植入式脑机接口中神经元重要性评估及锋电位的高效解码
| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第18-36页 |
| 1.1 脑机接口简介 | 第18-20页 |
| 1.2 研究现状 | 第20-32页 |
| 1.2.1 植入式脑机接口系统 | 第20-23页 |
| 1.2.2 神经元重要性的评估 | 第23-25页 |
| 1.2.3 神经元锋电位的高效解码 | 第25-29页 |
| 1.2.4 神经元活动的时变性 | 第29-32页 |
| 1.3 研究内容与目标 | 第32-34页 |
| 1.4 论文结构安排 | 第34-36页 |
| 2 实验材料及方法 | 第36-50页 |
| 2.1 实验对象 | 第36页 |
| 2.2 实验平台 | 第36-37页 |
| 2.3 实验范式 | 第37-41页 |
| 2.3.1 抓握实验范式 | 第37-39页 |
| 2.3.2 摇杆实验范式 | 第39-41页 |
| 2.4 信号采集 | 第41-50页 |
| 2.4.1 动作电位的产生与记录 | 第41-42页 |
| 2.4.2 电极埋植手术 | 第42-44页 |
| 2.4.3 神经信号的采集和预处理 | 第44-50页 |
| 3 离散和连续任务的神经解码 | 第50-66页 |
| 3.1 离散任务的神经解码 | 第51-57页 |
| 3.1.1 K近邻算法 | 第51页 |
| 3.1.2 支持向量机 | 第51-56页 |
| 3.1.3 猴子不同抓握手势的解码 | 第56-57页 |
| 3.2 连续任务的神经解码 | 第57-64页 |
| 3.2.1 广义回归神经网络 | 第57-58页 |
| 3.2.2 卡尔曼滤波器 | 第58-61页 |
| 3.2.3 支持向量回归 | 第61-62页 |
| 3.2.4 猴子四方向运动轨迹的解码 | 第62-64页 |
| 3.3 本章小结 | 第64-66页 |
| 4 基于局部学习方法的神经元重要性评估 | 第66-84页 |
| 4.1 基于局部学习的评估方法 | 第67-70页 |
| 4.2 重要神经元的解码结果 | 第70-74页 |
| 4.3 重要神经元的发放模式分析 | 第74-75页 |
| 4.4 基于局部学习方法的性能分析 | 第75-81页 |
| 4.4.1 与其他方法的比较 | 第76-80页 |
| 4.4.2 算法收敛速度分析 | 第80-81页 |
| 4.5 神经元的时变性分析 | 第81-83页 |
| 4.6 本章小结 | 第83-84页 |
| 5 基于神经元生理特性的高效解码算法设计 | 第84-114页 |
| 5.1 序列蒙特卡罗方法概述 | 第86-89页 |
| 5.2 考虑神经元时空相关性的解码算法设计 | 第89-98页 |
| 5.2.1 基于点过程的调谐模型 | 第91-92页 |
| 5.2.2 调谐模型的评估方法 | 第92-93页 |
| 5.2.3 猴子二维平面随机运动轨迹的解码 | 第93-98页 |
| 5.3 考虑神经元时变特性的解码算法设计 | 第98-106页 |
| 5.3.1 辅助粒子滤波算法 | 第98-99页 |
| 5.3.2 参数变化点的检测 | 第99-100页 |
| 5.3.3 静态调谐参数的估计 | 第100页 |
| 5.3.4 仿真数据上的实验结果 | 第100-105页 |
| 5.3.5 真实数据上的初步结果 | 第105-106页 |
| 5.4 基于GPU的大规模并行化解码算法实现 | 第106-113页 |
| 5.5 本章小结 | 第113-114页 |
| 6 总结与展望 | 第114-120页 |
| 6.1 工作总结 | 第114-116页 |
| 6.2 本文创新点 | 第116-117页 |
| 6.3 未来展望 | 第117-120页 |
| 参考文献 | 第120-132页 |
| 发表文章目录 | 第132-133页 |
