本文關(guān)鍵詞：基于偏最小二乘特征的鴿子運動轉(zhuǎn)向解碼研究

  更多相關(guān)文章： 神經(jīng)元集群 運動轉(zhuǎn)向 特征提取 偏最小二乘 分類模型

【摘要】：腦機接口通過記錄并解碼神經(jīng)活動信號預(yù)測動物的運動意圖,轉(zhuǎn)換成控制指令從而控制外部設(shè)備,是人或動物腦與外部設(shè)備之間的直接連接通路,在殘疾人輔助、神經(jīng)疾病治療、認(rèn)知研究等領(lǐng)域有重要的社會意義和應(yīng)用價值。神經(jīng)解碼是腦機接口中的重要部分,對實現(xiàn)腦機接口的實時高效控制至關(guān)重要,但是由于生物自身活動和環(huán)境中的干擾,以及大腦信息編碼的稀疏特性,使得微電極陣列采集的神經(jīng)元集群信號中包含過多與解碼目標(biāo)無關(guān)的噪聲,以及大量的信息冗余,使得解碼模型的學(xué)習(xí)復(fù)雜度增加,參數(shù)估計失效,模型穩(wěn)定性降低,難以實現(xiàn)腦機接口的實時準(zhǔn)確控制。針對這一問題,本文以鴿子弓狀皮質(zhì)尾外側(cè)(nidopallium caudolaterale,NCL)神經(jīng)元集群信號為對象,研究神經(jīng)元集群信號的特征提取和解碼問題,采用有效的特征提取方法去除集群信號中包含的大量噪聲和冗余,并選擇最優(yōu)的分類模型提高運動轉(zhuǎn)向解碼的效果。本文首先對鴿子十字迷宮轉(zhuǎn)向過程中的神經(jīng)元集群信號進(jìn)行相關(guān)性分析,結(jié)果表明,由于神經(jīng)元的同步發(fā)放,通道間存在較大的信息冗余,同時有些通道包含大量的無關(guān)噪聲,因此在神經(jīng)解碼前有必要進(jìn)行特征的提取。采用偏最小二乘(PLS)提取神經(jīng)元集群信號特征的結(jié)果表明,前三個潛變量即可以將鴿子的三個轉(zhuǎn)向基本區(qū)分開,且與主成分分析相比,PLS提取的特征個數(shù)更少,包含的有用信息更多,可以作為神經(jīng)元集群特征提取的有效方法,結(jié)合分類模型解碼出運動轉(zhuǎn)向信息。對PLS提取的神經(jīng)元集群信號特征,采用支持向量機(SVM)、K-最近鄰(KNN)和線性判別分析(LDA)三種分類模型判別鴿子運動轉(zhuǎn)向,結(jié)果表明,線性支持向量機在解碼正確率、穩(wěn)定性和解碼效率上均表現(xiàn)最優(yōu),采用非線性的支持向量機反而會出現(xiàn)過擬合問題,且優(yōu)化參數(shù)的選擇也較為困難,KNN對于小樣本的神經(jīng)數(shù)據(jù)解碼效率較高,但是抗噪性較差,LDA的解碼正確率也較高,但在穩(wěn)定性和解碼的效率上仍稍差于線性支持向量機。因此在基于PLS特征的鴿子運動轉(zhuǎn)向集群解碼中,最優(yōu)分類模型為線性SVM。
【關(guān)鍵詞】：神經(jīng)元集群 運動轉(zhuǎn)向 特征提取 偏最小二乘 分類模型
【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】：2016
【分類號】：R318;TN911.7
【目錄】：

• 摘要4-5
• Abstract5-10
• 1 緒論10-18
• 1.1 研究背景與意義10-13
• 1.1.1 腦機接口概述10-11
• 1.1.2 神經(jīng)信號采集11-12
• 1.1.3 神經(jīng)解碼12-13
• 1.2 研究現(xiàn)狀13-16
• 1.3 研究目標(biāo)16
• 1.4 研究內(nèi)容16-18
• 2 信號采集與預(yù)處理18-24
• 2.1 實驗設(shè)計18-20
• 2.2 信號采集20-21
• 2.3 信號預(yù)處理21-23
• 2.4 本章小結(jié)23-24
• 3 NCL區(qū)神經(jīng)元集群信號特征提取24-34
• 3.1 偏最小二乘算法原理24-27
• 3.1.1 偏最小二乘回歸算法24-26
• 3.1.2 偏最小二乘特征提取26-27
• 3.2 神經(jīng)元集群相關(guān)性分析27-30
• 3.3 神經(jīng)元集群信號特征提取30-33
• 3.3.1 偏最小二乘特征提取結(jié)果30-32
• 3.3.2 不同特征提取方法結(jié)果對比32-33
• 3.4 本章小結(jié)33-34
• 4 鴿子運動轉(zhuǎn)向解碼及結(jié)果分析34-48
• 4.1 常用分類模型34-40
• 4.1.1 K-最近鄰34-36
• 4.1.2 線性判別分析36-38
• 4.1.3 支持向量機38-40
• 4.2 不同分類模型解碼結(jié)果40-44
• 4.2.1 K-最近鄰分類40-41
• 4.2.2 線性判別分析分類41-42
• 4.2.3 支持向量機分類42-44
• 4.3 不同分類模型結(jié)果對比分析44-47
• 4.4 本章小結(jié)47-48
• 5 總結(jié)與展望48-52
• 5.1 工作總結(jié)48-50
• 5.2 研究展望50-52
• 參考文獻(xiàn)52-56
• 致謝56-57
• 個人簡歷、在學(xué)校期間發(fā)表的學(xué)術(shù)論文及參與的項目57

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前4條

1 徐靜文;劉峰;張茜;;利用偏最小二乘回歸擬合耐藥性結(jié)核病的總耐藥率[J];預(yù)防醫(yī)學(xué)論壇;2011年07期

2 朱爾一;林燕;莊贊勇;;偏最小二乘變量篩選法在毒品來源分析中的應(yīng)用[J];分析化學(xué);2007年07期

3 蔣紅衛(wèi);夏結(jié)來;李園;于莉莉;;偏最小二乘判別分析在基因微陣列分型中的應(yīng)用[J];中國衛(wèi)生統(tǒng)計;2007年04期

4 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 李科;;用偏最小二乘(PLS)回歸法研究數(shù)據(jù)相關(guān)性[A];全國第六屆分子振動光譜學(xué)術(shù)報告會文集[C];1990年

2 劉名揚;白麗飛;張寒琦;任玉林;王洪艷;;偏最小二乘-近紅外透射光譜法用于秦皮中多組分測定的研究[A];中國化學(xué)會第二十五屆學(xué)術(shù)年會論文摘要集（下冊）[C];2006年

3 景明;蔡文生;邵學(xué)廣;;Multiblock偏最小二乘方法的新應(yīng)用[A];第十屆全國計算(機)化學(xué)學(xué)術(shù)會議論文摘要集[C];2009年

4 李大鵬;王惠文;;偏最小二乘Iogistic回歸在鄱陽湖洪澇災(zāi)害預(yù)測中的應(yīng)用[A];2003中國現(xiàn)場統(tǒng)計研究會第十一屆學(xué)術(shù)年會論文集（上）[C];2003年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 黃新;基于化學(xué)數(shù)據(jù)的若干統(tǒng)計學(xué)習(xí)新方法研究[D];中南大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 楊會;基于偏最小二乘特征的鴿子運動轉(zhuǎn)向解碼研究[D];鄭州大學(xué);2016年

2 李洪強;基于核偏最小二乘的故障診斷方法研究[D];東北大學(xué);2009年

3 羅純;基于成分?jǐn)?shù)據(jù)若干分析方法的研究[D];中南大學(xué);2011年

4 夏麗莎;基于偏最小二乘的武漢城市圈經(jīng)濟研究[D];華中科技大學(xué);2010年

5 張艷粉;基于偏最小二乘的BP網(wǎng)絡(luò)模型及其應(yīng)用[D];重慶大學(xué);2007年

6 裴振中;偏最小二乘—最大熵法在石油勘探風(fēng)險評價中的應(yīng)用[D];成都理工大學(xué);2005年

7 陳海波;市場經(jīng)濟下天然氣價格預(yù)測研究——偏最小二乘神經(jīng)網(wǎng)絡(luò)模型（PLSNN）應(yīng)用[D];成都理工大學(xué);2004年

8 周琳;基于非線性偏最小二乘的特征提取方法研究[D];南京理工大學(xué);2011年

9 李亞瓊;基于優(yōu)化的偏最小二乘—判別分析和核磁共振波譜的肺癌血清代謝組學(xué)研究[D];華中師范大學(xué);2014年

10 陶丘博;化學(xué)計量學(xué)在多組分分析同時測定中的應(yīng)用[D];鄭州大學(xué);2010年

，

本文編號：977217