神经信息编码中的鲁棒性特征子集选择研究

It is important and valuable to extract and select features with classification robustness from neural electrophysiology recoding signal for deeply understanding the mechanism of neural information encoding and correctly decoding it. This research aims to select the robust feature subset which has a good classify capability and better generalization capability from the high-dimensional feature space,based on analysising of local statistic structure of observation dataset, in which each feature is extracted from the raw neural electrical signal.The research content includes as follow:Firstly, in order to know the interaction and difference between different inter-feature metric including distance,information entropy,correlation and consistency ,the the feature selection results using them individually are compared to evaluate both classification robustness and correctness.Secondly,the method to analysis the local statistical structure information of observations distribution is studied to learn whether there are underlying low dimension manifold lie in the high dimension dataset. Furthermore, base on the manifold learning,the fitness funciton to optimize to get the maximum classification margin expection is created, so the optimization algorithm is stuied and improved, in which the control parameter is adaptive and the local statistical structure information of observations distribution is embeded.This method to select the robust feature subset is tested by the international popular feature selcetion test dataset.Finally, as the experimental evaluation, the neural electrical signal is recording by the implanted microelectrode array(MEA) in the rat’s visual cortex during the different visual stimulation,and the features are extracted and selected to distinguish the visual stimulation.

从神经电生理信号中提取和选择具有分类鲁棒性的特征，对于深入理解神经信息编码机制和准确解码具有重要价值。本研究目的：针对从原始检测神经电信号中提取的大量特征，基于样本数据集的局部统计结构分析，从高维特征空间中选择出具有良好分类和强泛化能力的鲁棒性特征子集。研究内容包括：（1）分析基于距离、信息熵、相关性、一致性等不同测度特征选择结果的分类鲁棒性和准确性差异，明确不同测度在特征选择方面的联系与差异；（2）研究样本分布局部统计结构分析方法，挖掘高维特征数据集是否内蕴流形结构信息；（3）基于流形学习获得的特征关系，建立具有最大分类间隔期望的评价函数，构建并完善控制参数自适应、嵌入样本数据集局部统计结构信息的优化算法选择鲁棒性特征子集，利用国际通用特征选择数据集进行特征选择效果评价；（4）开展利用大鼠视皮层微电极阵列检测神经信号分类识别不同视觉刺激的动物实验，完成研究方案的实验评估。

本项目针对神经信息编码研究中如何从大量特征中筛选出具有良好分类和强泛化能力的鲁棒性特征子集这一问题开展了深入研究。（1）结合大量国际通用特征选择数据集和动物实验神经信号数据,完成了多种数据集统计结构分析和多种类可分性测度分析, 发现神经系统进行信息编码时，偏向于使用鲁棒性高的特征子集而非依赖特定条件下的分类准确度高的特征，冗余性在保证特征子集的鲁棒性中起到了关键作用；（2）在解析各特征之间相互作用关系的基础上，形成了基于流形学习来识别鲁棒性特征子集的研究思路，发现特征子集的鲁棒性取决于各特征之间是否具有稳定的结构关系，而并非特征的分类能力；（3）开展了特征选择多目标优化算法研究，提出了一种在流形学习空间中分类间隔最大、同时特征个数最少的特征选择方法，建立了基于动态约束机制的多目标优化差分进化算法用于特征选择，在算法中将常见的二值编码特征选择优化问题转换为基于特征作用权重的实数编码优化问题，控制参数自适应，提高了特征选择的柔性；（4）针对流形学习效果对神经信号噪声和小样本敏感问题，提出了基于局部邻域结构分析的样本筛选与偏最小二乘特征选择方法，为高维小样本的神经信息特征选择提供了一种有效的预处理方法；（5）项目组自主研制出清醒大/小鼠视觉目标主动关注训练系统、家鸽运动导向行为迷宫等动物行为学设备，检测获得了不同感知/运动条件下的动物神经信号，将所获得的研究思路与特征选择方法应用于大鼠、鸽子等多种动物的视觉神经信息编码机制研究、运动转向行为神经信息解码研究、医学图像纹理特征分析分类等不同应用领域，应用结果表明该方法能够有效筛选出分类效果稳定、泛化能力强的特征子集，在神经信息编码机制研究、特征选择应用中可发挥重要作用。（6）项目研究期间，发表相关期刊论文21篇,会议论文9篇，其中SCI收录6篇，EI收录7篇，中文核心收录12篇，完成申请研究计划任务，实现了既定研究目标。

内容获取失败，请点击重试