摘 要：針對大腦運動皮層群體神經(jīng)元信號與運動行為關(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。在對猴子進(jìn)行三維空間中8個方向手臂運動實驗記錄的多通道神經(jīng)元信號的分析中，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)測能力，而且運算時間比標(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)對于神經(jīng)元信號分析的有效性和優(yōu)越性，進(jìn)而有利于實現(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：TP391 文獻(xiàn)標(biāo)識碼：A

1 引言

為了幫助神經(jīng)肌肉系統(tǒng)癱瘓的病人實現(xiàn)與外界的交流，近年來，對腦機(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)練非人靈長類動物完成各種特定運動行為的同時，科學(xué)家們已經(jīng)能夠利用植入到其大腦運動區(qū)皮層(motor cortex)的多通道微電極組提取群體神經(jīng)元的信號進(jìn)行實驗研究。通過這些實驗得到的數(shù)據(jù)可以用來分析運動神經(jīng)元信號與其運動行為之間的關(guān)系，如猴子的手臂運動(移動，抓取等)。鑒于多通道神經(jīng)元信號采集技術(shù)(BCI的輸入)與計算機(jī)控制技術(shù)(BCI的輸出)的日益成熟，實現(xiàn)具有期望性能的BCI的關(guān)鍵就在于如何提取神經(jīng)元信號中的有用信息，即辨識神經(jīng)元信號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)元活動中提取運動信息的辨識方法。如群體向量法(populationvector algorithm)，最大似然估計，模式識別和人工神經(jīng)網(wǎng)絡(luò)(ANN)等。但是由于具體的生物實驗方法，實驗數(shù)據(jù)的差異性，并沒有一種對所有數(shù)據(jù)的識別效果都最好的算法。所以對于特定的實驗數(shù)據(jù)，應(yīng)該采用與其適應(yīng)的辨識方法。

本文采用最小二乘支持向量機(jī)(LS-SVM，Least Squares Support Vector Machines)的方法分析大腦運動皮層神經(jīng)元信號和運動行為的關(guān)系。支持向量機(jī)(SVM，Support Vector Machines)是由Vapnik在統(tǒng)計學(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，從而簡化了計算復(fù)雜性。

本文針對猴子在8個方向手臂運動過程中記錄的運動皮層神經(jīng)元信號的分析，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)用于猴腦運動皮層神經(jīng)元信號的分析。各種算法的比較結(jié)果表明，對于本文分析的運動神經(jīng)元信號，SVM和LS-SVM方法比LVQ方法識別準(zhǔn)確率更高，泛化能力更強(qiáng)。而LS-SVM方法比SVM方法的運算時間更短。

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