【摘要】：采用重建感知信息的方式進(jìn)行神經(jīng)科學(xué)的研究是一種有效方式。顏色是物體、環(huán)境具備的一條自然屬性,利用神經(jīng)元動作電位信號實現(xiàn)顏色字符刺激的重建對解析視覺系統(tǒng)關(guān)于顏色信息的處理機(jī)制具有重要意義。鴿子具有優(yōu)秀的顏色信息感知能力,視頂蓋(the Optic Tectum,OT)是鴿子處理顏色信息的關(guān)鍵神經(jīng)核團(tuán)�；诶弥亟ǚ绞浇馕錾窠�(jīng)元編碼機(jī)制的目的,本文設(shè)計了不同的顏色字符刺激模式,采集了鴿子視頂蓋神經(jīng)元動作電位響應(yīng)信號(Spike),分析了不同顏色棋盤格刺激下的神經(jīng)元感受野特性,并在此基礎(chǔ)上根據(jù)神經(jīng)元響應(yīng)構(gòu)建了顏色信息重建模型,實現(xiàn)了不同顏色字符的重建,解析了鴿子OT區(qū)神經(jīng)元對顏色信息處理的神經(jīng)機(jī)制。本文的主要工作以及研究結(jié)果如下:(1)分析了鴿子OT區(qū)神經(jīng)元的顏色感受野特性鴿子OT區(qū)神經(jīng)元感受野內(nèi)接受顏色刺激是神經(jīng)電信號有效發(fā)放的前提。本文選取了HSV顏色空間模型中具有代表性的紅色(Red,R),綠色(Green,G),藍(lán)色(Blue,B)作為基本顏色,設(shè)計了白底紅、白底綠、白底藍(lán)、綠底紅、藍(lán)底紅、紅底綠、藍(lán)底綠、紅底藍(lán)、綠底藍(lán)類型的顏色棋盤格模式,并采用反向相關(guān)法(spikes-triggered average,STA)結(jié)合高斯擬合的方式測定感受野。以白底紅棋盤格刺激的感受野為基礎(chǔ)比較發(fā)現(xiàn),白底綠刺激感受野的中心位置相對偏差為2.1902±0.3656mm,半徑相對偏差為3.3648±0.1982mm,白底藍(lán)刺激的中心位置相對偏差為2.0690±0.3953mm,半徑相對偏差為2.9564±0.6217mm。對于不同背景下的棋盤格實驗,經(jīng)過分析發(fā)現(xiàn),神經(jīng)元感受野中心位置的最小相對偏差為1.4560±0.2317mm,最大中心位置偏差為2.9085±0.4402mm,感受野半徑最小偏差為1.2875±0.4525mm,感受野半徑最大偏差為4.3955±0.5562mm。以上分析說明不同顏色刺激下感受野的位置和大小發(fā)生了改變,因此需要在重建實驗中及時調(diào)整刺激播放位置以克服感受野位置和大小變化對實驗數(shù)據(jù)造成影響。(2)提取了神經(jīng)元動作電位響應(yīng)特征并構(gòu)建了重建模型提取能夠有效表征顏色視覺刺激的神經(jīng)元響應(yīng)特征是重建的前提。本文對B、N、空心三角形、空心圓、十字架五種字符圖像分別設(shè)計了白色背景紅色字符(W-R)、白色背景綠色字符(W-G)、白色背景藍(lán)色字符(W-B)、紅色背景綠色字符(R-G)、紅色背景藍(lán)色字符(R-B)、綠色背景紅色字符(G-R)、綠色背景藍(lán)色字符(G-B)、藍(lán)色背景紅色字符(B-R)、藍(lán)色背景綠色字符(B-G)類型的字符刺激模式。提取了神經(jīng)元集群Spike信號發(fā)放率特征并利用主成分分析法(PCA)對響應(yīng)特征矩陣降維,并將響應(yīng)特征矩陣與線性逆濾波器算法(Linear Inverse Filter,LIF),隨機(jī)森林算法(Random Forest,RF)和卷積神經(jīng)網(wǎng)絡(luò)算法(Convolutional Neural Networks,CNN)結(jié)合分別構(gòu)建了顏色字符重建模型。(3)選取了重建模型參數(shù)并重建了顏色字符圖像,解析了OT區(qū)神經(jīng)元的顏色信息處理機(jī)制重建模型參數(shù)的選取有利于提高模型的性能。對于參與重建的神經(jīng)元通道,文中采用信息論和重建正確率兩種方式對神經(jīng)元通道進(jìn)行了選取。對于刺激持續(xù)時間(T)、刺激后開始時間(delay)和時間窗口(bin)等參數(shù),采用網(wǎng)格搜索法和交叉檢驗法的聯(lián)合方法進(jìn)行選取,利用選取的參數(shù)構(gòu)建了性能更優(yōu)的重建模型。對于顏色字符重建結(jié)果的分析,首先,利用重建模型分別對顏色字符進(jìn)行重建,其中LIF重建模型的最高重建正確率達(dá)到0.9778,RF模型最高正確率達(dá)到0.9675,CNN模型最高重建正確率達(dá)到0.9822,這說明發(fā)放率特征能夠表征顏色信息。然后,對顏色字符重建結(jié)果通過方差分析(ANOVA)發(fā)現(xiàn):白色背景下的顏色字符刺激重建結(jié)果之間并沒有顯著性差異。對不同背景下的字符刺激重建結(jié)果進(jìn)行分析發(fā)現(xiàn),當(dāng)字符為紅色時,各顏色背景重建結(jié)果無顯著性差異。當(dāng)字符為藍(lán)色時,紅色背景削弱了藍(lán)色的刺激響應(yīng)。當(dāng)字符為綠色時,藍(lán)色背景增強(qiáng)了綠色的視覺刺激效果。最后,對不同顏色組合下的字符刺激進(jìn)行分析發(fā)現(xiàn),紅底藍(lán)(R-B)和藍(lán)底紅(B-R)類型字符與藍(lán)底綠(B-G),綠底藍(lán)(G-B)和紅底綠(R-G)類型字符的重建結(jié)果存在顯著性差異,這表明藍(lán)色與紅色兩種顏色相互影響,削弱了顏色刺激強(qiáng)度。
【圖文】：

的視頂蓋（The Optic Tectum，，OT）神經(jīng)核團(tuán)來自視網(wǎng)膜神經(jīng)節(jié)細(xì)胞的顏色信息，并對視覺將信息映射到丘腦圓核（thalamic nucleus rotunCowan 等人根據(jù)結(jié)構(gòu)特征將其劃分為 5 層[14]，質(zhì)纖維層（SGFS），中央灰質(zhì)層（SGC），中央白質(zhì)）。作為視覺信息處理功能的重要組成部分，視體的朝向分析、運(yùn)動物體的速度檢測、顏色和視覺指導(dǎo)定位、捕食和逃避反應(yīng)等[15]。碼的逆推理過程，其主要包含對視覺刺激的分對于視覺系統(tǒng)解碼研究，更多的是在目標(biāo)類別[22, 23]方面的研究，而對顏色刺激信息的解碼研色字符圖像刺激的響應(yīng)信號中提取特征并成功有助于理解視覺系統(tǒng)對顏色刺激信息的處理機(jī)下游采集神經(jīng)元響應(yīng)信號，并實現(xiàn)對視覺圖像能評估提供一種有別于行為學(xué)的方式。

圖 2.5 鴿子植入電極后的狀態(tài)神經(jīng)元動作電位采集系統(tǒng) 神經(jīng)元動作電位信號采集系統(tǒng)構(gòu)成中實驗數(shù)據(jù)采用美國Blackrock公司生產(chǎn)的Cerebus多通道信號采集2.6 所示。
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：Q42;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳銳;尹芳;唐降龍;黃劍華;;模糊邏輯和譜聚類的字符圖像分割[J];哈爾濱工業(yè)大學(xué)學(xué)報;2010年02期

2 吳德會,朱程輝;基于主方向檢測的畸變車牌字符圖像校正方法[J];自動化技術(shù)與應(yīng)用;2005年04期

3 郭克華;劉傳才;楊靜宇;;有損字符圖像復(fù)原的偏微分方程方法[J];計算機(jī)工程與應(yīng)用;2007年08期

4 孫東衛(wèi);朱程輝;豐義;;基于主方向檢測的畸變字符圖像快速校正算法[J];現(xiàn)代電子技術(shù);2007年11期

5 徐珩;劉學(xué)平;;基于多對象匹配與融合字符特征的印刷質(zhì)量檢驗方法[J];包裝工程;2019年11期

6 池浩;;一個基于Tesseract OCR Engine的Wrapper的設(shè)計與實現(xiàn)[J];科技傳播;2011年23期

7 楊霈;;基于小波分析的字符圖像分割技術(shù)[J];太原科技大學(xué)學(xué)報;2007年04期

8 高鵬，關(guān)新平，歐陽虹;數(shù)字字符圖像的自動識別[J];東北重型機(jī)械學(xué)院學(xué)報;1996年04期

9 張慶豐;岑豫皖;杜培明;;數(shù)顯數(shù)字字符圖像特征提取算法的研究與實現(xiàn)[J];計算機(jī)技術(shù)與發(fā)展;2007年11期

10 樂寧;李曉天;邵華;翁世修;;一種基于屋脊邊緣的字符圖像細(xì)化方法[J];模式識別與人工智能;2000年03期

相關(guān)會議論文 前4條

1 沈林杰;孔祥維;尤新剛;;基于字符圖像質(zhì)量評價的打印機(jī)取證[A];第七屆全國信息隱藏暨多媒體信息安全學(xué)術(shù)大會論文集[C];2007年

2 連曉巖;鄧方;;基于圖像識別和神經(jīng)網(wǎng)絡(luò)的驗證碼識別[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

3 余曉華;陳曉春;劉好炯;;手持式儀表字符識別技術(shù)研究[A];《IT時代周刊》論文專版（第300期）[C];2014年

4 孫俊;黃開竹;于浩;巖見田均;;面向中國市場的文字識別技術(shù)研發(fā)[A];中文信息處理前沿進(jìn)展——中國中文信息學(xué)會二十五周年學(xué)術(shù)會議論文集[C];2006年

相關(guān)重要報紙文章 前3條

1 方忠誠;OCR技術(shù)及其應(yīng)用[N];北京電子報;2000年

2 W-W;點(diǎn)點(diǎn)通[N];電腦報;2003年

3 ;認(rèn)識自動OCR技術(shù)[N];計算機(jī)世界;2000年

相關(guān)博士學(xué)位論文 前2條

1 李國平;基于莫爾技術(shù)的標(biāo)牌凹凸字符圖像獲取與識別研究[D];山東大學(xué);2007年

2 李建美;標(biāo)牌壓印字符圖像獲取與處理中的關(guān)鍵技術(shù)研究[D];山東大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 閆文明;基于鴿視頂蓋神經(jīng)元動作電位信號的顏色字符重建研究[D];鄭州大學(xué);2019年

2 嚴(yán)科;配準(zhǔn)尋優(yōu)算法在字符配準(zhǔn)中的應(yīng)用[D];華南理工大學(xué);2018年

3 饒哲恒;基于深度學(xué)習(xí)的字符圖像識別和圖像檢索研究[D];湖北工業(yè)大學(xué);2018年

4 劉麗君;基于鴿OT區(qū)神經(jīng)元局部場電位信號的字符重建研究[D];鄭州大學(xué);2018年

5 周茜;基于類推思想的車牌字符圖像清晰度提升[D];西安電子科技大學(xué);2012年

6 王永波;基于字符圖像識別的板坯信息跟蹤系統(tǒng)研究[D];中南大學(xué);2012年

7 陳志強(qiáng);復(fù)雜背景下字符圖像的預(yù)處理及分割算法研究[D];北京郵電大學(xué);2013年

8 楊俠;手寫體漢字分割的研究與應(yīng)用[D];山東師范大學(xué);2012年

9 趙佳;印鑒小碼字符圖像的切分與比對[D];南京理工大學(xué);2011年

10 王芳元;基于實域粗糙集的圖像認(rèn)知詞袋模型與缺陷車牌識別研究[D];合肥工業(yè)大學(xué);2017年

本文編號：2639277