基于多類最小二乘支持向量機的神經元信號識別

摘 要：針對大腦運動皮層群體神經元信號與運動行為關系的分析，提出一種基于二叉樹的最小二乘支持向量機多類分類算法。在對猴子進行三維空間中8個方向手臂運動實驗記錄的多通道神經元信號的分析中，通過與標準支持向量機和學習矢量量化神經網絡的比較，說明該方法不僅與標準支持向量機同樣具有比學習矢量量化方法更強的學習能力和預測能力，而且運算時間比標準支持向量機更短。比較結果表明最小二乘支持向量機對于神經元信號分析的有效性和優越性，進而有利于實現性能更高的用于神經康復的腦機接口系統。

關鍵詞：最小二乘支持向量機；多類分類；二叉樹；腦機接口；神經康復

中圖分類號：TP391 文獻標識碼：A

1 引言

為了幫助神經肌肉系統癱瘓的病人實現與外界的交流，近年來，對腦機接口(BCI，Brain-Computer Interface)等神經康復系統的研究逐漸興起。腦機接口是一種不依賴于腦的正常輸出通路(即外周神經和肌肉)的腦-機(計算機或其他裝置)通訊系統，它的出現，使得利用人腦神經元信號直接控制外部設備的想法成為可能。

隨著微電極技術的迅猛發展與腦外科手術的日趨成熟，在訓練非人靈長類動物完成各種特定運動行為的同時，科學家們已經能夠利用植入到其大腦運動區皮層(motor cortex)的多通道微電極組提取群體神經元的信號進行實驗研究。通過這些實驗得到的數據可以用來分析運動神經元信號與其運動行為之間的關系，如猴子的手臂運動(移動，抓取等)。鑒于多通道神經元信號采集技術(BCI的輸入)與計算機控制技術(BCI的輸出)的日益成熟，實現具有期望性能的BCI的關鍵就在于如何提取神經元信號中的有用信息，即辨識神經元信號與生物具體行為之間的關系。

目前已經有多種從大腦神經元活動中提取運動信息的辨識方法。如群體向量法(populationvector algorithm)，最大似然估計，模式識別和人工神經網絡(ANN)等。但是由于具體的生物實驗方法，實驗數據的差異性，并沒有一種對所有數據的識別效果都最好的算法。所以對于特定的實驗數據，應該采用與其適應的辨識方法。

本文采用最小二乘支持向量機(LS-SVM，Least Squares Support Vector Machines)的方法分析大腦運動皮層神經元信號和運動行為的關系。支持向量機(SVM，Support Vector Machines)是由Vapnik在統計學習理論基礎上發展而來的一種新的機器學習方法。SVM通過結構風險最小化原則來提高泛化能力，它較好地解決了小樣本、非線性、高維數、局部極小點等問題。標準的二類支持向量機方法已被應用于神經元信號的分析。最小二乘支持向量機是Suykens等人提出的一種新型的支持向量機，它將最小二乘線性方法引入到SVM中，將標準的SVM中二次規劃問題轉變成線性方程組求解，從而簡化了計算復雜性。

本文針對猴子在8個方向手臂運動過程中記錄的運動皮層神經元信號的分析，提出了一種基于二叉樹的多類LS-SVM分類方法，并與標準的SVM算法和學習矢量量化(LVQ，Learning vectorquantization)方法比較。LVQ是一種有監督的自組織特征映射(SOFM，Self-Organizing FeatureMap)算法。而SOFM是一種人工神經網絡的算法，已被成功應用于猴腦運動皮層神經元信號的分析。各種算法的比較結果表明，對于本文分析的運動神經元信號，SVM和LS-SVM方法比LVQ方法識別準確率更高，泛化能力更強。而LS-SVM方法比SVM方法的運算時間更短。

“注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”