【摘要】： 腦機(jī)接口是一種實(shí)現(xiàn)大腦直接與外界環(huán)境進(jìn)行交流并進(jìn)行控制的新技術(shù)。隨著多通道神經(jīng)元信號(hào)采集技術(shù)與計(jì)算機(jī)控制技術(shù)的日益成熟,如何從大腦皮層神經(jīng)元群體活動(dòng)中提取運(yùn)動(dòng)信息的解碼算法是整個(gè)腦機(jī)接口系統(tǒng)實(shí)現(xiàn)腦信號(hào)與外界環(huán)境聯(lián)系的關(guān)鍵紐帶。本文針對(duì)腦運(yùn)動(dòng)神經(jīng)系統(tǒng)的建模與辨識(shí)問(wèn)題,深入研究了從大腦運(yùn)動(dòng)皮層神經(jīng)元脈沖序列信號(hào)中提取關(guān)于生物具體運(yùn)動(dòng)行為信息的解碼算法,以及從時(shí)間編碼的角度分析神經(jīng)元信號(hào)的方法。 本文首先研究了建立大腦運(yùn)動(dòng)皮層神經(jīng)元信號(hào)與肢體運(yùn)動(dòng)方向關(guān)系模型的問(wèn)題。提出了一種基于二叉樹(shù)的多類(lèi)支持向量機(jī)(SVM)分類(lèi)方法,建立用群體神經(jīng)元的放電頻率模式預(yù)測(cè)手臂運(yùn)動(dòng)方向的模型。通過(guò)與常用的線性群體向量法(PVA)以及學(xué)習(xí)矢量量化(LVQ)方法比較,表明支持向量機(jī)方法具有較強(qiáng)的學(xué)習(xí)能力和推廣能力,適用于樣本數(shù)量較少的神經(jīng)元信號(hào)分析。另外,還采用簡(jiǎn)化了計(jì)算復(fù)雜性的最小二乘支持向量機(jī)方法建模,性能與標(biāo)準(zhǔn)的支持向量機(jī)相似,并且運(yùn)算時(shí)間較短,更適用于神經(jīng)元信號(hào)的在線分析,有利于實(shí)現(xiàn)性能更高的用于神經(jīng)康復(fù)的腦機(jī)接口系統(tǒng)。 然后,針對(duì)較為復(fù)雜的運(yùn)動(dòng)軌跡的建模問(wèn)題,提出采用基于最小二乘支持向量機(jī)的非線性NARX模型,用群體神經(jīng)元的放電頻率模式預(yù)測(cè)三維空間中手臂運(yùn)動(dòng)軌跡的位置坐標(biāo)。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(yùn)動(dòng)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(yù)測(cè)精度更高,泛化能力更強(qiáng)。另外,還對(duì)實(shí)驗(yàn)記錄的群體中的神經(jīng)元進(jìn)行了選擇,使用相對(duì)較少的神經(jīng)元信號(hào)實(shí)現(xiàn)了更精確的運(yùn)動(dòng)軌跡預(yù)測(cè),并且有利于減少腦機(jī)接口系統(tǒng)的運(yùn)算負(fù)荷。 為了能夠直接分析神經(jīng)元發(fā)放脈沖的時(shí)間信息,本文系統(tǒng)研究了Spiking神經(jīng)網(wǎng)絡(luò)(SNN)的神經(jīng)元模型、網(wǎng)絡(luò)結(jié)構(gòu)、計(jì)算機(jī)仿真方法以及網(wǎng)絡(luò)學(xué)習(xí)算法。在類(lèi)似ANN中BP算法的SpikeProp網(wǎng)絡(luò)學(xué)習(xí)算法的基礎(chǔ)上,提出了兩種改進(jìn)方法:一種是用學(xué)習(xí)速率自適應(yīng)調(diào)整和加動(dòng)量項(xiàng)的方法來(lái)提高SNN的收斂速度和改善動(dòng)態(tài)性能;另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(yīng)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(luò)的實(shí)現(xiàn)基礎(chǔ)上,本文提出采用SNN方法,直接從大腦運(yùn)動(dòng)皮層神經(jīng)元脈沖序列的時(shí)間模式中提取有關(guān)手運(yùn)動(dòng)方向以及手抓握角度的信息。通過(guò)單層和二層前向SNN分析運(yùn)動(dòng)皮層神經(jīng)元活動(dòng)的結(jié)果表明,SNN算法用于提取神經(jīng)元脈沖序列中的時(shí)間信息是可行的,并且多層網(wǎng)絡(luò)具有更高的計(jì)算能力。另一方面,與采用ANN分析神經(jīng)元放電頻率的結(jié)果比較表明,時(shí)間編碼方法比頻率編碼方法更接近于實(shí)際生物神經(jīng)系統(tǒng)處理信息的方式,利用SNN方法可以從被頻率編碼所忽視的脈沖的精確時(shí)間信息中找出包含在神經(jīng)元脈沖序列中的與生物具體運(yùn)動(dòng)行為有關(guān)的更多信息。 最后,對(duì)全文進(jìn)行了總結(jié),并指出了在今后工作中需要進(jìn)一步深入探討的問(wèn)題。
【圖文】：

中 科 技 大 學(xué) 博 士 學(xué) 位 論 能夠互相適應(yīng)。腦機(jī)接口的出現(xiàn)，使得利用人腦神經(jīng)元信成為可能。對(duì)于腦機(jī)接口的研究，使人們對(duì)大腦的功能結(jié)的認(rèn)識(shí)，進(jìn)而揭示腦神經(jīng)元信號(hào)如何控制運(yùn)動(dòng)的工作原理經(jīng)康復(fù)裝置，幫助神經(jīng)肌肉系統(tǒng)癱瘓的病人實(shí)現(xiàn)與外界的指定下，有望設(shè)計(jì)出更接近于生物實(shí)際的仿生運(yùn)動(dòng)控制系務(wù)。BCI

人[24, 25]從大鼠大腦皮層運(yùn)動(dòng)區(qū)和丘腦中提取群體神經(jīng)元脈沖序的一維運(yùn)動(dòng)，實(shí)驗(yàn)表明通過(guò)采用一定的辨識(shí)方法可以實(shí)現(xiàn)機(jī)械意圖保持一致。Georgopoulos、Schwartz 等人[26, 27]利用猴子的腦元信號(hào)，采用線性模型預(yù)測(cè)手臂在二維平面和三維空間中的等[8]利用猴子的腦運(yùn)動(dòng)區(qū)神經(jīng)信號(hào)與同時(shí)采集得到的一維和三維圖 1-2），通過(guò)系統(tǒng)辨識(shí)的方法分別得到了線性和非線性模型，，和遠(yuǎn)程的外部機(jī)械裝置進(jìn)行實(shí)時(shí)控制，取得了較好的效果。但是環(huán)控制，猴子不知道自己的腦信號(hào)在控制機(jī)械臂，沒(méi)有視覺(jué)反饋[9, 28]采用實(shí)時(shí)視覺(jué)反饋的閉環(huán) BCI 系統(tǒng)實(shí)現(xiàn)了猴子利用腦控制標(biāo)移動(dòng)，由于實(shí)驗(yàn)對(duì)象可以通過(guò)視覺(jué)反饋來(lái)調(diào)節(jié)自己的神經(jīng)元元記錄就可以取得很好的解碼效果。Carmena 等人[29]還采用閉，使得 BCI 研究的實(shí)用化可能性大大增加。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2008
【分類(lèi)號(hào)】：TP334.7

【引證文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前3條

1 周漢英;腦神經(jīng)信號(hào)及氣動(dòng)人工肌肉的ESN建模與控制[D];華中科技大學(xué);2011年

2 魏鋒;讀心術(shù)演進(jìn)的規(guī)律研究與實(shí)驗(yàn)探索[D];蘇州大學(xué);2012年

3 侯秉文;運(yùn)動(dòng)想象腦機(jī)接口的特征提取與模式分類(lèi)研究[D];西安電子科技大學(xué);2012年

本文編號(hào)：2587760