论文部分内容阅读
解析动物运动过程中的神经信息编码机制,预测动物的运动意图及运动参数,对于揭示大脑神经信息处理机制及神经假肢研究都具有重要意义。微电极阵列记录的神经电信号通常包含低频的局部场电位信号(Local Field Potential,LFP)和高频的锋电位信号(spike),在神经信息解码中,相比于锋电位而言,局部场电位具有时间鲁棒性好、性能稳定的特点,逐渐引起了研究人员的关注。然而局部场电位具有慢电位变化、非平稳特性,数据量大及信噪比低,且传统的信号分析方法在分析局部场电位时缺乏自适应特性。因而研究一种具有自适应特性的局部场电位特征信息提取方法是有效进行运动信息解码的关键。本研究以家鸽为实验对象,通过长期固定的行为训练使之能够完成特定的训练内容,利用具有自适应特性的经验模态分解(Empirical Mode Decomposition,EMD)方法,研究了基于局部场电位的家鸽运动神经信息解码问题,重点讨论了EMD方法在局部场电位信号去噪和响应特征提取中的应用,并与基于小波分解提取频带特征的解码方法结果进行了对比。主要研究内容如下:1.实验设计及信号采集。设置动物训练装置和刺激诱导模式,对家鸽进行长期固定的运动行为训练,使之能够针对不同刺激准确且熟练的完成训练内容,并于家鸽完成训练任务的过程中采集其运动相关区域的神经电信号。2.局部场电位信号预处理。简要介绍EMD原理及其在非平稳信号分析处理方面的独特优势,分析实验中采集到的LFP信号的噪声特性。提出结合EMD和独立成分分析方法(Independent Component Analysis,ICA)对各通道原始LFP信号进行预处理,为后续的特征提取和解码工作研究提供纯净的LFP信号。3.局部场电位响应特征提取。对预处理后的各通道LFP信号进行特征提取,分基于小波分解的特征提取和基于EMD的特征提取,前者分解出一系列细节系数作为特征集,后者分解出一系列固有模态分量(Intrinsic Mode Functions,IMFs)作为特征集,对两者分别结合时频图和AR功率谱估计,并用Fisher特征选择法选取最优的特征频段。4.特征选取在运动解码中的效果分析。采用了两种常用的解码器对基于小波分解和基于EMD的特征提取方法进行验证,并结合解码正确率和理论分析两种方法的差异,确定一种最优的运动神经信息解码方案。