基于概率神经网络的锋电位实时分类算法

《基于概率神经网络的锋电位实时分类算法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于概率神经网络的锋电位实时分类算法华南理工大学学报自然科学版..第卷第期年月文章编号:?一基于概率神经网络的锋电位实时分类算法幸祝晓平韩业强郝耀耀王东陈耀武”.浙江大学生物医学工程与仪器科学学院,浙江杭州;.浙江大学求是高等研究院,浙江杭州摘要:为了实现便携式实时处理的实用型脑一机接口,提出了一种基于概率神经网络的锋电位信号实时分类算法,并完成了该算法基于现场可编程门阵列的实现.该算法通过训练数据的快速导入完成的训练,再由实现锋电位的分类工作.文中通过调用片上资源实现单精度浮点的乘加运算,采用并行流水结构加速向量间距离的计算,通过查

2、找表和坐标旋转数字计算方法完成激活函数的准确逼近.实验结果表明,在完成高达.%准确率的情况下,基于的实现方法比基于的方法快.倍,达到了便携式实时处理的设计要求.关键词:脑一机接口;锋电位;分类算法;神经网络;现场可编程门阵列中图分类号:;:./.....此,实时、高效、准确地完成神经元锋电位的分类是脑一机接:是一种将脑电信息转化为外围设备控制命令的技术,它在生物体与外部环境之间建立实用脑一机接口设备的必要条件.了一种新型的信息交流与控制通道,从而为残障人传统的锋电位分类算法包括特征提取和聚类两士的运动控制提供一种新方法?.脑一机接口技

3、个步骤.特征提取是指从锋电位信号中提取特征值的过程,其常用算法主要有主成分分析法术现已成为神经科学与信息工程技术交叉学科的热点课题一。,其中运动信息的神经解码是一个重要、模式匹配’删和小波分析‘。等.聚的研究方向归.类是将锋电位按特征值进行分类的过程,通常采用均值聚类算法【.然而,七均值聚类算法需要知道锋电位分类是运动信息神经解码研究中的关键问题之一.大脑中的神经元通过动作电位即锋电位分类的数量,并且对初始值的选择很敏感¨.进行信号的传递、交流和处理.每个电极通常会把周等‘使用数字集成电路完成锋电位的检测和特征边若干个神经元的锋电位记

4、录下来埔,因此,要准提取,但聚类算法仍然在个人计算机上实现,因而该确获取生物神经网络所传达的信息,就需要将各个算法没有被广泛地应用;等¨采用噪声白神经元的锋电位区分开来一.在实际的脑一机接口化的主成分分析算法和最大后验分类算法来实现锋实验和应用中,锋电位实时在线分类不但可以减轻电位的实时分类,但需要较长的训练时间;等一实现了模式匹配、主成分分析法、径向基函数神经网动物脑电信号采集部分和神经信号解码部分之间传输数据的负担,而且是实现实时解码的先决条件,因络、反向传播神经网络和小波分收确期:.?基金项目:国家自然科学摹金资助项目;浙江省自

5、然科学基金资助项目;浙江大学中央高校基本科研业务费专项资金资助项目作者简介:祝晓平一,男,博士生.主要从事并行计算和并行系统研究..:..十通讯作者:陈耀武,男,教授,博士生导师,从事智能技术与嵌入式系统、脑一机接口信号处理与并行系统的研究..:....万方数据第期祝晓平等:基于概率神经网络的锋电位实时分类算法析种锋电位分类方法并对其性能进行了比较,结果显示模式匹配方法具有最佳的性能,而反向传播神经网络的性能最差;等¨驯针对封闭形式的约束二次优化问题,提出了一种基于时域优化的最佳线性滤波算法,该算法比基于频域的滤波算法具有更好的分类效

6、果;等¨¨采用小波包分解方法来实现锋电位的分类,能够更好地处理锋电位重叠的情况,但在小波包选取上没有统一的方法.以上算法均注重算法的分类性能,而忽略了实时在线分类的性能指标.商用通道数据采集系统美国.公司生产采用模式匹配方法来实现锋电位的实时在线分类,但在模输入层模式层求和层输出层式的选择上需要人为设定,且设备体积过于庞大,限图概率神经网络的结构制了实验中动物的活动范围.为了实现便携式实时.处理的脑一机接口,需要提出一种新模式来完成锋中的训练向量职之间的距离,然后进行非线性运电位分类的实时计算,并达到低功耗、便携式实时处算,对应的激活

7、函数为理的设计要求.,一彬一形一。/有鉴于此,文中提出了一种新犁的基于概率神式中,盯为平滑系数,彬一?为测试经网络的锋电位实时分类算法.该算法将特向量和训练向量之间的距离.对输入向量和训征提取和聚类问题统一到中,快速训练练向量做归一化处理,则激活函数可以进一步简化成后,根据训练数据求得贝叶斯准则下的最大后验概,?/率值,从而获得输入锋电位分类信息.文中还完成了其中。?.每个模式层单无的结构见图.该算法的实现,并结合嵌入式系统设计技术以达到低功耗、便携式实时处理的设计要求.概率神经网络涵一,口在年首次详细介绍了,将贝叶斯估计放置于一个前

8、馈神经网络中,依据最小风图模式层单?的结构险的贝叶斯决策实现最优分类,其优点是训练简单、.迅速,只要有足够的训练数据,就可以保证获得贝叶求和层的单元个数等于类别数,各单元把模式斯准则下的最优解.的应用领域包括分类问层单元