[发明专利]一种基于脉冲神经网络的脑机接口解码方法

说明书

本发明公开了一种基于脉冲神经网络的脑机接口解码方法，包括：(1)构建基于脉冲神经网络的液体状态机模型，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无监督训练连接权重W_hx；(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；(2‑3)采用岭回归有监督训练连接权重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。利用本发明，可以在较短时间内快速训练模型，实时预测手臂运动轨迹，提升效率和准确率。

技术领域

本发明属于侵入式动作电位脑信号分析领域，尤其是涉及一种基于脉冲神经网络的脑机接口解码方法。

背景技术

脑机接口(Brain Machine Interface，BMI)系统是一种不依赖于人体肌肉系统直接建立大脑和外界设备连接通路的方法。BMI负责采集和分析大脑输出的神经活动电信号，并转换为外部设备或假肢(电脑光标、机械臂等)的控制信号，从而实现人脑直接与设备交互而绕过神经和肌肉系统。BMI发展的最终目的是恢复患者由于意外损伤导致的人体运动功能的缺失。

目前随着侵入式多电极阵列技术的发展，BMI系统已经在解码脉冲电信号预测运动信息上取得了较高的性能表现。很多BMI解码研究采用浅层模型实现神经信号解码，包括使用维纳滤波器(Wiener filter，WF)和卡尔曼滤波器(Kalman filter，KF)等，具有较高的解码效率。为了取得更高的运动信号解码准确率，越来越多的深层模型被应用到运动信号分析中，Ahmadi等人利用长短期记忆网络(LSTM)从猴子大脑运动区神经信号中解码其手指运动轨迹，其他深度模型包括循环神经网络(Recurrent Neural Networks,RNN)和门控循环单元网络(Gated Recurrent Unit)等也被应用到运动分析中。

脉冲神经网络(Spiking Neural Networks，SNNs)被誉为第三代人工神经网络(Artificial Neural Networks，ANNs)，它由累积-发放(Integrate-And-Fire，IF)或带泄漏的累积-发放(Leaky Integrate-And-Fire，LIF)等仿生神经元构成，并依据神经元脉冲发放时间来表征和传递信息，目前已经在图像分类、音乐识别等问题上有了较多的应用。

如公开号为CN112906828A的中国专利文献公开了一种基于时域编码和脉冲神经网络的图像分类方法。包括：S1.基于图像的时域编码和类别标记构建样本集；S2.构建脉冲神经网络作为分类模型；S3.利用构建的样本集对脉冲神经网络进行训练，得到训练成熟的脉冲神经网络；S4.对于待识别的图像，将其进行时域编码后输入训练成熟的脉冲神经网络中，得到图像的分类结果。

相比于ANN，SNN具有更强的计算能力、抗噪性和更好的生物可解释性，且脉冲神经元能够直接处理脉冲信号携带的时间信息，防止ANN频率编码对时间信息的损失，预测更为准确。目前SNN并没有统一的训练算法，已知经典算法有Tempotron，SpikeProp，ReSuMe等单层或多层SNN训练算法。

目前尚未有基于脉冲神经网络的运动神经信号解码动物运动轨迹的算法。

发明内容

本发明提供了一种基于脉冲神经网络的脑机接口解码方法，可以在较短时间内快速训练模型，实时预测手臂运动轨迹，并相比经典方法实现效率和准确率上的提升。

一种基于脉冲神经网络的脑机接口解码方法，包括以下步骤：