27、基于粒子群优化训练的尖峰神经网络与矿物岩石图像识别方法

基于粒子群优化训练的尖峰神经网络与矿物岩石图像识别方法

脑电信号处理与尖峰神经网络部分

在脑机接口（BCI）研究中，对运动想象（MI）相关的脑电（EEG）信号进行处理和分类是一个重要的课题。下面将详细介绍基于粒子群优化（PSO）训练的尖峰神经网络（SNN）在EEG信号处理与MI分类中的应用。

预处理与特征提取

为了保留与MI相关的频带信息，每个EEG通道都使用30阶有限长单位冲激响应（FIR）滤波器进行8 - 30 Hz的带通滤波。通过小波变换（WT）提取每个EEG通道的时频（TF）信息，具体是将每个通道与复Morlet小波进行卷积。所使用的小波族由比率6（f/rf）定义，f的范围从8 Hz到30 Hz，分辨率为0.5 Hz。EEG信号的预处理和处理使用免费的Matlab®工具包Fieldtrip完成。应用WT后，在8 - 30 Hz范围内提取了11个分辨率为2 Hz的子带，并从MI任务开始后的0.5 - 2.5 s时间间隔内提取时频功率。最后对时频功率进行平均，使每个通道的信息包含在一个250元素的向量中，这样就为每个EEG通道提取了时频信息。

尖峰神经元模型

选择Izhikevich（IZ）描述的尖峰神经元模型用于SNN。该模型具有良好的生物现实性和较低的计算成本，由两个微分方程组成。使用欧拉方法求解该模型，并设置其参数以重现规则放电神经元的行为。

自动选择EEG通道的算法

算法基于从每个EEG通道提取的特征向量，这些向量包含IZ模型的模拟输入电流。采用速率编码方案量化每个IZ模型的输出，对每个受试者的所有试验和EEG通道重复此过程，生成一个二维矩阵，其中行数根据训练使用的试验次数计算