基于多類最小二乘支持向量機(jī)的神經(jīng)元信號(hào)識(shí)別

摘 要：針對(duì)大腦運(yùn)動(dòng)皮層群體神經(jīng)元信號(hào)與運(yùn)動(dòng)行為關(guān)系的分析，提出一種基于二叉樹的最小二乘支持向量機(jī)多類分類算法。在對(duì)猴子進(jìn)行三維空間中8個(gè)方向手臂運(yùn)動(dòng)實(shí)驗(yàn)記錄的多通道神經(jīng)元信號(hào)的分析中，通過與標(biāo)準(zhǔn)支持向量機(jī)和學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)的比較，說明該方法不僅與標(biāo)準(zhǔn)支持向量機(jī)同樣具有比學(xué)習(xí)矢量量化方法更強(qiáng)的學(xué)習(xí)能力和預(yù)測(cè)能力，而且運(yùn)算時(shí)間比標(biāo)準(zhǔn)支持向量機(jī)更短。比較結(jié)果表明最小二乘支持向量機(jī)對(duì)于神經(jīng)元信號(hào)分析的有效性和優(yōu)越性，進(jìn)而有利于實(shí)現(xiàn)性能更高的用于神經(jīng)康復(fù)的腦機(jī)接口系統(tǒng)。

關(guān)鍵詞：最小二乘支持向量機(jī)；多類分類；二叉樹；腦機(jī)接口；神經(jīng)康復(fù)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

1 引言

為了幫助神經(jīng)肌肉系統(tǒng)癱瘓的病人實(shí)現(xiàn)與外界的交流，近年來，對(duì)腦機(jī)接口(BCI，Brain-Computer Interface)等神經(jīng)康復(fù)系統(tǒng)的研究逐漸興起。腦機(jī)接口是一種不依賴于腦的正常輸出通路(即外周神經(jīng)和肌肉)的腦-機(jī)(計(jì)算機(jī)或其他裝置)通訊系統(tǒng)，它的出現(xiàn)，使得利用人腦神經(jīng)元信號(hào)直接控制外部設(shè)備的想法成為可能。

隨著微電極技術(shù)的迅猛發(fā)展與腦外科手術(shù)的日趨成熟，在訓(xùn)練非人靈長類動(dòng)物完成各種特定運(yùn)動(dòng)行為的同時(shí)，科學(xué)家們已經(jīng)能夠利用植入到其大腦運(yùn)動(dòng)區(qū)皮層(motor cortex)的多通道微電極組提取群體神經(jīng)元的信號(hào)進(jìn)行實(shí)驗(yàn)研究。通過這些實(shí)驗(yàn)得到的數(shù)據(jù)可以用來分析運(yùn)動(dòng)神經(jīng)元信號(hào)與其運(yùn)動(dòng)行為之間的關(guān)系，如猴子的手臂運(yùn)動(dòng)(移動(dòng)，抓取等)。鑒于多通道神經(jīng)元信號(hào)采集技術(shù)(BCI的輸入)與計(jì)算機(jī)控制技術(shù)(BCI的輸出)的日益成熟，實(shí)現(xiàn)具有期望性能的BCI的關(guān)鍵就在于如何提取神經(jīng)元信號(hào)中的有用信息，即辨識(shí)神經(jīng)元信號(hào)與生物具體行為之間的關(guān)系。

目前已經(jīng)有多種從大腦神經(jīng)元活動(dòng)中提取運(yùn)動(dòng)信息的辨識(shí)方法。如群體向量法(populationvector algorithm)，最大似然估計(jì)，模式識(shí)別和人工神經(jīng)網(wǎng)絡(luò)(ANN)等。但是由于具體的生物實(shí)驗(yàn)方法，實(shí)驗(yàn)數(shù)據(jù)的差異性，并沒有一種對(duì)所有數(shù)據(jù)的識(shí)別效果都最好的算法。所以對(duì)于特定的實(shí)驗(yàn)數(shù)據(jù)，應(yīng)該采用與其適應(yīng)的辨識(shí)方法。

本文采用最小二乘支持向量機(jī)(LS-SVM，Least Squares Support Vector Machines)的方法分析大腦運(yùn)動(dòng)皮層神經(jīng)元信號(hào)和運(yùn)動(dòng)行為的關(guān)系。支持向量機(jī)(SVM，Support Vector Machines)是由Vapnik在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展而來的一種新的機(jī)器學(xué)習(xí)方法。SVM通過結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則來提高泛化能力，它較好地解決了小樣本、非線性、高維數(shù)、局部極小點(diǎn)等問題。標(biāo)準(zhǔn)的二類支持向量機(jī)方法已被應(yīng)用于神經(jīng)元信號(hào)的分析。最小二乘支持向量機(jī)是Suykens等人提出的一種新型的支持向量機(jī)，它將最小二乘線性方法引入到SVM中，將標(biāo)準(zhǔn)的SVM中二次規(guī)劃問題轉(zhuǎn)變成線性方程組求解，從而簡化了計(jì)算復(fù)雜性。

本文針對(duì)猴子在8個(gè)方向手臂運(yùn)動(dòng)過程中記錄的運(yùn)動(dòng)皮層神經(jīng)元信號(hào)的分析，提出了一種基于二叉樹的多類LS-SVM分類方法，并與標(biāo)準(zhǔn)的SVM算法和學(xué)習(xí)矢量量化(LVQ，Learning vectorquantization)方法比較。LVQ是一種有監(jiān)督的自組織特征映射(SOFM，Self-Organizing FeatureMap)算法。而SOFM是一種人工神經(jīng)網(wǎng)絡(luò)的算法，已被成功應(yīng)用于猴腦運(yùn)動(dòng)皮層神經(jīng)元信號(hào)的分析。各種算法的比較結(jié)果表明，對(duì)于本文分析的運(yùn)動(dòng)神經(jīng)元信號(hào)，SVM和LS-SVM方法比LVQ方法識(shí)別準(zhǔn)確率更高，泛化能力更強(qiáng)。而LS-SVM方法比SVM方法的運(yùn)算時(shí)間更短。

“注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文”