基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法研究

脑机接口是脑与外界不通过神经或肌肉建立的交流通路,脑电解码通过归类脑电特征解读输出大脑意图,是影响性能的关键之一。由于脑电信号存在非平稳特性,即使在同一实验过程中脑电信号的特征也会随时间发生变化,导致事先训练好的解码模型精度常常会随时间逐渐降低,不利于脑机接口的长期稳定运行。本研究提出基于K-L散度和深度聚类的自适应EEGNet-T分布解码算法,根据脑电特征变化前后T分布的K-L散度评估脑电的非平稳性并构建基于平稳性差值的目标函数,并以此目标函数调整EEGNet网络参数通过改变非线性映射的方式缩小平稳性差值,从而动态调整融合深度网络与聚类的EEGNet-T分布模型,实现对非平稳脑电的自适应解码。10名被试参与了视觉-听觉的脑机接口实验,并进行较长时间的脑电解码预测。与传统算法相比,本算法在连续128个试次组的任务中获得最高的平均准确率87.85%(p<0.05),并且在前半段实验和后半段实验对比中表现出最强的稳定性,表明该算法能够通过深度网络调整数据特征分布更好地适应脑电信号特征变化,具有更强的解码稳定性,能够保证脑机接口长时间工作的解码精度,为脑机接口实用化提供基础。

基于生物突触可塑性的仿生分层脉冲神经网络事件相机对象识别系统

脉冲神经网络(SNNs)以稀疏脉冲时间编码、异步事件驱动的方式天然地适合处理事件相机输出的事件流数据。为了提高现有的仿生分层脉冲神经网络对事件相机对象的特征提取和分类性能,本文提出一种基于生物突触可塑性的仿生分层脉冲神经网络事件相机对象识别系统。该系统首先基于脉冲神经元电位对原始事件流进行自适应分割以提高系统计算效率,然后使用基于生物突触可塑性的仿生分层脉冲神经网络对事件流数据进行多层的时空特征提取并分类。在基于Gabor滤波器的事件驱动卷积层提取初级视觉特征之后,网络使用基于无监督脉冲时间依赖突触可塑性(STDP)规则的特征层提取频繁出现的显著特征,以及基于奖励调节STDP规则的特征层学习诊断性特征。本文提出的网络在四个基准事件流数据集上的分类精度均优于现有的仿生分层脉冲神经网络,并且本文方法对于较短的事件流输入数据也有很好的分类能力,对输入事件流噪声也具有较强的鲁棒性。综上,本文提出的网络能够提高该类网络对事件相机对象的特征提取和分类性能。