基于偏最小二乘特征的鴿子運(yùn)動轉(zhuǎn)向解碼研究

《基于偏最小二乘特征的鴿子運(yùn)動轉(zhuǎn)向解碼研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、學(xué)校代碼10459學(xué)號201312182173密級碩士學(xué)位論文基于偏最小二乘特征的鴿子運(yùn)動轉(zhuǎn)向解碼研究作者姓名：楊會導(dǎo)師姓名：萬紅教授學(xué)科門類：工學(xué)專業(yè)名稱：模式識別與智能系統(tǒng)培養(yǎng)院系：電氣工程學(xué)院完成時間：2016年5月AthesissubmittedtoZhengzhouUniversityforthedegreeofMasterDecodingofPigeonMovementDirectionBasedonPartialLeastSquaresFeaturesByHuiYangSupervisor:Prof.HongWanPatternrecognitionandintel

2、ligentsystemSchoolofElectricalEngineeringMay，2016學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下，獨(dú)立進(jìn)行研巧所取得的成果。除文中已經(jīng)注明引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫過的科硏成巧。對本文的研巧作出重要寅獻(xiàn)的個人和集體，均己在文中Ｗ明確方式標(biāo)明。本聲明的法律責(zé)任由本人承擔(dān)。學(xué)位論文作者：曰期領(lǐng)／作／月曰ｊ學(xué)位論文使用授權(quán)聲明本人在導(dǎo)師指導(dǎo)下完成的論文及相關(guān)的職務(wù)作品，知識產(chǎn)權(quán)歸屬鄭州大學(xué)。根據(jù)鄭挪大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留或向

3、國家有關(guān)部口或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱；本人授權(quán)鄭州大學(xué)可臥將本學(xué)位論文的全部或部分編入有關(guān)數(shù)據(jù)庫進(jìn)行檢索，可Ｗ采用影印、縮印或者其他復(fù)制手段保存論文和匯編本學(xué)位論文。本人離校后發(fā)表、使用學(xué)一位論文或與該學(xué)位論文直接相關(guān)的學(xué)術(shù)論文或成果時，第署名單位仍然為鄭州大學(xué)。保密論文在解密后應(yīng)遵守此規(guī)定。學(xué)位論文作者；４１？＾曰期：／年／月＾曰＆名摘要腦機(jī)接口通過記錄并解碼神經(jīng)活動信號預(yù)測動物的運(yùn)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

4、義和應(yīng)用價(jià)值。神經(jīng)解碼是腦機(jī)接口中的重要部分，對實(shí)現(xiàn)腦機(jī)接口的實(shí)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(jì)失效，模型穩(wěn)定性降低，難以實(shí)現(xiàn)腦機(jī)接口的實(shí)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)（nidopalliumcaudolaterale，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(yùn)動轉(zhuǎn)向解碼的效果

5、。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(yùn)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(jī)(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(yùn)動轉(zhuǎn)向，結(jié)果表明，線性支持

6、向量機(jī)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(jī)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(jī)。因此在基于PLS特征的鴿子運(yùn)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(yùn)動轉(zhuǎn)向；特征提?。黄钚《?；分類模型IAbstractBrain-MachineInterfaceistheinterfacebetweenbrainandexternaldevice,whichconvertsneuralsignals

7、tocontrolsignalbyrecordinganddecodingneuralsignalsintomotionintent.TheBrain-MachineInterfacehasagreatsignificancetosocietyandisofstrongappliedvalueindisabledpersonsassistance、neurologicdiseasestreatmentandcognitionresearch.Neuraldecodingiscri