引用本文

冯景义, 吴海锋, 曾玉.猕猴手指移动神经解码线性时不变模型的时间相关性研究.自动化学报, 2021, 47(2): 442-452 doi: 10.16383/j.aas.c180098

Feng Jing-Yi, Wu Hai-Feng, Zeng Yu. Time correlation of time-invariant linear models in neural decoding for the macaque's moving flnger. Acta Automatica Sinica, 2021, 47(2): 442-452 doi: 10.16383/j.aas.c180098

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180098

关键词

神经解码，猕猴手指移动，CSM模型，TILM模型 

摘要

利用猕猴运动皮层神经元峰电位数信号估计其手指移动位置是一神经解码问题, 通常采用时不变线性模型(Time-invariant linear model, TILM)来解决.本文分析了传统TILM模型的时间相关性问题, 依据猕猴手指移动位置的连续性特点, 采用一种新的模型去解码其手指移动位置, 称之为卷积空间模型(Convolution space model, CSM).与传统的模型相比, 卷积空间模型不但将当前时刻的状态与前一个时刻建立了相关, 而且与前多个时刻的状态也有相关.在实验中, 利用公开数据来评判本文方法的解码性能, 实验结果表明, 传统方法的解码误差要大于CSM模型的方法, 因此CSM模型具有更好的解码准确性.

文章导读

通过对神经回路感知外部世界和产生行为的研究, 可揭示大脑的工作机制和规律, 也可让人体增强感知外部世界和控制外部世界的能力.在神经编码中, 例如, 对听力障碍者来说, 人工耳蜗可将声音信号编码为计算系统可处理的数字信号, 通过刺激听觉神经使得患者具有感知外界声音的能力[1].在神经解码中, 对于伤残人士来说, 可直接通过大脑运动皮层的神经元峰电位数信号去操控外界设备的移动, 如移动鼠标[2-3], 机械手臂[4-5]等, 以及截瘫患者的上肢和手[6]等, 使其拥有一定的外部世界控制能力, 目前康复机器人与智能辅助系统的研究取得了不错的进展[7].

神经编码将外部世界映射至脑活动[8], 把从脑区获得的神经元峰电位信号进行分类处理, 其处理后的峰电位信号需与肌肉或骨骼对外部世界产生的活动建立一一对应关系.神经解码是一种对神经编码的逆过程, 从脑活动中解析出人体对外部世界的动作, 例如, 通过分类后的峰电位信号去预测或估计身体的运动过程, 而本文所研究的猕猴手指移动位置估计是一个典型的神经编解码问题.首先完成神经编码, 将神经记录仪器所采集的某一时刻猕猴运动皮层神经元峰电位数与该时刻猕猴手指移动位置建立对应关系.由于该问题已经在文献[9-14]中做了详细讨论, 因此本文不再将其作为研究重点.其次完成神经解码, 通过已经与猕猴手指移动建立对应关系的神经元峰电位数去估计猕猴手指移动位置信息, 而本文的研究重点将集中在如何更好地解决神经解码问题上.

较早的猕猴手指移动的编码问题在文献[15]中进行了介绍, 该文献发现猕猴的上部肢体的运动方向与其脑区的运动皮层中单个神经元的峰电位信号存在着相应关系; Vargas-Irwin等实现了猕猴机器手臂的三维运动轨迹的重建, 证实利用局部的神经集群发放信号可以解析出丰富的运动信息[16]; O′Doherty等在猕猴的初级感觉皮层上第一次实现了带有触觉反馈的闭环的脑机接口系统[17].在传统的解码方法中, 较早采用的是独立线性(Linear)方法[18-19], 该方法利用的是线性时不变模型(Time-invariant linear model, TILM), 将每一时刻运动状态值与该时刻记录的峰电位数信号看作时不变的正比关系, 其最大优点是易于实施且计算简单, 但缺点是把运动轨迹每一时刻的状态值均看成了一个独立过程, 因此预测轨迹的准确度较低.

目前, 为了解决该问题, 常采用的方法是状态空间模型(State space model, SSM).在神经科学领域中, Velliste等通过SSM模型解码猕猴的运动皮层神经元峰电位数信号, 实现了对四自由度假肢的控制[20]; Shanechi等通过构建SSM模型和应用最优反馈控制模型解码出了猴子运动的轨迹状态[21]; Chang等基于卡尔曼滤波(Kalman-filtering, KF)方法, 设计出了同时考虑"手控"和"脑控"过程的算法, 加快了脑控的实现[22].薛明龙等通过SSM模型, 采用了一种无监督积分卡尔曼滤波解码模型(Unsupervised Cabuture-Kalman-filtering decoding, UCKD)解码出了猕猴手指移动轨迹的位置[23-24]; Hotson等基于递归贝叶斯估计(Recursive Bayes estimation, RBE), 通过整合环境传感器信息提高了脑机接口系统的解码效果[25].最近, 浙江大学李宏宝还实现了猕猴手臂规避障碍过程中的运动前区皮层的神经解码[26], 以及张毅等利用BRCSP (Bagging regularized common spatial pattern)算法实现左右手运动想象的脑电信号去控制智能轮椅完成了"8"字形路径实验[27].从SSM的观测方程看, 仍是一种TILM模型, 但同独立线性方法相比, SSM未把手指移动轨迹看成是一个时间上独立的过程, 而是将当前时刻的移动状态与前一个时刻相关联, 因此估计精确度有了较大提高.

本文通过对传统TILM模型的时间相关性进行研究, 从SSM模型出发, 将每一时刻的手指移动状态值与之前多个时刻的峰电位数的簇向量进行相关, 推导出了另一种TILM模型.因为该模型是把猕猴手指移动轨迹的位置表示为一组神经元峰电位信号的簇向量与一组常系数的卷积, 故称之为卷积空间模型(Convolutional space model, CSM).为了训练该模型, 采用最小二乘和最陡梯度下降等常规方法来得到模型参数, 同时分析了时间相关性对这些方法的影响.在实验中, 采用一组公开的实测数据对本文的时间相关性问题进行验证, 实验结果表明, CSM模型的训练算法所解码的手指移动位置信息要比传统的SSM模型有较小的解码误差.

图1 猕猴手指移动轨迹编码

图2 二维卷积空间模型示意图

图3 时间相关性下卷积核权重大小分布

本文中神经解码就是通过猕猴运动皮层的神经元峰电位信号预测其手指移动位置.分析了传统解码模型的时间相关性问题, 采用一种具有卷积形式的线性时不变模型, 称为CSM模型.然后, 采用CSM模型的LS、RLS和GDA算法去训练模型的权值参数, 最后去解码出手指移动轨迹.本文采用的模型使猕猴当前时刻的状态与前若干个时刻的峰电位数有相关性, 将手指移动位置表示为神经元峰电位数的簇向量与一组常系数的卷积.

CSM模型中, P=1时, 模型是时间独立的线性模型, P>1时, 是卷积空间模型.另外, CSM为二维卷积, 可用来处理输入多维神经元峰电位数信号.再者, 该模型主要是针对神经元峰电位数信号的时间相关性, 并未考虑手指移动位置的时间相关性.

在实验中, 利用公开数据, 分别采用Holdout和交叉验证给出了5组实验结果, 来评判本文方法的解码性能.从实验结果来看, 与传统方法相比, 本文方法在对X轴解码的误差均值上有了约11.1 %的性能提升.另外, 实验结果还证实, CSM模型中当前时刻的状态与前10个时刻的状态具有较好的时间相关性, 解码误差较小.最后, 从实验结果来看, 采用CSM模型的RLS和GDA算法都采用了循环迭代, 其RLS算法至少一次循环迭代就能达到收敛, GDA算法的循环迭代次数较多.

作者简介

冯景义

云南民族大学电气信息工程学院硕士研究生.主要研究方向为神经网络和机器学习. E-mail:fengjingyione@foxmail.com

曾玉

云南民族大学助理教授.主要研究方向为无线网络控制和移动通信. E-mail: yv.zeng@gmail.com

吴海锋

云南民族大学教授.主要研究方向为机器学习, 移动通信和神经信号处理.本文通信作者. E-mail: whf5469@gmail.com