基于神經(jīng)元重要性分析的神經(jīng)解碼.pdf

1、初級運動皮層神經(jīng)元集群解碼是運動型植入式腦機接口發(fā)展的核心組成部分。已有的解碼算法(直)接利用分類多通道信號所得的所有神經(jīng)元,以建立其與外部運動參數(shù)的聯(lián)系。本質(zhì)而言,解碼是一個高維空間數(shù)據(jù)擬合的問題,維度越高,模型所需的參數(shù)往往也越多,需要訓(xùn)練的時間就越長。隨著多電極陣列技術(shù)的發(fā)展,采集到的多達(dá)上百甚至數(shù)百個數(shù)目的神經(jīng)元給解碼算法的訓(xùn)練帶來了巨大的計算量負(fù)擔(dān),無法滿足系統(tǒng)實時性和低能耗的要求。如何降低解碼算法訓(xùn)練樣本的維度,使得有限樣本

2、估計得到的模型能夠更加準(zhǔn)確;以及如何應(yīng)對神經(jīng)元時變性導(dǎo)致的解碼模型的動態(tài)調(diào)整是本文關(guān)注的兩個重點。
　　 基于信息論中信息熵的概念,本文考察了猴子二維搖桿實驗范式下神經(jīng)元的相對重要性,重要性的排序是基于對所有105個神經(jīng)元的信息熵的計算。信息熵的度量是在神經(jīng)元鋒電位信號序列和外部搖桿位置參數(shù)之間進(jìn)行的。利用信息熵排序曲線中的拐點可決定神經(jīng)元子集規(guī)模的大小為50,該子集挑選了所有神經(jīng)元中最重要的部分并(將)其用來解碼搖桿位置的兩個

3、坐標(biāo)。一次實驗中三段相連數(shù)據(jù)集(每段持續(xù)約10分鐘,前5分鐘訓(xùn)練,后5分鐘測試)的解碼的結(jié)果顯示(以x坐標(biāo)為例),盡管相關(guān)系數(shù)低于集群解碼的0.9323,0.9169,0.9446,子集解碼得到的0.88,0.9005和0.9127也完全達(dá)到了實用的要求,且大大降低了計算量。
　　 本文還考察了大鼠壓桿實驗范式下,重要性神經(jīng)元子集的時變特性。通過(將)一次實驗的數(shù)據(jù)部分重疊地7等份,分別計算得到每個段上的子集。結(jié)果發(fā)現(xiàn),不但重要