1. 公开数据集中文版详细描述参考前文：https://editor.csdn.net/md/?not_checkout=1&spm=1011.2124.3001.6192
2. 神经元Spike信号分析参考前文：https://blog.csdn.net/qq_43811536/article/details/134359566?spm=1001.2014.3001.5501
3. 神经元运动调制分析参考前文：https://blog.csdn.net/qq_43811536/article/details/134401004?spm=1001.2014.3001.5501
4. 离散卡尔曼滤波器算法详解及重要参数(Q、R、P)基于公开数据集解码的讨论参考前文：https://blog.csdn.net/qq_43811536/article/details/134403022?spm=1001.2014.3001.5501

0. 公开数据集

• 网址：Nonhuman Primate Reaching with Multichannel Sensorimotor Cortex Electrophysiology ¹
• Session：
  • " indy_20170124_01 "

1. 运动参数对解码结果的影响

从 公开数据集中文版详细描述 以及其 神经元Spike信号分析 中我们知道：猕猴的感觉运动皮层对运动的调制主要有六个参数——二维平面中x和y方向上的位移、速度和加速度。这六个参数也是我们在运动解码中感兴趣的部分。

1.1 基于Spike的运动解码

首先，什么是基于Spike的运动解码？运动解码到底是想做什么？

为了回答这个问题，让我们再次回顾 公开数据集中文版详细描述 一文，已知的数据是猕猴控制光标（cursor）追逐目标（target）时光标和猕猴手指（finger）的运动轨迹以及同步记录下来的颅内脑电信号。

• 运动轨迹：这部分数据是250Hz采样率的时间点和当前时刻的cursor和finger所在的位置，前者为二维数据，后者是三维数据（z方向固定），所以用任何一部分位置数据均可。
• 颅内脑电：颅内记录的是同等采样率下不同神经元Spike发放的时间点，即已经sort好的Spike数据（很友好，不需要我们再动手sort）。

既然二者数据是在时间上一一对应的，那么最直观的运动解码旨在希望仅通过记录的颅内脑电信号即可得到精确的运动轨迹，也就类似于我们常说的“读心术”。

那么运动解码最重要且必要的实际意义就在于：恢复神经功能尚且完好的瘫痪患者的运动能力。

1.2 特征提取

基于 神经元Spike信号分析 一文，我们主要将Spike特征和运动特征定义如下：

• Spike特征：spike_feat = [time_bins, n_neuron]。时间箱的大小可以根据实际解码意义和结果进行选取，我这里取100ms；神经元个数取符合发放率（比如大于1Hz）的即可。
• 运动特征：motion_feat = [time_bins, n_motion]。时间箱同上，运动参数即二维平面中x和y方向上的位移、速度和加速度。

1.3 解码算法

我们这里就以 离散卡尔曼滤波器算法详解及重要参数(Q、R、P)的讨论 中的卡尔曼滤波器作为解码算法。

1.3 不同运动参数的影响

我们分别讨论了以下几种情况的运动参数对最终解码结果的影响：

• 只有位置/速度/加速度;
• 同时使用位置、速度;
• 同时使用位置、加速度；
• 同时使用速度、加速度；
• 全部考虑，即同时使用位置、速度、加速度。

在合适的Q、R、P初始值设置下（参考 重要参数(Q、R、P)的讨论 一文），我们使用卡尔曼滤波器分别对上述几种情况进行解码评估，使用十折交叉验证。我们对7种情况的解码结果的运动参数（特征）维度进行平均，然后对十折实验结果绘制了箱型图，如 Figure 1 所示：

Figure 1 的横轴分别为7种运动参数情况，纵轴为Pearson相关性。可以看到加速度对解码结果的贡献最大，仅加速度特征存在时就可以达到0.4以上的解码相关性，这和预期是一致的：因为加速度是通过位置数据的二阶差分得到，包含了最丰富的信息。而仅速度存在的情况下解码相关性最低，甚至低于仅有位置特征的情况，这与我们的预期相反，理论上速度特征包含了部分位置特征信息，预期应该介于位置和加速度解码性能之间，我们认为可能的原因是速度作为一种关键特征只有和其他特征同时存在时才能最大化预测效果，仅速度特征的解码性能最低无法说明速度不重要，因为这无法解释速度+加速度大于位置+加速度的结果，这反而说明速度应该是一个极为核心的参数，但可能无法单独发挥作用。