基于鋒電位信號的腦機(jī)接口算法研究.pdf

1、腦機(jī)接口(brain-machine interface,BMI)技術(shù)在大腦與外部設(shè)備之間建立一條額外的信息交流通道,通過對大腦的神經(jīng)元集群信號進(jìn)行分析與建模,實現(xiàn)大腦與外界的直接交互與控制。本文研究了基于鋒電位信號的腦機(jī)接口技術(shù),鋒電位信號信息量大、時空分辨率高,有望實現(xiàn)實時精確的神經(jīng)解碼和控制。
　　 本文重點研究腦機(jī)接口的以下幾個關(guān)鍵問題:鋒電位分類,神經(jīng)解碼,在線神經(jīng)解碼與控制系統(tǒng),以及神經(jīng)信息約簡。
　　 作為

2、腦機(jī)接口重要的預(yù)處理過程,本文首先研究了鋒電位分類方法。基于粗糙集理論,建立了規(guī)則集形式的鋒電位分類模型,對大鼠皮層神經(jīng)元信號進(jìn)行分類。當(dāng)信噪比從10 dB降低至0 dB時,算法的分類正確率從99％降低至82％。該算法生成的模型由規(guī)則組成,具有較高的可讀性,方便利用專家知識對模型進(jìn)行調(diào)整,有助于神經(jīng)科學(xué)的研究。
　　 得到鋒電位發(fā)放序列后,本文建立了基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GeneralRegression Neural Netw

3、ork,GRNN)的神經(jīng)集群編解碼模型。利用神經(jīng)信息解析大鼠壓桿時前肢的運動參數(shù)。實驗中,相對于維納濾波、卡爾曼濾波、FFBP神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)解碼方法,GRNN得到了較高的解碼精度,并且易于實現(xiàn)增量式的解碼模型,以應(yīng)對神經(jīng)系統(tǒng)的時變性。
　　 在離線神經(jīng)解碼研究的基礎(chǔ)上,本文設(shè)計實現(xiàn)了在線解碼與控制系統(tǒng)。該系統(tǒng)將原有的神經(jīng)信號采集、數(shù)據(jù)傳輸、神經(jīng)信息建模、機(jī)械控制過程整合到一起,實現(xiàn)了自動化的神經(jīng)解碼與機(jī)械控制。
　　 為