基于猕猴Spike运动解码的不同解码方法性能对比-编程知识

基于猕猴Spike运动解码的不同解码方法性能对比

公开数据集中文版详细描述参考前文：https://editor.csdn.net/md/?not_checkout=1&spm=1011.2124.3001.6192
神经元Spike信号分析参考前文：https://blog.csdn.net/qq_43811536/article/details/134359566?spm=1001.2014.3001.5501
神经元运动调制分析参考前文：https://blog.csdn.net/qq_43811536/article/details/134401004?spm=1001.2014.3001.5501
离散卡尔曼滤波器算法详解及重要参数(Q、R、P)基于公开数据集解码的讨论参考前文：https://blog.csdn.net/qq_43811536/article/details/134403022?spm=1001.2014.3001.5501
基于Spike信号的运动解码分析不同运动参数对解码的影响参考前文：https://blog.csdn.net/qq_43811536/article/details/134477651?spm=1001.2014.3001.5501

0. 公开数据集

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

1. 不同解码方法的性能比较

从公开数据集中文版详细描述以及其神经元Spike信号分析中我们知道：猕猴的感觉运动皮层对运动的调制主要有六个参数——二维平面中x和y方向上的位移、速度和加速度。这六个参数也是我们在运动解码中感兴趣的部分。

1.1 基于Spike的运动解码

参见基于Spike信号的运动解码分析不同运动参数对解码的影响的1.1节。

1.2 特征提取

预处理： $spike\_feat=[5900, 253]$ , $motion\_feat=[5900, 6]$ 。
Spike特征：取前后各6个样本的feat作为当前样本的联合特征，即单个样本的总特征数为： $13 * 253 = 3289$ 维。（卡尔曼滤波器没有此步骤）
数据集划分：训练集:测试集=9:1。
归一化：采用均值-方差归一化。

1.3 解码算法

分别采用线性回归（Linear Regression, LR）、卡尔曼滤波器（Kalman Filter, KF）、DNN以及LSTM ² 进行解码性能比较。

KF：参考离散卡尔曼滤波器算法详解
DNN, LSTM的网络结构如下：
- 三层网络：输入-隐藏层-输出，隐藏层均为200个单元。
- 激活函数：DNN为‘relu’，LSTM为‘tanh’。
- 损失函数：均为MSE均方误差。
- 优化器：DNN为‘Adam’，LSTM为‘RMSProp’。

最后，为了方便比较，DNN和LSTM都训练了固定的20个epochs。

1.3 解码结果

Figure 1 呈现四种不同方法的部分解码结果。其中LR和KF在x、y两个不同方向的位置预测上比其他两个神经网络更精准，后者波动明显较大；但前者在速度和加速度的预测上明显弱于神经网络，后者可以捕捉到速度和加速度较大的波动，当然也正是因为这个原因导致后者预测的位置曲线出现了很多意料之外的毛刺。

在这里插入图片描述

Figure 1. 不同方法的部分解码结果. a. LR. b. KF. c. DNN. d. LSTM. 从左到右依次为十折交叉验证的第1、5、10折的前100个samples.

1.4 解码性能

Figure 2 展示了十折交叉验证的平均解码性能。Figure 2a 为Pearson相关性的柱状图，横轴为不同的方法，纵轴为相关性大小，同颜色的点代表不同折实验的性能，黑色竖线代表方差范围，反应解码方法的鲁棒性。Figure 2b 为不同方法在不同运动参数上的性能折线图，可以看到与1.3节的结论一致：LR和KF在位置预测上性能更好，而DNN和LSTM在速度和加速度的预测上更加精确，其中同色阴影为十折实验的误差范围。Figure 2c 为不同方法在不同运动参数上的 $R^2$ ，结果表现与b图一致。

在这里插入图片描述

Figure 2. 不同方法的解码性能

Figure 3 绘制了DNN和LSTM在训练过程中训练集和验证集的性能曲线。可以看到DNN存在过拟合，而LSTM还处于欠拟合的状态，继续训练LSTM的性能可能会更高。

在这里插入图片描述

Figure 3. DNN与LSTM的训练过程曲线. a. MSE损失曲线. b. Pearson相关性曲线.

创作不易，麻烦点点赞和关注咯！

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). ↩︎

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.hqwc.cn/news/194014.html

如若内容造成侵权/违法违规/事实不符，请联系编程知识网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！