《神經信息編碼中的魯棒性特徵子集選擇研究》是依託鄭州大學，由尚志剛擔任項目負責人的聯合基金項目。
基本介紹
- 中文名：神經信息編碼中的魯棒性特徵子集選擇研究
- 項目類別：聯合基金項目
- 項目負責人：尚志剛
- 依託單位：鄭州大學
項目摘要,結題摘要,
項目摘要
從神經電生理信號中提取和選擇具有分類魯棒性的特徵，對於深入理解神經信息編碼機制和準確解碼具有重要價值。本研究目的：針對從原始檢測神經電信號中提取的大量特徵，基於樣本數據集的局部統計結構分析，從高維特徵空間中選擇出具有良好分類和強泛化能力的魯棒性特徵子集。研究內容包括：（1）分析基於距離、信息熵、相關性、一致性等不同測度特徵選擇結果的分類魯棒性和準確性差異，明確不同測度在特徵選擇方面的聯繫與差異；（2）研究樣本分布局部統計結構分析方法，挖掘高維特徵數據集是否內蘊流形結構信息；（3）基於流形學習獲得的特徵關係，建立具有最大分類間隔期望的評價函式，構建並完善控制參數自適應、嵌入樣本數據集局部統計結構信息的最佳化算法選擇魯棒性特徵子集，利用國際通用特徵選擇數據集進行特徵選擇效果評價；（4）開展利用大鼠視皮層微電極陣列檢測神經信號分類識別不同視覺刺激的動物實驗，完成研究方案的實驗評估。
結題摘要
本項目針對神經信息編碼研究中如何從大量特徵中篩選出具有良好分類和強泛化能力的魯棒性特徵子集這一問題開展了深入研究。（1）結合大量國際通用特徵選擇數據集和動物實驗神經信號數據,完成了多種數據集統計結構分析和多種類可分性測度分析, 發現神經系統進行信息編碼時，偏向於使用魯棒性高的特徵子集而非依賴特定條件下的分類準確度高的特徵，冗餘性在保證特徵子集的魯棒性中起到了關鍵作用；（2）在解析各特徵之間相互作用關係的基礎上，形成了基於流形學習來識別魯棒性特徵子集的研究思路，發現特徵子集的魯棒性取決於各特徵之間是否具有穩定的結構關係，而並非特徵的分類能力；（3）開展了特徵選擇多目標最佳化算法研究，提出了一種在流形學習空間中分類間隔最大、同時特徵個數最少的特徵選擇方法，建立了基於動態約束機制的多目標最佳化差分進化算法用於特徵選擇，在算法中將常見的二值編碼特徵選擇最佳化問題轉換為基於特徵作用權重的實數編碼最佳化問題，控制參數自適應，提高了特徵選擇的柔性；（4）針對流形學習效果對神經信號噪聲和小樣本敏感問題，提出了基於局部鄰域結構分析的樣本篩選與偏最小二乘特徵選擇方法，為高維小樣本的神經信息特徵選擇提供了一種有效的預處理方法；（5）項目組自主研製出清醒大/小鼠視覺目標主動關注訓練系統、家鴿運動導向行為迷宮等動物行為學設備，檢測獲得了不同感知/運動條件下的動物神經信號，將所獲得的研究思路與特徵選擇方法套用於大鼠、鴿子等多種動物的視覺神經信息編碼機制研究、運動轉向行為神經信息解碼研究、醫學圖像紋理特徵分析分類等不同套用領域，套用結果表明該方法能夠有效篩選出分類效果穩定、泛化能力強的特徵子集，在神經信息編碼機制研究、特徵選擇套用中可發揮重要作用。（6）項目研究期間，發表相關期刊論文21篇,會議論文9篇，其中SCI收錄6篇，EI收錄7篇，中文核心收錄12篇，完成申請研究計畫任務，實現了既定研究目標。
