一种基于鸽脑电信号对不同颜色刺激模式的预测方法

1.本发明涉及一种预测方法，具体涉及一种基于鸽脑电信号对不同颜色刺激模式的预测方法。


背景技术：

2.鸽是一种视觉动物，其行为主要通过从外界获取的视觉信息引导；在实际研究中，鸽子已成为研究视觉系统结构和功能特性的理想材料，一方面是因为其避免了鼠等动物视觉能力差和灵长类实验动物价格昂贵的缺点，另一方面是鸽子具有优秀的视觉系统并对颜色刺激具有感知和分辨的能力；离顶盖通路是鸟类视觉信息处理的关键通路，视顶盖是离顶盖通路中一个极其重要的神经核团，其接收来自视网膜神经节细胞的颜色信息，并进行信息的编码和整合，然后将信息映射到丘脑圆核(thalamic nucleus rotundus)。
3.在视觉系统研究中，已有几个视网膜神经节细胞发放模型被提出；如线性
‑
非线性模型、广义线性模型(gmls)和integrate and fire(if)模型；其中一些在视网膜功能复制和生物相似性之间提供了一个合适的权衡；最近的研究已经提出了混合模型，能够超越前面的模型性能，例如用遗传算法微调生物模型，或使用深度学习(dl)技术。这些dl方法已被证明在生物医学领域具有广泛的应用价值，如阿尔茨海默病的诊断、癫痫发作检测等。这一成功来自于机器学习领域的最新进展，以及新型深度人工神经网络、层和结构的发展(如卷积神经网络、lstm、生成对抗性网络等)。这些新特性有助于处理梯度消失问题，并在某些情况下表现得更好。其中一些特征包括训练技术，例如：参数共享，降低每层计算成本；sigmoid和双曲正切激活函数的几种替代方法，如relu(整流线性单元)、leakyrelu、prelu(参数整流线性单元)或elu(指数线性单元)函数。此外，使用gpu解决这些机器学习系统的高计算成本，减少了训练和调优程序所需的时间。
4.在这些进展中，lstm在学习长期依赖信息问题上已被证明是一个强大的工具；但其还并未应用到预测鸽脑外纹体区神经元对不同颜色刺激的spike发放率上。


技术实现要素：

5.本发明的目的在于：针对目前lstm还并未应用到预测鸽脑外纹体区神经元对不同颜色刺激的spike发放率上，提供了一种基于鸽脑电信号对不同颜色刺激模式的预测方法，解决了上述问题。
6.本发明的技术方案如下：
7.一种基于鸽脑电信号对不同颜色刺激模式的预测方法，包括以下步骤：
8.(a)给鸽设计施加颜色刺激的刺激模式，并记录鸽脑电信号；
9.(b)对记录的鸽脑电信号进行pca降维；
10.(c)提取鸽的外纹体区神经元对不同颜色刺激模式下的spike发放率，选择合适的神经元通道；
11.(d)根据提取的鸽的神经元spike发放率特征构建lstm预测模型；
12.(e)对所构建的lstm预测模型参数进行优化,并得到网络特征参数；
13.(f)由优化得到的网络特征参数预测鸽的神经元spike发放率；
14.(g)利用相关性分析评价预测模型性能。
15.进一步地，所述步骤(a)中刺激模式是：在灰色背景下颜色中心点刺激和颜色背景下灰色中心点刺激，颜色分别有红色、绿色和蓝色。
16.进一步地，所述步骤(b)中的pca降维是指对记录的鸽脑电信号进行主成分分析，降低神经元spike发放序列的维度。
17.进一步地，所述步骤(c)中鸽的脑外纹体区有两个深度，电极阵列植入的深度为4500um和5000um，共记录了64个神经元信号，选择两个深度中通道4和通道23的神经元信号。
18.进一步地，所述步骤(e)的优化包括：计算所述预测模型的输入输出特征维度、隐藏层层数、网络结构和网络训练结构参数。
19.进一步地，所述步骤(g)中对预测结果与真实神经元spike发放序列进行相关性分析，从而评价预测模型的性能。
20.与现有的技术相比本发明的有益效果是：
21.1、一种基于鸽脑电信号对不同颜色刺激模式的预测方法，采用多电极阵列记录鸽脑区不同深度的多个神经元信号，数据充足可靠。
22.2、一种基于鸽脑电信号对不同颜色刺激模式的预测方法，对预测结果与真实神经元spike发放序列进行相关性分析，从而评价预测模型的性能，证明实验方法的可行性高。
附图说明
23.图1为一种基于鸽脑电信号对不同颜色刺激模式的预测方法的流程图；
24.图2为一种基于鸽脑电信号对不同颜色刺激模式的预测方法中的通道4在电极植入深度相同情况下给刺激和撤刺激时神经元spike发放图；
25.图3为一种基于鸽脑电信号对不同颜色刺激模式的预测方法中的通道23在电极植入深度相同情况下给刺激和撤刺激时神经元spike发放图；
26.图4为一种基于鸽脑电信号对不同颜色刺激模式的预测方法中的预测模型训练过程中loss曲线图。
27.附图标记：
具体实施方式
28.需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
29.下面结合实施例对本发明的特征和性能作进一步的详细描述。
30.请参阅图1
‑
3，一种基于鸽脑电信号对不同颜色刺激模式的预测方法，包括以下步骤：
31.(a)给鸽设计施加颜色刺激的刺激模式，并记录鸽脑电信号；所述步骤(a)中刺激模式是：在灰色背景下颜色中心点刺激和颜色背景下灰色中心点刺激，给鸽施加颜色刺激后，记录给刺激和撤刺激时鸽脑神经元信号；刺激点是位于鸽的感受野内；颜色分别有红色、绿色和蓝色；颜色顺序随机打乱，两帧间加一帧灰屏，6帧刺激，每帧重复60次，每帧持续30帧，共21630帧；记录3组数据，刺激帧大小为16*16个像素值，屏幕刷新率为100hz。
32.(b)对记录的鸽脑电信号进行pca降维；所述步骤(b)中的pca降维是指对记录的鸽脑电信号进行主成分分析，降低神经元spike发放序列的维度。
33.(c)提取鸽的外纹体区神经元对不同颜色刺激模式下的spike发放率，选择合适的神经元通道；所述步骤(c)中鸽的脑外纹体区有两个深度，电极阵列植入的深度为4500um和5000um，共记录了64个神经元信号，选择两个深度中通道4和通道23的神经元信号；通道4和通道23在电极植入同一深度情况下的给刺激和撤刺激时神经元spike发放图，如图2和图3所示。
34.(d)根据提取的鸽的神经元spike发放率特征构建lstm预测模型；为预测模型训练过程中loss曲线，所述loss曲线图如图4所示；预测模型参数设置，输入维度：[30，37]，输出维度[30，1]，结构设置为：输入层，长短时记忆层包括300层隐藏层，两层全连接层，dropout层预测模型和输出层。
[0035]
(e)对所构建的lstm预测模型参数进行优化,并得到网络特征参数；所述步骤(e)的优化包括：计算所述预测模型的输入输出特征维度、隐藏层层数、网络结构和网络训练结构参数。
[0036]
(f)由优化得到的网络特征参数预测鸽的神经元spike发放率。
[0037]
(g)利用相关性分析评价预测模型性能；所述步骤(g)中对预测结果与真实神经元spike发放序列进行相关性分析，从而评价预测模型的性能。
[0038]
根据上述分析结果，所构建的lstm神经元信号spike发放率预测模型预测结果的正确率达66.96％，如表1所示。
[0039]
表1预测模型结果
[0040][0041]
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。