drwuHUST的个人博客分享 http://blog.sciencenet.cn/u/drwuHUST

博文

用于恒河猴动眼神经决策解码的多视图宽度学习系统

已有 1037 次阅读 2019-8-23 10:20 |个人分类:脑机接口|系统分类:科研笔记

多视图学习使用多视图数据来提高学习性能。多视图数据可以来自多个数据源,或单个数据源的不同特征集。比如,在侵入式脑机接口中,探针或植入式电极阵列采集的脑电神经信号里面包含了低频的局部场电位信号(local field potentials, LFPs)和高频的锋电位(spikes)信号,可以作为两个不同视图,通过多视图学习来融合。

宽度学习系统(Broad Learning System, BLS)是澳门大学(现华南理工大学)陈俊龙教授提出的一种神经网络架构。前面“Patch Learning”一文讲过,当简单模型的性能不能满足要求时,可以通过增加深度、宽度、非线性和集成学习来进一步提高性能。BLS通过使用比普通神经网络多很多的节点来提高拟合能力,有可能达到跟深度学习相当的性能。用宽度代替深度的一个好处是神经网络训练速度可以呈数量级的提高。

本研究提出了应用于侵入式脑机接口的多视图宽度学习系统。


 文献:

X. Chen and V. Stuphorn, “Sequential selection of economic good and action in medial frontal cortex of macaques during value-based decisions,” Elife, vol. 4, p. e09418, 2015.

介绍了一个将侵入式脑机接口应用于恒河猴上的实验,流程如下图所示。

MVBLS1.png


  其训练两只母性恒河猴通过眼动选择4个特定方向中随机2个方向出现的视觉提示中的一个,并根据选择的视觉提示不同,获得相应不同单位的饮水奖励。7种视觉提示及对应的奖励如下图所示。整个训练过程中,通过侧额叶皮层辅助眼区植入的14通道的电极测量得到低频局部场电位与高频动作电位。综合利用局部场电位与动作电位,解码出动眼神经决策方向,有助于理解侧额叶皮层辅助眼区在大脑基于价值的视觉决策中起到的作用,也有益于高质量脑机接口系统的研究发展。

MVBLS2.png


为了充分综合利用局部场电位与动作电位,我们将单视图的宽度学习系统拓展到多视图场景,提出了多视图宽度学习系统,其模型的训练过程主要包括以下三个步骤:

1.     构建线性特征节点。利用稀疏自编码器计算各视图数据到各视图特征节点的映射权重,并由此计算线性特征节点。

2.     构建非线性增强节点。利用正交基以及激活函数,结合各视图特征节点,计算非线性增强节点。

3.     计算由节点到标签的映射。利用岭回归与独热编码的标签,结合线性特征节点与非线性增强节点,计算由节点到标签的映射。

其中步骤1用于鲁棒性线性特征的提取,步骤2用于增强非线性特性,步骤3用于快速预测标签。三者结合就得到了快速高效鲁棒的有监督多视图宽度学习系统分类算法。其模型示意图如下图所示。

MVBLS3.png


我们将多视图宽度学习系统应用于恒河猴动眼神经决策解码,并将其与几种经典的、最先进的单视图和多视图分类方法进行了比较,实验结果表明多视图宽度学习系统具有最好的准确率表现以及多视图算法中最好的效率表现。

 

本工作由华中科技大学人工智能与自动化学院博士生石振华、博士生赵昶铭、博士生何赫和伍冬睿教授,斯坦福大学神经生物学系陈小默博士,和约翰霍普金斯大学神经科学系V. Stuphorn教授共同完成。文章正在IEEE Transactions on Neural Systems and Rehabilitation Engineering (IF=3.972)审稿中:

Z. Shi, X. Chen, C. Zhao, H. He, V. Stuphorn and D. Wu, Multi-View Broad Learning System for Primate Oculomotor Decision Decoding, IEEE Trans. on Neural Systems and Rehabilitation Engineering, 2019, submitted.

 arXiv版本:https://arxiv.org/submit/2808175




http://blog.sciencenet.cn/blog-3418535-1194891.html

上一篇:对于设计一型模糊系统和区间二型模糊系统的建议
下一篇:心率估计的主动stacking集成学习方法

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备14006957 )

GMT+8, 2019-9-17 17:01

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部