版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、腦機(jī)接口將大腦的神經(jīng)活動(dòng)通過(guò)解碼器的解析,轉(zhuǎn)化成可以用來(lái)控制外部設(shè)備的控制信號(hào),實(shí)現(xiàn)了大腦與外界環(huán)境的直接交互,為有運(yùn)動(dòng)功能缺失的患者帶來(lái)了一種新的康復(fù)途徑?,F(xiàn)階段關(guān)于神經(jīng)解碼的研究主要是基于監(jiān)督學(xué)習(xí)和基于強(qiáng)化學(xué)習(xí)兩大類(lèi)。相比于需要訓(xùn)練數(shù)據(jù)的監(jiān)督學(xué)習(xí)解碼模型,基于強(qiáng)化學(xué)習(xí)的解碼模型的優(yōu)勢(shì)在于:(1)無(wú)需實(shí)際的用戶(hù)肢體行為數(shù)據(jù);(2)允許用戶(hù)通過(guò)試錯(cuò)的方式來(lái)動(dòng)態(tài)的操控外部設(shè)備;(3)解碼模型能自適應(yīng)神經(jīng)元發(fā)放模式的變化。大腦具有很強(qiáng)的可塑
2、性,環(huán)境的變化勢(shì)必會(huì)引起神經(jīng)元發(fā)放模式的改變,強(qiáng)化學(xué)習(xí)模型這種自適應(yīng)的特性在腦機(jī)接口的解碼穩(wěn)定性中具有重要的作用。
本文使用了兩只猴子(B04和B10),基于經(jīng)典center-out伸縮實(shí)驗(yàn)范式對(duì)強(qiáng)化學(xué)習(xí)的自適應(yīng)特性進(jìn)行了探索,并和經(jīng)典監(jiān)督學(xué)習(xí)方法SVM進(jìn)行了比較分析。在center-out范式中,猴子通過(guò)搖桿控制光標(biāo)球擊打目標(biāo)球以獲得獎(jiǎng)賞。同時(shí),用于離線分析的B04神經(jīng)數(shù)據(jù)來(lái)自于其大腦的雙側(cè)初級(jí)運(yùn)動(dòng)皮層(M1)區(qū),用于在線實(shí)
3、驗(yàn)的B10神經(jīng)數(shù)據(jù)來(lái)自于其雙側(cè)背側(cè)前運(yùn)動(dòng)皮層(PMd)區(qū)。算法部分,我們首先實(shí)現(xiàn)了基于誤差反向傳播(BP)的人工神經(jīng)網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)方法(attention gated reinforcement learning,AGREL),和基于徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的強(qiáng)化學(xué)習(xí)方法(quantized attention gated reinforcementlearning,QAGKRL),相比于AGREL有陷入局部最小值的缺陷,該方法能實(shí)
4、現(xiàn)非線性神經(jīng)解碼的全局最優(yōu)解,同時(shí)還利用量化方法壓縮神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)以降低計(jì)算復(fù)雜度。在離線分析中,我們選用了10天的數(shù)據(jù)進(jìn)行比較分析,綜合來(lái)看單純分類(lèi)時(shí)SVM優(yōu)于QAGKRL,QAGKRL優(yōu)于AGREL,但QAGKRL和AGREL不經(jīng)過(guò)訓(xùn)練和不需要運(yùn)動(dòng)數(shù)據(jù)就獲得了和監(jiān)督學(xué)習(xí)方法近似的分類(lèi)效果,且在樣本一的模型上測(cè)試樣本二時(shí)(樣本一二分別對(duì)應(yīng)不同兩天的神經(jīng)信號(hào)數(shù)據(jù)集),QAGKRL和AGREL分類(lèi)正確率下降后能迅速恢復(fù)到樣本一測(cè)試結(jié)果
5、的水平,而SVM下降到隨機(jī)水平后無(wú)法恢復(fù)。在線腦控采用了在線腦機(jī)接口研究中的共享控制方法,引入共享控制參數(shù)來(lái)幫助猴子適應(yīng)從手控到腦控的過(guò)渡過(guò)程,我們發(fā)現(xiàn)強(qiáng)化學(xué)習(xí)方法通過(guò)與外部環(huán)境的互適應(yīng)可以獲得比SVM方法更高的在線解碼正確率,且QAGKRL優(yōu)于AGREL,同時(shí)作為比較在我們切斷這種互適應(yīng)關(guān)系后,強(qiáng)化學(xué)習(xí)方法在線解碼正確率降到平均水平以下且低于SVM方法。
綜上所述,本文在腦機(jī)接口相關(guān)研究背景下,利用已有資源成功搭建了在線實(shí)驗(yàn)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于神經(jīng)元重要性分析的神經(jīng)解碼.pdf
- 大鼠前肢運(yùn)動(dòng)的神經(jīng)解碼研究.pdf
- 探究初級(jí)運(yùn)動(dòng)皮層的神經(jīng)解碼機(jī)制.pdf
- 面向神經(jīng)解碼的手部運(yùn)動(dòng)捕捉研究.pdf
- 基于強(qiáng)化學(xué)習(xí)的植入式腦機(jī)接口神經(jīng)信息解碼:算法設(shè)計(jì)及應(yīng)用.pdf
- 大鼠運(yùn)動(dòng)皮層神經(jīng)解碼實(shí)驗(yàn)的硬件系統(tǒng)研究.pdf
- 基于強(qiáng)化學(xué)習(xí)的交通擁堵控制方法研究.pdf
- 基于強(qiáng)化學(xué)習(xí)的區(qū)域交通控制方法研究.pdf
- 基于GPU的運(yùn)動(dòng)神經(jīng)解碼計(jì)算研究及腦機(jī)接口計(jì)算平臺(tái)開(kāi)發(fā).pdf
- 基于強(qiáng)化學(xué)習(xí)的磁導(dǎo)航AGV控制方法研究.pdf
- 基于并行強(qiáng)化學(xué)習(xí)的建筑節(jié)能方法研究.pdf
- 基于模糊強(qiáng)化學(xué)習(xí)的柔性結(jié)構(gòu)控制方法研究.pdf
- 基于因素化表示的強(qiáng)化學(xué)習(xí)方法研究.pdf
- 基于分層強(qiáng)化學(xué)習(xí)的AUV路徑規(guī)劃方法研究.pdf
- 基于模糊近似的強(qiáng)化學(xué)習(xí)方法研究.pdf
- 基于強(qiáng)化學(xué)習(xí)的模糊神經(jīng)網(wǎng)絡(luò)控制研究及應(yīng)用.pdf
- 基于強(qiáng)化學(xué)習(xí)的仿人智能控制器參數(shù)在線學(xué)習(xí)與優(yōu)化.pdf
- 基于Option自動(dòng)生成的分層強(qiáng)化學(xué)習(xí)方法研究.pdf
- 神經(jīng)解剖腦干
- 分層強(qiáng)化學(xué)習(xí)方法研究.pdf
評(píng)論
0/150
提交評(píng)論