利用神经元活动信息解码动物运动轨迹是神经科学研究的前沿课题之一,对于解析大脑信息处理机制、脑机接口等都有着十分重要的意义。在运动轨迹解码中,建立位置编解码模型是其中一个重要的研究内容。然而,由于神经系统的复杂性和神经活动的非平稳、非线性特性,使得解码动物运动轨迹成为神经科学中最棘手的问题之一,因此如何建立位置编码模型和运用解码算法依然是目前运动轨迹解码的核心和关键。本文根据大鼠海马区位置细胞的神经元响应特性,建立了大鼠运动轨迹的集群位置编码模型,主要研究了粒子滤波(Particle Filter,PF)在大鼠运动轨迹解码中的性能,并与扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)和无迹卡尔曼滤波算法算法(Unscented Kalman Filter,UKF)进行了对比。主要内容包括:(1)本文根据大鼠海马区位置细胞的发放特性,建立了针对单个位置细胞的位置编码模型,即位置细胞的位置野模型。为了解码大鼠运动轨迹,本文基于状态空间模型,又建立了针对多个位置细胞联合的集群位置编码模型。(2)本文通过仿真位置细胞的位置野,并结合仿真轨迹得到仿真位置细胞的锋电位仿真数据。实测数据来自纽约大学公共数据平台,并介绍了手术及训练过程,本文使用数学形态学滤波的方法从原始数据中检测锋电位,之后使用主成份分析法提取锋电位特征,最后使用K-均值聚类方法进行分类。(3)本文所建立的大鼠运动轨迹编码模型属于非线性模型,首先使用了传统的非线性滤波算法:EKF来解码大鼠运动轨迹,由于EKF直接将非线性函数经过泰勒级数展开后,进行线性化处理。再使用线性卡尔曼滤波进行解码,使得解码精度遇到瓶颈。针对该问题,本文又使用了UKF算法,采用对称Sigma点采样,使得解码精度有所提高。为了达到更高的解码精度,本文重点介绍了PF算法,PF算法以点过程估计为基础,利用粒子集表示系统状态,摆脱了解决非线性解码问题时随机量必须满足高斯分布的制约,更能体现神经信息解析连贯性的特点,提高了运动轨迹预测的准确性。(4)给出了解码精度的评价指标。通过仿真数据,并分别使用以上三种算法解码大鼠运动轨迹,以此证明解码算法的可行性。同时探讨了不同位置细胞个数对解码精度的影响。(5)针对实测数据,本文给出了如何从实测数据提取位置细胞发放的方法,并使用对应位置细胞的发放数据作为实测数据进行轨迹解码,并计算评价指标数据。结果表明:粒子滤波算法解码出的轨迹与真实轨迹之间的相关系数(0.92,0.94)与无迹卡尔曼滤波得出的相关系数(0.87,0.92)要显著高于扩展卡尔曼滤波的相关系数(0.71,0.75)。其中前值为x轴的相关系数,后值为y轴的相关系数。且粒子滤波的相关系数略高于无迹卡尔曼滤波。粒子滤波算法解码出的轨迹与真实轨迹之间的均方误差(1.98,1.64)要显著低于与无迹卡尔曼滤波的(3.16,2.25)与扩展卡尔曼滤波的(4.51,3.93)。并且达到相同的解码精度需要的位置细胞个数更少。