植入式腦機接口中神經元重要性評估及鋒電位的高效解碼.pdf

1、腦機接口通過在大腦與外部設備之間建立直接的通路，在不依賴常規(guī)的脊髓/外周神經系統的情況下實現大腦與外部設備的交互，可以為殘障患者康復提供新的途徑。植入式腦機接口將電極陣列埋植到大腦皮層，能夠記錄到單個神經元的鋒電位信號，這種信號時空分辨率高并且蘊含了豐富的運動信息。將這些運動信息解碼出來從而實現對外部設備的精確控制是腦機接口領域的研究熱點。然而由多通道記錄和高頻率采樣獲得的神經信號具有較高維度，且包含有無關信息，會影響解碼的實時性和準確

2、性;神經信號本身具有非線性時變性等特點，而現有的解碼模型大多為線性靜態(tài)模型，限制了對神經信號的精確解碼。針對神經解碼面臨的這些挑戰(zhàn)，本文嘗試解決以下兩個問題:1）神經元重要性的精確評估;2)鋒電位的高效解碼。前者可以消除神經信號中的無關信患，降低數據的維度，有利于神經解碼;后者設計出更合適的算法實現對鋒電位的高效解碼。
　　本文采用基于局部學習的方法，通過將神經信號高度復雜的非線性關系分解為許多局部線性關系的疊加，可以在不依賴編解

3、碼模型的情況下從數據中計算出神經元的重要性。實驗結果表明相比其它方法，基于局部學習的方法可以更加精確地識別出無關神經元，并且篩選出來的少量重要神經元可以提供與全部神經元類似的解碼精度，從而實現了對神經信號的有效約簡。在神經解碼方面，本文在序列蒙特卡羅點過程估計(SMCPP)的框架內，針對神經元的生理特性設計更加高效的神經解碼算法。鋒電位序列被描述為點過程，避免了采用時間窗所引起的信息丟失;后驗概率表示為許多粒子的集合，移除了以往算法中的

4、高斯分布假設，實現了對運動信息更加精確的描述。根據神經集群活動時空相關性的特點，本文在SMCPP中定義更加合理的神經元調諧模型，從而可以有效地降低解碼誤差。針對神經元時變性的特點，通過將參數變化點檢測算法和靜態(tài)參數估計算法與SMCPP相結合，仿真實驗表明在解碼過程中當神經元調諧特性發(fā)生突變時，該算法能自動對參數進行相應調整，相比靜態(tài)參數算法進一步降低了解碼誤差。雖然序列蒙特卡羅點過程方法可以實現對神經活動的精確解碼，然而過高的計算復雜度

5、對算法的實時性提出了挑戰(zhàn)。本文對該算法進行大規(guī)模并行化實現并運行在GPU上，借助GPU強大的并行計算能力來提高算法的解碼速度。
　　本文將神經科學領域的發(fā)現與機器學習算法結合從而實現對神經元重要性的精確評估和鋒電位的高效解碼，創(chuàng)新點在于:采用基于局部學習方法對神經元重要性進行精確評估，不依賴編解碼模型，篩選出來的少量神經元（10個）可以提供與所有神經元（＞70個）類似的解碼精度（95％以上）;根據神經集群活動時空相關性定義的調諧模