初级运动皮层神经元集群解码是运动型植入式脑机接口发展的核心组成部分。已有的解码算法(直)接利用分类多通道信号所得的所有神经元,以建立其与外部运动参数的联系。本质而言,解码是一个高维空间数据拟合的问题,维度越高,模型所需的参数往往也越多,需要训练的时间就越长。随着多电极阵列技术的发展,采集到的多达上百甚至数百个数目的神经元给解码算法的训练带来了巨大的计算量负担,无法满足系统实时性和低能耗的要求。如何降低解码算法训练样本的维度,使得有限样本估计得到的模型能够更加准确;以及如何应对神经元时变性导致的解码模型的动态调整是本文关注的两个重点。　　 基于信息论中信息熵的概念,本文考察了猴子二维摇杆实验范式下神经元的相对重要性,重要性的排序是基于对所有105个神经元的信息熵的计算。信息熵的度量是在神经元锋电位信号序列和外部摇杆位置参数之间进行的。利用信息熵排序曲线中的拐点可决定神经元子集规模的大小为50,该子集挑选了所有神经元中最重要的部分并(將)其用来解码摇杆位置的两个坐标。一次实验中三段相连数据集(每段持续约10分钟,前5分钟训练,后5分钟测试)的解码的结果显示(以x坐标为例),尽管相关系数低于集群解码的0.9323,0.9169,0.9446,子集解码得到的0.88,0.9005和0.9127也完全达到了实用的要求,且大大降低了计算量。　　 本文还考察了大鼠压杆实验范式下,重要性神经元子集的时变特性。通过(將)一次实验的数据部分重叠地7等份,分别计算得到每个段上的子集。结果发现,不但重要性子集的成员发生了变化,成员在子集内的相对重要性也发生了变化。为了考察子集变化对解码起的作用,我们对比了用前一个数据段上得到的子集和用当前数据段上得到的子集来解码当前数据段的效果。结果显示,除去第一个数据段外,后6个数据段上,当前子集解码得到的相关系数都要好于前一个数据段子集解码的相关系数。说明了神经元时变性的重要意义。