1、腦機接口是一種實現(xiàn)大腦直接與外界環(huán)境進行溝通并進行控制的新技術(shù)。隨著多通道神經(jīng)元信號采集技術(shù)與計算機控制技術(shù)的日益成熟，從大腦皮層神經(jīng)元群體活動中提取運動信息的解碼算法是整個腦機接口系統(tǒng)實現(xiàn)腦信號與外界環(huán)境聯(lián)系的關(guān)鍵部分。本文針對腦運動神經(jīng)系統(tǒng)的建模與辨識問題，深入研究了從大腦運動皮層神經(jīng)元脈沖序列信號中提取關(guān)于生物具體運動行為信息的解碼算法。本文的實驗對象是猴子運動大腦皮層脈沖數(shù)據(jù)與它的肢體運動的姿態(tài)的建模關(guān)系，對大腦運動皮層神經(jīng)元脈

2、沖序列信號的建模的工作主要是集中在對采樣的各個方向運動的脈沖數(shù)據(jù)進行方向分類以及軌跡擬合。
　　 本文首先介紹了液體狀態(tài)機（Liquid State Machine，LSM）這種神經(jīng)網(wǎng)絡(luò)模型。
　　 液體狀態(tài)機是一種新型的回歸神經(jīng)網(wǎng)絡(luò)，采取的神經(jīng)元是Leaky-Integrate-and-Fire（LIF）模型神經(jīng)元。由于它能夠直接接受和處理脈沖，脈沖序列不再需要像頻率編碼的處理模式一樣轉(zhuǎn)變成頻率序列，使得以這種方式處理

3、能夠大幅度提高建模精度。
　　 實驗結(jié)果表明對于腦神經(jīng)脈沖序列的處理它是一種合適的計算模型。
　　 為了提高實驗的建模精度并且有效地避免液體狀態(tài)機在隨機生成時帶來的問題，本文還用粒子群算法對液體狀態(tài)機的中間回路的連接權(quán)值進行優(yōu)化，以提高其分類能力，實驗結(jié)果證實，采用PSO 優(yōu)化后的LSM的分類能力有了大幅度提高。
　　 最后針對本文中問題的獨特性，本文提出了改進型的液體狀態(tài)機并且應(yīng)用它來對本文的實驗數(shù)據(jù)進行分類與