网站建站教程,电商网站建设费用,滨江区建设局网站,二手车网站源码下载公开数据集中文版详细描述 参考前文#xff1a;https://editor.csdn.net/md/?not_checkout1spm1011.2124.3001.6192神经元Spike信号分析 参考前文#xff1a;https://blog.csdn.net/qq_43811536/article/details/134359566?spm1001.2014.3001.5501神经元运动调制分析 … 公开数据集中文版详细描述 参考前文https://editor.csdn.net/md/?not_checkout1spm1011.2124.3001.6192神经元Spike信号分析 参考前文https://blog.csdn.net/qq_43811536/article/details/134359566?spm1001.2014.3001.5501神经元运动调制分析 参考前文https://blog.csdn.net/qq_43811536/article/details/134401004?spm1001.2014.3001.5501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?spm1001.2014.3001.5501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?spm1001.2014.3001.5501 目录 0. 公开数据集1. 不同解码方法的性能比较1.1 基于Spike的运动解码1.2 特征提取1.3 解码算法1.3 解码结果1.4 解码性能 0. 公开数据集
网址Nonhuman Primate Reaching with Multichannel Sensorimotor Cortex Electrophysiology 1Session 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 s p i k e _ f e a t [ 5900 , 253 ] spike\_feat[5900, 253] spike_feat[5900,253], m o t i o n _ f e a t [ 5900 , 6 ] motion\_feat[5900, 6] 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 13*2533289 13∗2533289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。 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 R^2 R2结果表现与b图一致。 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。 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). ↩︎
