基于位置細胞的大鼠運動軌跡解碼研究.pdf

1、利用神經(jīng)元活動信息解碼動物運動軌跡是神經(jīng)科學研究的前沿課題之一，對于解析大腦信息處理機制、腦機接口等都有著十分重要的意義。在運動軌跡解碼中，建立位置編解碼模型是其中一個重要的研究內(nèi)容。然而，由于神經(jīng)系統(tǒng)的復雜性和神經(jīng)活動的非平穩(wěn)、非線性特性，使得解碼動物運動軌跡成為神經(jīng)科學中最棘手的問題之一，因此如何建立位置編碼模型和運用解碼算法依然是目前運動軌跡解碼的核心和關(guān)鍵。
　　本文根據(jù)大鼠海馬區(qū)位置細胞的神經(jīng)元響應特性，建立了大鼠運動軌

2、跡的集群位置編碼模型，主要研究了粒子濾波（Particle Filter，PF）在大鼠運動軌跡解碼中的性能，并與擴展卡爾曼濾波算法（Extended Kalman Filter，EKF）和無跡卡爾曼濾波算法算法（Unscented Kalman Filter，UKF）進行了對比。主要內(nèi)容包括：
　　（1）本文根據(jù)大鼠海馬區(qū)位置細胞的發(fā)放特性，建立了針對單個位置細胞的位置編碼模型，即位置細胞的位置野模型。為了解碼大鼠運動軌跡，本文基

3、于狀態(tài)空間模型，又建立了針對多個位置細胞聯(lián)合的集群位置編碼模型。
　　（2）本文通過仿真位置細胞的位置野，并結(jié)合仿真軌跡得到仿真位置細胞的鋒電位仿真數(shù)據(jù)。實測數(shù)據(jù)來自紐約大學公共數(shù)據(jù)平臺，并介紹了手術(shù)及訓練過程，本文使用數(shù)學形態(tài)學濾波的方法從原始數(shù)據(jù)中檢測鋒電位，之后使用主成份分析法提取鋒電位特征，最后使用K-均值聚類方法進行分類。
　　（3）本文所建立的大鼠運動軌跡編碼模型屬于非線性模型，首先使用了傳統(tǒng)的非線性濾波算法：E

4、KF來解碼大鼠運動軌跡，由于EKF直接將非線性函數(shù)經(jīng)過泰勒級數(shù)展開后，進行線性化處理。再使用線性卡爾曼濾波進行解碼，使得解碼精度遇到瓶頸。針對該問題，本文又使用了UKF算法，采用對稱Sigma點采樣，使得解碼精度有所提高。為了達到更高的解碼精度，本文重點介紹了PF算法，PF算法以點過程估計為基礎，利用粒子集表示系統(tǒng)狀態(tài)，擺脫了解決非線性解碼問題時隨機量必須滿足高斯分布的制約，更能體現(xiàn)神經(jīng)信息解析連貫性的特點，提高了運動軌跡預測的準確性。

5、
　?。?）給出了解碼精度的評價指標。通過仿真數(shù)據(jù)，并分別使用以上三種算法解碼大鼠運動軌跡，以此證明解碼算法的可行性。同時探討了不同位置細胞個數(shù)對解碼精度的影響。
　?。?）針對實測數(shù)據(jù)，本文給出了如何從實測數(shù)據(jù)提取位置細胞發(fā)放的方法，并使用對應位置細胞的發(fā)放數(shù)據(jù)作為實測數(shù)據(jù)進行軌跡解碼，并計算評價指標數(shù)據(jù)。結(jié)果表明：粒子濾波算法解碼出的軌跡與真實軌跡之間的相關(guān)系數(shù)（0.92，0.94）與無跡卡爾曼濾波得出的相關(guān)系數(shù)（0.8