腦運(yùn)動(dòng)神經(jīng)系統(tǒng)的建模與辨識(shí)研究.pdf

1、腦機(jī)接口是一種實(shí)現(xiàn)大腦直接與外界環(huán)境進(jìn)行交流并進(jìn)行控制的新技術(shù)。隨著多通道神經(jīng)元信號(hào)采集技術(shù)與計(jì)算機(jī)控制技術(shù)的日益成熟，如何從大腦皮層神經(jīng)元群體活動(dòng)中提取運(yùn)動(dòng)信息的解碼算法是整個(gè)腦機(jī)接口系統(tǒng)實(shí)現(xiàn)腦信號(hào)與外界環(huán)境聯(lián)系的關(guān)鍵紐帶。本文針對(duì)腦運(yùn)動(dòng)神經(jīng)系統(tǒng)的建模與辨識(shí)問題，深入研究了從大腦運(yùn)動(dòng)皮層神經(jīng)元脈沖序列信號(hào)中提取關(guān)于生物具體運(yùn)動(dòng)行為信息的解碼算法，以及從時(shí)間編碼的角度分析神經(jīng)元信號(hào)的方法。 本文首先研究了建立大腦運(yùn)動(dòng)皮層神經(jīng)元信

2、號(hào)與肢體運(yùn)動(dòng)方向關(guān)系模型的問題。 提出了一種基于二叉樹的多類支持向量機(jī)（SVM）分類方法，建立用群體神經(jīng)元的放電頻率模式預(yù)測(cè)手臂運(yùn)動(dòng)方向的模型。通過與常用的線性群體向量法（PVA）以及學(xué)習(xí)矢量量化（LVQ）方法比較，表明支持向量機(jī)方法具有較強(qiáng)的學(xué)習(xí)能力和推廣能力，適用于樣本數(shù)量較少的神經(jīng)元信號(hào)分析。另外，還采用簡(jiǎn)化了計(jì)算復(fù)雜性的最小二乘支持向量機(jī)方法建模，性能與標(biāo)準(zhǔn)的支持向量機(jī)相似，并且運(yùn)算時(shí)間較短，更適用于神經(jīng)元信號(hào)的在線分析

3、，有利于實(shí)現(xiàn)性能更高的用于神經(jīng)康復(fù)的腦機(jī)接口系統(tǒng)。 然后，針對(duì)較為復(fù)雜的運(yùn)動(dòng)軌跡的建模問題，提出采用基于最小二乘支持向量機(jī)的非線性NARX模型，用群體神經(jīng)元的放電頻率模式預(yù)測(cè)三維空間中手臂運(yùn)動(dòng)軌跡的位置坐標(biāo)。并且與線性的ARX模型以及基于ANN的NARX模型比較。表明非線性NARX模型比線性ARX模型能夠更好地描述腦運(yùn)動(dòng)神經(jīng)系統(tǒng)，而用LS-SVM 算法建立的模型比ANN 建立模型的預(yù)測(cè)精度更高，泛化能力更強(qiáng)。另外，還對(duì)實(shí)驗(yàn)記錄的

4、群體中的神經(jīng)元進(jìn)行了選擇，使用相對(duì)較少的神經(jīng)元信號(hào)實(shí)現(xiàn)了更精確的運(yùn)動(dòng)軌跡預(yù)測(cè)，并且有利于減少腦機(jī)接口系統(tǒng)的運(yùn)算負(fù)荷。 為了能夠直接分析神經(jīng)元發(fā)放脈沖的時(shí)間信息，本文系統(tǒng)研究了Spiking 神經(jīng)網(wǎng)絡(luò)（SNN）的神經(jīng)元模型、網(wǎng)絡(luò)結(jié)構(gòu)、計(jì)算機(jī)仿真方法以及網(wǎng)絡(luò)學(xué)習(xí)算法。在類似ANN中BP 算法的SpikeProp 網(wǎng)絡(luò)學(xué)習(xí)算法的基礎(chǔ)上，提出了兩種改進(jìn)方法：一種是用學(xué)習(xí)速率自適應(yīng)調(diào)整和加動(dòng)量項(xiàng)的方法來提高SNN的收斂速度和改善動(dòng)態(tài)性能；另

5、一種采用更接近生物神經(jīng)元的SRM模型，更全面地考慮了神經(jīng)元在發(fā)放脈沖后的狀態(tài)變化，并采用BP 算法在線調(diào)整神經(jīng)元的不應(yīng)期，使多脈沖發(fā)放的SNN 傳遞信息的效率更高。 在研究Spiking 神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)基礎(chǔ)上，本文提出采用SNN 方法，直接從大腦運(yùn)動(dòng)皮層神經(jīng)元脈沖序列的時(shí)間模式中提取有關(guān)手運(yùn)動(dòng)方向以及手抓握角度的信息。通過單層和二層前向SNN 分析運(yùn)動(dòng)皮層神經(jīng)元活動(dòng)的結(jié)果表明，SNN 算法用于提取神經(jīng)元脈沖序列中的時(shí)間信息是可行