[发明专利]一种基于卷积神经网络的视网膜神经元编码方法

说明书

本发明公开了一种基于卷积神经网络的视网膜神经元编码方法，包括如下步骤：S1，获取神经节细胞刺激数据及其对应的响应数据；S2，构建CNN模型进行训练，包括如下步骤：S21，神经节细胞刺激数据输入第一层卷积层；S22，第一层卷积层的输出输入第二卷积层；S23，第二层卷积层的输出输入全连接层；S24，将输出与响应数据进行比较，优化CNN模型的输出；S3，通过训练好的CNN模型，预测神经节细胞的响应数据；选用CNN模型是因为其具有强大的非线性计算能力，通过实验，当CNN模型的卷积层为2时，效果最好，在全连接层中只有一个输出神经元，信息通过激活函数进行矫正。

技术领域

本发明涉及神经网络的视觉编码技术领域，尤其是涉及了一种基于卷积神经网络实现的视网膜单个神经节细胞的编码技术。

背景技术

视觉功能是人类大脑中极为重要的一个功能，我们每天获得的信息70％来自于视觉。理解视觉系统的工作机理对神经科学、机器视觉都有着重要的意义。作为视觉系统的输入，理解视网膜的工作机理是理解视觉系统工作机理的基础。丰富的动态视觉刺激通过视网膜多层神经网络的计算组件在神经系统内编码，并在神经节细胞(GC，ganglion cell)后诱发脉冲电信号。为此，发展了基于卷积神经网络CNN的视觉编码模型，但目前的编码模型对自然场景的编码能力表现不佳，且尚不清楚CNN在视觉系统中的神经网络中学到了什么。

发明内容

为解决现有技术的不足，实现精确预测视网膜对输入刺激的脉冲响应，推断双极细胞的感受野，提高迁移学习能力的目的，本发明采用如下的技术方案：

一种基于卷积神经网络的视网膜神经元编码方法，包括如下步骤：

S1，获取神经节细胞刺激数据及其对应的响应数据；

S2，构建CNN模型进行训练，包括如下步骤：

S21，神经节细胞刺激数据输入第一层卷积层，公式如下：

表示ReLU激活函数，conv表示卷积操作，S为神经节细胞刺激数据，W¹为第一层的卷积核，b¹为第一层的偏置，Y¹为第一层的输出；

S22，第一层卷积层的输出输入第二卷积层，公式如下：

W²为第二层的卷积核，b²为第二层的偏置，Y²为第二层的输出；

S23，第二层卷积层的输出输入全连接层，公式如下：

W³为连接权重，b³为偏置，为输出；

S24，将输出与脉冲响应数据进行比较，优化CNN模型的输出；

S3，通过训练好的CNN模型，预测神经节细胞的响应数据。

S4，通过训练好的CNN模型，根据习得的CNN第一层卷积核，推断神经节细胞上游连接的子单元的时空感受野。

选用CNN模型是因为其具有强大的非线性计算能力，通过实验，当CNN模型的卷积层为2时，效果最好，在全连接层中只有一个输出神经元，信息通过softplus激活函数进行矫正。

所述S24，通过泊松损失函数进行比较，使输出与脉冲响应数据Y逐渐匹配，泊松损失函数公式如下：

所述响应数据为脉冲响应数据，输出为发放率，通过泊松生成器进行泊松采样产生脉冲数据，将与脉冲响应数据进行比较，优化CNN模型的输出。