Paramvalues.，我们有估算所需的一切。点击估计执行参数估计获得和TC.. 因为我们只估计两个最有影响的参数，估计收敛速度很快，模型输出与数据非常匹配。与敏感性分析中的模型评估一样，并行计算可用于加速估计。

总之，敏感性分析UI用于探索参数设计空间并确定两个参数，获得和TC.，比其他人大得多。还确定了估计的开始点。此开始点和获得良好拟合对实验数据的要求被导入参数估计UI。估计快速完成，因为只需要估计两个参数，并且模型输出符合剩余错误很少的数据。

关闭模型

bdclose('sdovor'）