腦運動神經(jīng)系統(tǒng)的建模與辨識研究.pdf

1、腦機接口是一種實現(xiàn)大腦直接與外界環(huán)境進行交流并進行控制的新技術。隨著多通道神經(jīng)元信號采集技術與計算機控制技術的日益成熟，如何從大腦皮層神經(jīng)元群體活動中提取運動信息的解碼算法是整個腦機接口系統(tǒng)實現(xiàn)腦信號與外界環(huán)境聯(lián)系的關鍵紐帶。本文針對腦運動神經(jīng)系統(tǒng)的建模與辨識問題，深入研究了從大腦運動皮層神經(jīng)元脈沖序列信號中提取關于生物具體運動行為信息的解碼算法，以及從時間編碼的角度分析神經(jīng)元信號的方法。 本文首先研究了建立大腦運動皮層神經(jīng)元信

2、號與肢體運動方向關系模型的問題。 提出了一種基于二叉樹的多類支持向量機（SVM）分類方法，建立用群體神經(jīng)元的放電頻率模式預測手臂運動方向的模型。通過與常用的線性群體向量法（PVA）以及學習矢量量化（LVQ）方法比較，表明支持向量機方法具有較強的學習能力和推廣能力，適用于樣本數(shù)量較少的神經(jīng)元信號分析。另外，還采用簡化了計算復雜性的最小二乘支持向量機方法建模，性能與標準的支持向量機相似，并且運算時間較短，更適用于神經(jīng)元信號的在線分析

3、，有利于實現(xiàn)性能更高的用于神經(jīng)康復的腦機接口系統(tǒng)。 然后，針對較為復雜的運動軌跡的建模問題，提出采用基于最小二乘支持向量機的非線性NARX模型，用群體神經(jīng)元的放電頻率模式預測三維空間中手臂運動軌跡的位置坐標。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動神經(jīng)系統(tǒng)，而用LS-SVM 算法建立的模型比ANN 建立模型的預測精度更高，泛化能力更強。另外，還對實驗記錄的

4、群體中的神經(jīng)元進行了選擇，使用相對較少的神經(jīng)元信號實現(xiàn)了更精確的運動軌跡預測，并且有利于減少腦機接口系統(tǒng)的運算負荷。 為了能夠直接分析神經(jīng)元發(fā)放脈沖的時間信息，本文系統(tǒng)研究了Spiking 神經(jīng)網(wǎng)絡（SNN）的神經(jīng)元模型、網(wǎng)絡結構、計算機仿真方法以及網(wǎng)絡學習算法。在類似ANN中BP 算法的SpikeProp 網(wǎng)絡學習算法的基礎上，提出了兩種改進方法：一種是用學習速率自適應調(diào)整和加動量項的方法來提高SNN的收斂速度和改善動態(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)絡的實現(xiàn)基礎上，本文提出采用SNN 方法，直接從大腦運動皮層神經(jīng)元脈沖序列的時間模式中提取有關手運動方向以及手抓握角度的信息。通過單層和二層前向SNN 分析運動皮層神經(jīng)元活動的結果表明，SNN 算法用于提取神經(jīng)元脈沖序列中的時間信息是可行