基于液体状态机的脑运动神经系统的建模研究

摘要

脑机接口是一种实现大脑直接与外界环境进行沟通并进行控制的新技术。随着多通道神经元信号采集技术与计算机控制技术的日益成熟，从大脑皮层神经元群体活动中提取运动信息的解码算法是整个脑机接口系统实现脑信号与外界环境联系的关键部分。本文针对脑运动神经系统的建模与辨识问题，深入研究了从大脑运动皮层神经元脉冲序列信号中提取关于生物具体运动行为信息的解码算法。本文的实验对象是猴子运动大脑皮层脉冲数据与它的肢体运动的姿态的建模关系，对大脑运动皮层神经元脉冲序列信号的建模的工作主要是集中在对采样的各个方向运动的脉冲数据进行方向分类以及轨迹拟合。
　　 本文首先介绍了液体状态机（Liquid State Machine，LSM）这种神经网络模型。
　　 液体状态机是一种新型的回归神经网络，采取的神经元是Leaky-Integrate-and-Fire（LIF）模型神经元。由于它能够直接接受和处理脉冲，脉冲序列不再需要像频率编码的处理模式一样转变成频率序列，使得以这种方式处理能够大幅度提高建模精度。
　　 实验结果表明对于脑神经脉冲序列的处理它是一种合适的计算模型。
　　 为了提高实验的建模精度并且有效地避免液体状态机在随机生成时带来的问题，本文还用粒子群算法对液体状态机的中间回路的连接权值进行优化，以提高其分类能力，实验结果证实，采用PSO 优化后的LSM的分类能力有了大幅度提高。
　　 最后针对本文中问题的独特性，本文提出了改进型的液体状态机并且应用它来对本文的实验数据进行分类与建模研究。从分类问题的分类精度和轨迹拟合可以看出本文提出的改进型更能够适用于本文的特定实验。