特征选择方法在基于LFP信号的神经解码中的应用

摘要

植入式脑机接口在大脑与外设之间形成了一个直接连接通路，使用大脑记录到的脑电信号实现直接地与外界通信或者控制外部环境和设备。神经解码是植入式脑机接口研究中的一个关键步骤，使用的信号通常有锋电位与局部场电位。与神经元锋电位(spike)相比，局部场电位(LFP)是一种低频神经信号，随时间衰减少，包含更多数目的神经元共同作用的信息，能有效地解码神经活动信息，弥补了基于spike信号解码效果不稳定的不足。然而LFP本身数据量大、特征维度高，容易造成解码效果不精确、运行慢甚至算法失效的不足。本课题以植入式脑机接口为平台，针对LFP信号特征，研究其在神经解码中的分析和处理方法，重点是引入并应用特征选择和并行计算，针对多通道的LFP信号进行特征选择减少神经解码中的计算消耗，并利用并行计算提高算法运行速率，缩短研究耗时。
　　 本文首先在猴子抓握的实验平台上，利用预处理和短时傅里叶变换方法，从运动皮层的LFP信号中提取出与抓握动作相关的信号时频特征。接着利用相干分析方法分析了信号特征的时频特性，结果表明特征与特征之间相关程度非常高，特征携带的信息存在着大量的冗余，因此有必要在LFP信号处理中进行特征选择。
　　 在之后的LFP信号处理流程中，引入了多个特征选择处理方法。具体应用了基于互信息的最大相关最小冗余的特征选择(MRMR)，基于谱特征的特征选择，稀疏logistic和PLS回归在特征选择的应用，并利用正则化回归对基本的谱特征选择进行改进。结果表明四种算法均能有效地选取仅20个左右的特征就能获得对应数据集上的最大解码正确率，效果相当。同时，与原谱特征算法相比，改进后的谱特征算法在正确率上提高了约10％。此外，特征选择时算法还对每个特征进行了重要性评估，通过对不同频段的权值分析发现高频部分以及低频部分对于抓握解码有重要的作用，但是中频部分与目标相关性非常小。以上特征选择方法有效地去除了不相关特征，降低了特征维度，提高了神经解码的效率和可靠度。
　　 虽然采用特征筛选大大提高了解码效率，但是由于通道数目庞大，LFP信号的特征提取非常耗时，此外训练样本数目变大时分类算法的效率也会大大下降。本文利用基于CUDA架构的并行计算将LFP特征提取和解码算法并行化，结果显示并行计算可明显地缩短执行时间，实现高性能计算。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．1．1 脑机接口概述

1．1．2 植入式脑机接口中的信号处理与分析

1．2 研究现状

1．3 研究目标与研究内容

1．3．1 研究目标

1．3．2 研究内容

1．4 论文结构与安排

第2章 实验设计及信号采集

2．1 引言

2．2 抓握实验设计与信号采集

2．2．1 动物实验设计

2．2．2 抓握实验数据采集

第3章 局部场电位的信号处理和分析方法

3．1 引言

3．2 局部场电位信号预处理和特征提取

3．2．1 LFP信号预处理

3．2．2 LFP信号特征提取

3．3 局部场电位信号的分析

3．4 局部场电位信号特征选择

3．4．1 特征选择

3．4．2 基于互信息的最大相关最小冗余特征选择算法

3．4．3 基于谱特征的特征选择算法

3．4．4 基于稀疏logistic回归的特征选择

3．4．5 基于偏最小二乘(PLS)的特征选择

3．5 基于局部场电位信息的解码算法

3．6 基于GPU的并行计算

3．6．1 并行计算

3．6．2 GPU并行计算

3．6．3 CUDA编程架构

第4章 局部场电位的分析和处理结果

4．1 分析与处理的数据集

4．2 局部场电位信号预处理和特征提取结果

4．3 LFP相关分析结果

4．4 LFP特征评价结果

4．5 LFP特征选择和解码结果

4．5．1 MRMR特征选择和解码

4．5．2 基于谱特征选择和解码结果

4．5．3 基于稀疏logistic回归的特征选择和解码结果

4．5．4 基于PLS的特征选择与解码结果

4．5．5 4种特征选择算法结果总结

4．6 基于GPU的并行计算

4．6．1 并行化短时傅里叶变换提取特征

4．6．2 利用CUDA并行化KNN解码算法

第5章 总结与展望

5．1 总结

5．2 工作创新

5．3 展望

参考文献

作者简历

致谢