[发明专利]一种基于多模型学习集成的动态自适应脑机接口解码方法

说明书

本发明公开了一种基于多模型学习集成的动态自适应脑机接口解码方法，在训练过程中使用迭代方式自主学习多个线性模型，并在脑机接口系统测试解码过程中，根据数据情况自动切换线性模型，实现自适应脑信号解码。通过上述自主学习多模型，并分时集成的策略，能够融合刻画不同特征线性解码器的能力，提高运动脑机接口系统的准确性和稳定性，在一定程度上解决了脑机接口系统因神经信号非稳态性造成的解码性能不稳定问题。

技术领域

本发明涉及脑机接口、神经信号解码领域，尤其是涉及一种基于多模型学习集成的动态自适应脑机接口解码方法。

背景技术

脑机接口横跨神经科学、认知科学、计算机科学、控制及信息科学与技术、医学等众多学科领域，现已逐步成为具有变革性影响的前沿交叉研究方向，对于人类与社会具有重大研究意义。

侵入式运动脑机接口，借助植入在大脑运动皮层中的微电极阵列采集神经信号，并将其解码成运动信号，旨在于大脑和外部设备之间建立一条直接的神经信息交流与控制通道。该技术有望通过神经信号控制外骨骼与电脑光标等设备，恢复瘫痪病人的部分运动功能。

在侵入式运动脑机接口系统中，神经解码算法至关重要。研究人员提出了许多从神经信号中解码运动信息的算法，包括集群向量法、最佳线性估计法、递归贝叶斯解码器和深度神经网络等。

在这些方法中，卡尔曼滤波器结合了轨迹的变化过程，将其作为先验知识，以获得更准确的预测，因此被广泛应用于在线光标解码和外骨骼控制中，达到最优在线控制性能。

当前的侵入式运动脑机接口使用的解码器大多假设神经信号和运动之间有稳定的函数关系，因此使用一个固定的解码模型。然而，在线解码过程中，采集的神经信号偶尔会引入噪声或者干脆消失；同时，由于神经元具有可塑性，大脑活动模式会随时间或不同行为状态发生改变。上述噪声和改变的存在，使得神经信号到运动信号的映射函数不稳定并且随时间持续变化。固定的解码函数会导致不稳定、不准确的解码结果，因此需要每隔一段时间重新训练以维持一定的性能。

针对神经信号不稳定性问题提出的解码器可以被分为两类。第一类仍然使用固定模型，依赖于周期性地重新训练或在线逐步更新模型参数维持性能。第二类使用动态模型追踪神经信号的变化，这可以避免重新训练的代价，更适合长期解码任务。但是，这一类方法中，很少有研究直接对神经信号的不稳定性进行建模。有研究使用多模型动态集成的方式，尝试直接建模神经信号的非稳态性，但是其候选模型池的生成较为随机，依赖于模型权重的随机扰动与神经元的随机丢失。

因此，如何构建一个有效的候选模型池，并通过多模型集成建模神经信号的动态性，以得到稳定鲁棒的解码性能，是当前运动神经解码领域亟待解决的重要问题。

发明内容

本发明提供了一种基于多模型学习集成的动态自适应脑机接口解码方法，通过数据驱动的方式，自主迭代学习模型池中的模型，并使用这些模型替换卡尔曼滤波器中的观测函数，以实现在线动态集成解码器，来更好地适应神经信号的变化。在解码过程中，根据贝叶斯更新机制，自动选择和结合这些模型，从而大大降低了神经信号不稳定性对解码性能的影响，提高了解码器的鲁棒性。

一种基于多模型学习集成的动态自适应脑机接口解码方法，包括以下步骤：

(1)获取原始运动神经信号，进行预处理后按比例分成训练集、验证集和测试集；

(2)模型池初始设定，具体包括：

(2-1)设定模型池中模型的组数及每组内模型的个数；

(2-2)设定每个组别的模型类型；

(2-3)设定每个模型初始分配数据占全部数据的比例；

(2-4)根据设定分配数据的比例，对于每一个组别，从训练集中为组内的所有模型随机分配一批数据；