基于多类最小二乘支持向量机的神经元信号识别

摘　要：针对大脑运动皮层群体神经元信号与运动行为关系的分析，提出一种基于二叉树的最小二乘支持向量机多类分类算法。在对猴子进行三维空间中8个方向手臂运动实验记录的多通道神经元信号的分析中，通过与标准支持向量机和学习矢量量化神经网络的比较，说明该方法不仅与标准支持向量机同样具有比学习矢量量化方法更强的学习能力和预测能力，而且运算时间比标准支持向量机更短。比较结果表明最小二乘支持向量机对于神经元信号分析的有效性和优越性，进而有利于实现性能更高的用于神经康复的脑机接口系统。

关键词：最小二乘支持向量机；多类分类；二叉树；脑机接口；神经康复

中图分类号：TP391　文献标识码：A

1 引言

为了帮助神经肌肉系统瘫痪的病人实现与外界的交流，近年来，对脑机接口(BCI，Brain-Computer Interface)等神经康复系统的研究逐渐兴起。脑机接口是一种不依赖于脑的正常输出通路(即外周神经和肌肉)的脑-机(计算机或其他装置)通讯系统，它的出现，使得利用人脑神经元信号直接控制外部设备的想法成为可能。

随着微电极技术的迅猛发展与脑外科手术的日趋成熟，在训练非人灵长类动物完成各种特定运动行为的同时，科学家们已经能够利用植入到其大脑运动区皮层(motor cortex)的多通道微电极组提取群体神经元的信号进行实验研究。通过这些实验得到的数据可以用来分析运动神经元信号与其运动行为之间的关系，如猴子的手臂运动(移动，抓取等)。鉴于多通道神经元信号采集技术(BCI的输入)与计算机控制技术(BCI的输出)的日益成熟，实现具有期望性能的BCI的关键就在于如何提取神经元信号中的有用信息，即辨识神经元信号与生物具体行为之间的关系。

目前已经有多种从大脑神经元活动中提取运动信息的辨识方法。如群体向量法(populationvector algorithm)，最大似然估计，模式识别和人工神经网络(ANN)等。但是由于具体的生物实验方法，实验数据的差异性，并没有一种对所有数据的识别效果都最好的算法。所以对于特定的实验数据，应该采用与其适应的辨识方法。

本文采用最小二乘支持向量机(LS-SVM，Least Squares Support Vector Machines)的方法分析大脑运动皮层神经元信号和运动行为的关系。支持向量机(SVM，Support Vector Machines)是由Vapnik在统计学习理论基础上发展而来的一种新的机器学习方法。SVM通过结构风险最小化原则来提高泛化能力，它较好地解决了小样本、非线性、高维数、局部极小点等问题。标准的二类支持向量机方法已被应用于神经元信号的分析。最小二乘支持向量机是Suykens等人提出的一种新型的支持向量机，它将最小二乘线性方法引入到SVM中，将标准的SVM中二次规划问题转变成线性方程组求解，从而简化了计算复杂性。

本文针对猴子在8个方向手臂运动过程中记录的运动皮层神经元信号的分析，提出了一种基于二叉树的多类LS-SVM分类方法，并与标准的SVM算法和学习矢量量化(LVQ，Learning vectorquantization)方法比较。LVQ是一种有监督的自组织特征映射(SOFM，Self-Organizing FeatureMap)算法。而SOFM是一种人工神经网络的算法，已被成功应用于猴脑运动皮层神经元信号的分析。各种算法的比较结果表明，对于本文分析的运动神经元信号，SVM和LS-SVM方法比LVQ方法识别准确率更高，泛化能力更强。而LS-SVM方法比SVM方法的运算时间更短。

“注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文”