[发明专利]一种基于脉冲神经网络的脑机接口解码方法

权利要求书

1.一种基于脉冲神经网络的脑机接口解码方法，其特征在于，包括以下步骤：

(1)构建基于脉冲神经网络的液体状态机模型，所述的液体状态机模型由输入层、中间层和输出层构成；其中，输入层至中间层的连接权重为W_hx，中间层内部的循环连接权重为W_hh，中间层到输出层的读取权重为W_yh；

(2)输入脉冲脑电信号，并采用以下策略训练各个权重：

(2-1)采用STDP无监督训练输入层到中间层的连接权重W_hx；具体采用前后神经元突触的迹的方式实现STDP优化输入层到中间层连接权重W_hx，迹为衰减的脉冲信号累积，公式为：

其中，U和X分别为输入层和中间层发放脉冲；T_pre(t)和T_post(t)分别为前突触和后突触在t时刻由于脉冲发放而累积的迹，τ参数为衰减因子，控制了迹累积时过去迹衰减的速度；采用迹优化的STDP算法为：

W_hx(i，j)＝W_hx(i，j)-lr×ΔW_hx(i，j)

其中，lr为学习率；神经元i和j之间权值更新量ΔW_hx(i，j)为：

其中，T_up和T_down分别为前突触迹的上目标和下目标值；W_max和W_min为STDP优化导致权值变化的最大/最小值，分别取W_hx的最大值和0.0；

当后突触神经元发放脉冲时检测前突触的迹；当前突触累积迹T_pre(t)大于T_up时认为前突触的脉冲序列在当前一段时间内和后突触的脉冲发放存在显著因果关联，并增强其对应权重；而当T_pre(t)小于T_down时认为前突触在当前一段时间内和后突触的发放没有直接关联，并弱化该权重或断开连接；

(2-2)采用距离模型加随机连接的方式设置中间层循环连接权重W_hh，得到中间层液态信息R(t)；具体过程为：

将连接权重W_hh初始化为服从标准正态分布的二维矩阵：

W_hh～N(0，1)

对标准化后的W_hh进行缩放；

设置中间层水池为三维立体结构，水池由多个边长为1的立方体构成，每个神经元分布于立方体顶点处，随后基于神经元两点间欧式距离判断是否存在连接，并断开距离较远的神经元之间的连接；基于神经元两点间欧式距离判断是否存在连接的具体方式为：

W_hh为[N，N]格式方阵，其中，N为中间层神经元数目，元素w_ij定义了神经元j到神经元i之间的连接大小；神经元i和j之间的连接是否存在服从概率：

其中，参数λ默认为2，C默认为1.0；D(i，j)函数为距离函数，衡量神经元i和j之间的距离，采用欧式距离的平方，公式为：

D(i，j)＝(pos(i)-pos(j))²；

(2-3)以中间层液态信息作为输入，采用岭回归有监督训练中间层到输出层的连接权重W_yh，并建立中间层液态信息R(t)和输出运动信息Y(t)之间的映射，最终输出预测的运动轨迹；具体过程为：

训练中间层到输出层的连接权重W_yh时，固定已经生成的输入层W_hx和中间层W_hh连接，当数据到来时，计算实时更新中间层神经元膜电位：

V(t)＝V(t-1)+f(W_hxU(t))+f(W_hhX(t-1))

其中，f(W_hxU(t))为输入层脉冲对后突触神经元带来的电流贡献，f(W_hhX(t-1))为中间层循环突触中过去发放的脉冲对当前时刻的电流贡献；

计算中间层第i个神经元的输出脉冲X_i(t)：

其中，V_thres为膜电位发放阈值，V_i(t)为中间层第i神经元t时刻膜电位，当神经元膜电位超过阈值时发放脉冲，随后V_i(t)＝V_rest设置回静息电压，等待下一次积累-发放活动；

中间层液态信息R(t)表达公式为：

其中，τ为衰减因子，其控制了过去迹衰减速度，τ越小，过去发放的脉冲对当前时刻的影响越小；

采用岭回归有监督训练的优化目标函数为：

其中，∑_t(Y(t)-W_yhR(t))项降低任务目标和预测之间的偏差，而项为惩罚项，负责最小化参数W_yh的方差；λ_R为权重系数，用于控制惩罚项比重，负责在预测偏差和方差之间平衡；

训练过后的连接权重W_yh被固定下来用于实时运动信号预测：

Y(t)＝W_yhR(t)。