基于獼猴Spike運動解碼的不同解碼方法性能對比

公開數據集中文版詳細描述參考前文：https://editor.csdn.net/md/?not_checkout=1&spm=1011.2124.3001.6192
神經元Spike信號分析參考前文：https://blog.csdn.net/qq_43811536/article/details/134359566?spm=1001.2014.3001.5501
神經元運動調制分析參考前文：https://blog.csdn.net/qq_43811536/article/details/134401004?spm=1001.2014.3001.5501
離散卡爾曼濾波器算法詳解及重要參數(Q、R、P)基于公開數據集解碼的討論參考前文：https://blog.csdn.net/qq_43811536/article/details/134403022?spm=1001.2014.3001.5501
基于Spike信號的運動解碼分析不同運動參數對解碼的影響參考前文：https://blog.csdn.net/qq_43811536/article/details/134477651?spm=1001.2014.3001.5501

0. 公開數據集

網址：Nonhuman Primate Reaching with Multichannel Sensorimotor Cortex Electrophysiology ¹
Session：
- " indy_20170124_01 "

1. 不同解碼方法的性能比較

從公開數據集中文版詳細描述以及其神經元Spike信號分析中我們知道：獼猴的感覺運動皮層對運動的調制主要有六個參數——二維平面中x和y方向上的位移、速度和加速度。這六個參數也是我們在運動解碼中感興趣的部分。

1.1 基于Spike的運動解碼

參見基于Spike信號的運動解碼分析不同運動參數對解碼的影響的1.1節。

1.2 特征提取

預處理： $spike\_feat=[5900, 253]$ , $motion\_feat=[5900, 6]$ 。
Spike特征：取前后各6個樣本的feat作為當前樣本的聯合特征，即單個樣本的總特征數為： $13 ? 253 = 3289$ 維。（卡爾曼濾波器沒有此步驟）
數據集劃分：訓練集:測試集=9:1。
歸一化：采用均值-方差歸一化。

1.3 解碼算法

分別采用線性回歸（Linear Regression, LR）、卡爾曼濾波器（Kalman Filter, KF）、DNN以及LSTM ² 進行解碼性能比較。

KF：參考離散卡爾曼濾波器算法詳解
DNN, LSTM的網絡結構如下：
- 三層網絡：輸入-隱藏層-輸出，隱藏層均為200個單元。
- 激活函數：DNN為‘relu’，LSTM為‘tanh’。
- 損失函數：均為MSE均方誤差。
- 優化器：DNN為‘Adam’，LSTM為‘RMSProp’。

最后，為了方便比較，DNN和LSTM都訓練了固定的20個epochs。

1.3 解碼結果

Figure 1 呈現四種不同方法的部分解碼結果。其中LR和KF在x、y兩個不同方向的位置預測上比其他兩個神經網絡更精準，后者波動明顯較大；但前者在速度和加速度的預測上明顯弱于神經網絡，后者可以捕捉到速度和加速度較大的波動，當然也正是因為這個原因導致后者預測的位置曲線出現了很多意料之外的毛刺。

在這里插入圖片描述

Figure 1. 不同方法的部分解碼結果. a. LR. b. KF. c. DNN. d. LSTM. 從左到右依次為十折交叉驗證的第1、5、10折的前100個samples.

1.4 解碼性能

Figure 2 展示了十折交叉驗證的平均解碼性能。Figure 2a 為Pearson相關性的柱狀圖，橫軸為不同的方法，縱軸為相關性大小，同顏色的點代表不同折實驗的性能，黑色豎線代表方差范圍，反應解碼方法的魯棒性。Figure 2b 為不同方法在不同運動參數上的性能折線圖，可以看到與1.3節的結論一致：LR和KF在位置預測上性能更好，而DNN和LSTM在速度和加速度的預測上更加精確，其中同色陰影為十折實驗的誤差范圍。Figure 2c 為不同方法在不同運動參數上的 $R^2$ ，結果表現與b圖一致。

在這里插入圖片描述

Figure 2. 不同方法的解碼性能

Figure 3 繪制了DNN和LSTM在訓練過程中訓練集和驗證集的性能曲線。可以看到DNN存在過擬合，而LSTM還處于欠擬合的狀態，繼續訓練LSTM的性能可能會更高。

在這里插入圖片描述

Figure 3. DNN與LSTM的訓練過程曲線. a. MSE損失曲線. b. Pearson相關性曲線.

創作不易，麻煩點點贊和關注咯！

Makin, J. G., O’Doherty, J. E., Cardoso, M. M. B. & Sabes, P. N. (2018). Superior arm-movement decoding from cortex with a new, unsupervised-learning algorithm. J Neural Eng. 15(2): 026010. doi:10.1088/1741-2552/aa9e95 ??
Glaser J I, enjamin A S, Chowdhury R H, et al. Machine learning for neural decoding[J]. Eneuro, 2020, 7(4). ??

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/news/161105.shtml
繁體地址，請注明出處：http://hk.pswp.cn/news/161105.shtml
英文地址，請注明出處：http://en.pswp.cn/news/161105.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！