基于ReliefF-PLS的鸽子转向运动解码研究

发布时间：2020-07-04 19:09

【摘要】：运动行为的神经信号解码一直是脑-机接口研究的热点问题,可以帮助我们从神经信号解读动物的运动状态,深化对大脑特定功能和工作机制的理解,具有十分重要的理论与实际意义。检测的神经信号包含大量的噪声信息和冗余信息,从而对解码的准确性造成影响,因此在神经信号解码之前对信号进行特征提取尤为重要。针对这一问题,本文以鸽子弓状皮质尾外侧(nidopallium caudolaterale,NCL)脑区的局部场电位(local field potential,LFP)信号为对象,研究最佳的特征提取和解码问题。本文设计了十字迷宫目标导向实验,采集鸽子转向过程中NCL区LFP信号,通过小波变换提取携带转向运动信息的频带,继而对信号进行的相关性分析,发现各通道之间存在较大信息冗余,同时有些通道也包含大量噪声,会对解码的准确性造成影响。针对LFP信号噪声大、冗余度高、特征维数多的特点,将ReliefF算法与偏最小二乘(partial least squares,PLS)相结合的方法应用到神经信号的特征提取中。首先通过ReliefF特征选择方法去除干扰特征,对各个特征赋予相应的权重值,根据权重阈值选取合适的特征构成特征子集,接下来采用PLS方法提取与转向类别最大相关的主成分特征。对ReliefF-PLS提取的特征从降维效果、特征离散度、特征分类准确率三个方面进行实验测评,并与ReliefF和PLS进行比较。发现ReliefF-PLS算法大幅度降低特征维数,有效去除干扰与冗余信息,增大特征的离散度,提高特征的可分性。实验和分析验证了ReliefF-PLS算法的有效性。本文对ReliefF-PLS提取的LFP信号特征,采用线性判别分析、支持向量机、K最近邻三种常用分类算法进行解码。结果发现,K最近邻解码正确率和稳定性均要优于支持向量机与线性判别分析,具有较好的抗噪性,更适合基于ReliefF-PLS特征提取的神经信号解码。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：Q42;TN911.7
【图文】：

神经信号,大脑,外界,控制指令

动“创造脑”的研究计划，2016 年将“脑科学与类脑研究”列为重点。脑机接口是一种多学科交叉的前沿技术，包含了例如神经科学、计生物医学工程等学科，通过人或动物的大脑神经信号活动分析出其，继而转换成能够与外界沟通交流的指令[3-7]。图 1.1 为脑机接口的意图，首先从大脑记录神经活动信号，然后对信号进行预处理，经后得到神经信号的特征，通过分类或回归的方法对信号特征解码或，最终转化为控制指令并反馈给大脑。脑机接口技术对神经疾病有，对于大脑不能正常的接收外界信息或输出指令的疾病，像中风、化或脊髓损伤，脑机接口能够通过分析脑电神经信号解码出大脑的从而将信息转换成控制指令传递给外界。

示意图,鸽子,目标导向,示意图

到大约原来体重的 80%后，开始对动物进行任务训练。鸽子每天的特定时间段内进行，每天一次，每次持续 30 分钟。开验环境陌生，惶恐不安，这时利用食物使鸽子慢慢适应，保将鸽子放在十字迷宫中自由觅食，熟悉环境。大约两到三天环境，并对食盒位置、获得食物路径和奖励规则慢慢地熟悉，鸽子会慢慢适应实验过程，能够在每个实验试次中自行获得闭后回到等待区等待下一次的取食。周而复始，随着每日的确率会快速增高，大约一周就能有 90%以上的正确率，每日30 次的实验。但是不同的鸽子学习能力也不同，在这前期训练到我们实验要求的鸽子，也就是“聪明”的鸽子，淘汰不能学会在鸽子转向正确率超过 90%之后，可以对鸽子脑部进行电极植

【参考文献】