CN112472108B - 神经元放电尖峰信号挑拣方法、装置和计算机设备 - Google Patents

神经元放电尖峰信号挑拣方法、装置和计算机设备 Download PDF

Info

Publication number
CN112472108B
CN112472108B CN202110157269.0A CN202110157269A CN112472108B CN 112472108 B CN112472108 B CN 112472108B CN 202110157269 A CN202110157269 A CN 202110157269A CN 112472108 B CN112472108 B CN 112472108B
Authority
CN
China
Prior art keywords
signal
peak value
energy
discharge
picking
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110157269.0A
Other languages
English (en)
Other versions
CN112472108A (zh
Inventor
吴正平
魏欢
熊灵艺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Greathink Medical Technology Co ltd
Original Assignee
Nanjing Greathink Medical Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Greathink Medical Technology Co ltd filed Critical Nanjing Greathink Medical Technology Co ltd
Priority to CN202110157269.0A priority Critical patent/CN112472108B/zh
Publication of CN112472108A publication Critical patent/CN112472108A/zh
Application granted granted Critical
Publication of CN112472108B publication Critical patent/CN112472108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本申请涉及一种神经元放电尖峰信号挑拣方法、装置、计算机设备和存储介质。该方法包括：对待挑拣神经元放电信号进行预处理，获得连续滤波放电信号；对所述连续滤波放电信号进行能量计算，获得连续能量信号；将所述连续能量信号进行峰值统计，确定能量峰值；根据所述连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值；通过所述挑拣阈值构建的初步峰值提取模型对所述能量峰值进行筛选，获得初步峰值；根据所述初步峰值对所述连续滤波放电信号中的信号段进行提取，获得放电信号段；根据所述挑拣阈值对所述放电信号段进行分析，确定神经元放电尖峰信号。通过该方法使得挑拣神经元放电尖峰信号的鲁棒性更强，也提高了挑拣结果的准确率。

Description

神经元放电尖峰信号挑拣方法、装置和计算机设备
技术领域
本申请涉及数字信号处理技术领域，特别是涉及一种神经元放电尖峰信号挑拣方法、装置、计算机设备和存储介质。
背景技术
在神经信号采集时，使用高采样率的方式记录神经元周围的连续信号，而神经元放电尖峰信号（Spike）为一个短暂的放电过程，持续1ms左右。为了将此短时间段信号提取出来，常使用的方法为观察信号，设置一个阈值，通过将超过阈值的这段信号挑选出来，当作一个神经元的放电过程。
这种方法需要人去观测信号阈值，增加了工作量，并且由于阈值是人为规定的，增加了信号提取的不稳定性；并且这种方法只可以将幅度较大的神经放电尖峰信号挑拣出来，而一些幅度较小的尖峰信号将在这种方法中被忽略掉，造成神经信号统计上的误差。
因此，目前的神经放电尖峰信号挑拣方法挑拣的神经元放电尖峰信号的准确率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高挑拣神经元放电尖峰信号的准确率的神经元放电尖峰信号挑拣方法、装置、计算机设备和存储介质。
一种神经元放电尖峰信号挑拣方法，所述方法包括：
对待挑拣神经元放电信号进行预处理，获得连续滤波放电信号；
对所述连续滤波放电信号进行能量计算，获得连续能量信号；
将所述连续能量信号进行峰值统计，确定能量峰值；
根据所述连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值；
通过所述挑拣阈值构建的初步峰值提取模型对所述能量峰值进行筛选，获得初步峰值；
根据所述初步峰值对所述连续滤波放电信号中的信号段进行提取，获得放电信号段；
根据所述挑拣阈值对所述放电信号段进行分析，确定神经元放电尖峰信号。
在其中一个实施例中，所述能量计算的公式为：
Figure 911068DEST_PATH_IMAGE001
其中，
Figure 795585DEST_PATH_IMAGE002
为连续能量信号，
Figure 778585DEST_PATH_IMAGE003
为连续滤波放电信号。
在其中一个实施例中，所述根据所述连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值的步骤，包括：
根据所述连续能量信号建立卡方分布的累积分布函数；
对所述累积分布函数进行二阶差分，确定所述累积分布函数的离群临界值；
将所述离群临界值作为挑拣阈值。
在其中一个实施例中，所述累积分布函数为：
Figure 439373DEST_PATH_IMAGE004
其中，
Figure 722587DEST_PATH_IMAGE005
表示累积分布函数，
Figure 748312DEST_PATH_IMAGE006
表示连续能量信号，
Figure 484187DEST_PATH_IMAGE007
表示连续能量 信号的信号长度，
Figure 948666DEST_PATH_IMAGE008
表示累积分布函数的离群临界值，
Figure 820807DEST_PATH_IMAGE009
表示自然底数，
Figure 79750DEST_PATH_IMAGE010
是伽马分布。
在其中一个实施例中，所述通过所述挑拣阈值构建的初步峰值提取模型对所述能量峰值进行筛选，获得初步峰值的步骤，包括：
对所述能量峰值进行极大值提取，获得极大值点；
通过所述挑拣阈值构建的初步峰值提取模型，将所述极大值点与所述挑拣阈值对比，确定初步峰值。
在其中一个实施例中，所述根据所述初步峰值对所述连续滤波放电信号中的信号段进行提取，获得放电信号段的步骤，包括：
根据所述初步峰值对应时间点，确定与所述初步峰值相邻的前后各1个能量峰值；
将与所述初步峰值相邻的前后各1个能量峰值之间的时间点，确定为放电段的时间节点；
根据所述放电段的时间节点，确定所述放电段在所述连续滤波放电信号上的放电信号段。
在其中一个实施例中，所述根据所述挑拣阈值对所述放电信号段进行分析，确定神经元放电尖峰信号的步骤，包括：
根据所述放电信号段中的最大峰值和最小峰值，确定所述放电信号段的幅值；
将所述放电信号段的幅值与所述挑拣阈值的2倍进行比较，确定出幅值大于所述挑拣阈值的2倍的放电信号段作为神经元放电尖峰信号。
一种神经元放电尖峰信号挑拣装置，所述装置包括：
预处理模块，用于对待挑拣神经元放电信号进行预处理，获得连续滤波放电信号；
能量计算模块，用于对所述连续滤波放电信号进行能量计算，获得连续能量信号；
峰值统计模块，用于将所述连续能量信号进行峰值统计，确定能量峰值；
阈值确定模块，用于根据所述连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值；
筛选模块，用于通过所述挑拣阈值构建的初步峰值提取模型对所述能量峰值进行筛选，获得初步峰值；
信号段提取模块，用于根据所述初步峰值对所述连续滤波放电信号中的信号段进行提取，获得放电信号段；
尖峰信号确定模块，用于根据所述挑拣阈值对所述放电信号段进行分析，确定神经元放电尖峰信号。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。
上述神经元放电尖峰信号挑拣方法、装置、计算机设备和存储介质，通过对待挑拣神经元放电信号进行预处理，获得连续滤波放电信号，对所述连续滤波放电信号进行能量计算，获得连续能量信号，增加了滤波后的连续滤波放电信号中神经元放电过程中的尖峰信号与不放电过程信号的差异；进一步通过将所述连续能量信号进行峰值统计，确定能量峰值；根据所述连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值，可以使神经元放电信号的挑拣更准确，通过所述挑拣阈值构建的初步峰值提取模型对所述能量峰值进行筛选，获得初步峰值；根据所述初步峰值对所述连续滤波放电信号中的信号段进行提取，获得放电信号段；根据所述挑拣阈值对所述放电信号段进行分析，确定神经元放电尖峰信号，使得挑拣出的神经元放电尖峰信号的方法鲁棒性更强，提高了挑拣神经元放电尖峰信号的准确率。
附图说明
图1为一个实施例中神经元放电尖峰信号挑拣方法的流程示意图；
图2为滤波后的连续放电信号的示意图；
图3为累积分布函数的函数拐点的示意图；
图4为神经元放电尖峰信号挑拣示意图；
图5为一个实施例中神经元放电尖峰信号挑拣装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种神经元放电尖峰信号挑拣方法，包括以下步骤：
步骤S220，对待挑拣神经元放电信号进行预处理，获得连续滤波放电信号。
其中，待挑拣神经元放电信号是神经元放电信号采集设备在一段时间内连续采集到的连续的原始神经元放电信号。预处理包括升采样和滤波处理，神经元放电尖峰信号的频带范围为300 Hz ~6000Hz，所以需要将原始神经元放电信号升采样至30Ksps以上，才能让挑拣到的持续时间为1ms的神经元放电信号有足够多的点；将升采样后的放电信号进行滤波处理，滤掉放电信号中的低频局部场电位。连续滤波放电信号是进行滤波后的连续放电信号，如图2所示的滤波后的连续放电信号的示意图。
在一个实施例中，对待挑拣神经元放电信号进行预处理，获得连续滤波放电信号的步骤，包括：对待挑拣神经元放电信号进行升采样处理，获得连续升采样放电信号；对连续升采样放电信号进行滤波处理，获得连续滤波放电信号。
在一个实施例中，对升采样放电信号进行滤波处理，获得滤波放电信号的步骤，包括：
根据小波包分解重构公式，利用db10小波基将升采样放电信号进行5层小波变换分解，获得分解后的信号；采取软阈值法对分解后的信号进行去噪，获得去噪后的信号；根据小波包分解重构公式，对去噪后的信号进行重构，获得滤波放电信号。
其中，小波包分解重构公式为：
Figure 302921DEST_PATH_IMAGE011
其中，
Figure 243195DEST_PATH_IMAGE012
为小波包分解重构函数，j为顶层小波包分解重构层数，k为底层小波 包分解重构层数，S为小波分解最大层数，Z为整数，q为被分解重构的放电信号的信号自由 度，
Figure 32160DEST_PATH_IMAGE013
为重构系数，t是被分解重构的放电信号，
Figure 423521DEST_PATH_IMAGE014
为基函数确定的小波包。
在一个实施例中，使用的基函数是db10小波基。j和k的值根据分解或重构的层数 确定，本实施例中是
Figure 868409DEST_PATH_IMAGE015
。根据基函数，确定建立尺度函数和小波函数，根据尺度函 数和小波函数确定小波包
Figure 409112DEST_PATH_IMAGE014
，如下表达式：
Figure 255845DEST_PATH_IMAGE016
其中，
Figure 59853DEST_PATH_IMAGE014
为db10基函数确定的小波包，根据信号自由度的奇偶性不同，将自由度 为偶数的函数
Figure 54354DEST_PATH_IMAGE017
定义为尺度函数，自由度为奇数的
Figure 336431DEST_PATH_IMAGE018
定义为小波函数，
Figure 99987DEST_PATH_IMAGE019
为尺 度函数的滤波器函数，
Figure 340476DEST_PATH_IMAGE020
为小波函数的滤波器函数。
步骤S240，对连续滤波放电信号进行能量计算，获得连续能量信号。
其中，对连续滤波放电信号进行能量计算是对连续滤波放电信号中的每一个时间点上的信号进行能量计算，能量计算的公式为：
Figure 494377DEST_PATH_IMAGE021
其中，
Figure 642461DEST_PATH_IMAGE022
为连续能量信号，
Figure 463787DEST_PATH_IMAGE023
为连续滤波放电信号，
Figure 108132DEST_PATH_IMAGE024
表示信号的时间点。
使用能量计算的方式，对连续滤波放电信号求平方，这种做法扩大了信号波动的差异程度，并且可以同时检测出连续滤波放电信号的峰值和谷值，降低了算法复杂度，提高了计算效率。
步骤S260，将连续能量信号进行峰值统计，确定能量峰值。
其中，峰值统计是找出连续能量信号中的峰值点。能量峰值包括连续能量信号中的所有峰值点对应能量信号的值。
步骤S280，根据连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值。
其中，由于连续滤波放电信号符合正态分布特性，又因为连续能量信号为连续滤波放电信号的平方项关系，因此连续能量信号的数据符合卡方分布特性，以峰值的最小值与最大值为自变量的定义域，能量峰值为自变量，峰值发生的累积概率为因变量，建立卡方分布的累积分布函数。对连续滤波放电信号提取峰值数据后，其峰值的分布也呈现正态分布特性，所以采用了与正态分布相关的函数确定挑拣阈值。
在一个实施例中，根据连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值的步骤，包括：
根据连续能量信号建立卡方分布的累积分布函数；对累积分布函数进行二阶差分，确定累积分布函数的离群临界值；将离群临界值作为挑拣阈值。
其中，累积分布函数为：
Figure 811646DEST_PATH_IMAGE025
其中，
Figure 435526DEST_PATH_IMAGE026
表示累积分布函数，
Figure 376937DEST_PATH_IMAGE027
表示连续能量信号，
Figure 755966DEST_PATH_IMAGE028
表示信号的时 间点，
Figure 150038DEST_PATH_IMAGE029
表示累积分布函数的离群临界值，
Figure 577608DEST_PATH_IMAGE030
表示自然底数，
Figure 904684DEST_PATH_IMAGE031
是伽马分布。
因为在滤波后的高频信号中，神经元放电过程中的尖峰信号相对于不放电的过 程，在统计学上属于低频率出现的信号，又因为神经元放电尖峰信号幅值较高，因此挑拣阈 值为卡方分布的累积分布函数中的离群临界值，可以对卡方分布的累积分布函数进行二阶 差分，找出如图3所示的函数拐点，函数拐点对应能量信号的值即为离群临界值，记为
Figure 392297DEST_PATH_IMAGE032
，时间点
Figure 273666DEST_PATH_IMAGE033
为函数拐点，即：在实际操作中对
Figure 567244DEST_PATH_IMAGE034
做二阶 差分，若
Figure 952089DEST_PATH_IMAGE035
其中，根据实际数据的情况可以看出，由于数据呈指数分布模式，因此采取对时间 点
Figure 407341DEST_PATH_IMAGE036
的能量信号的值求对数的方法，降低数据的离散程度后，再寻找拐点。当前时间点为
Figure 274540DEST_PATH_IMAGE033
，
Figure 43913DEST_PATH_IMAGE037
是以当前时间点的能量信号对数值作为自变量，对应当前时 间点的累积分布函数值作为因变量的二阶差分结果，
Figure 611161DEST_PATH_IMAGE038
是以 当前时间点的下一个时间点的能量信号对数值作为自变量，对应当前时间点的累积分布函 数值作为因变量的二阶差分结果。
当累积贡献函数达到函数拐点时（在检测时也可根据实际情况进行调整），认为该函数拐点的能量信号的值为连续能量信号的离群临界值，能量信号的值大于该离群临界值的能量信号对应的放电信号可能属于神经元放电尖峰信号。
步骤S300，通过挑拣阈值构建的初步峰值提取模型对能量峰值进行筛选，获得初步峰值。
在一个实施例中，通过挑拣阈值构建的初步峰值提取模型对能量峰值进行筛选，获得初步峰值的步骤，包括：
对能量峰值进行极大值提取，获得极大值点；通过挑拣阈值构建的初步峰值提取模型，将极大值点与挑拣阈值对比，确定初步峰值。
其中，极大值点是根据能量峰值形成的波形中提取出的峰值（即极大值）对应的时 间点，对于离散信号而言，若
Figure 440577DEST_PATH_IMAGE039
为第
Figure 30958DEST_PATH_IMAGE040
个时间点，若采用第
Figure 666339DEST_PATH_IMAGE040
个时间点的能量峰值与前后相 邻两个时间点的能量峰值进行差分，前一个时间点的能量峰值的差分大于零，后一个时间 点的能量峰值的差分小于0，则
Figure 760197DEST_PATH_IMAGE041
为极大值点，即第
Figure 26093DEST_PATH_IMAGE040
个时间点为能量峰值中极大 值对应的时间点，公式表示如下所示：
Figure 900508DEST_PATH_IMAGE042
其中，
Figure 277263DEST_PATH_IMAGE043
为第
Figure 553523DEST_PATH_IMAGE040
个时间点的能量峰值的差分结果，
Figure 990321DEST_PATH_IMAGE044
为第
Figure 788250DEST_PATH_IMAGE045
个时 间点的能量峰值的差分结果。
将所有的极大值点记为峰值
Figure 765434DEST_PATH_IMAGE046
，其中
Figure 833884DEST_PATH_IMAGE047
，
Figure 238320DEST_PATH_IMAGE048
是自然数，
Figure 290590DEST_PATH_IMAGE049
为第
Figure 743568DEST_PATH_IMAGE050
个时间点的能量峰值。
Figure 994421DEST_PATH_IMAGE051
其中，
Figure 773021DEST_PATH_IMAGE052
为空集，
Figure 47007DEST_PATH_IMAGE053
为初步峰值，
Figure 365993DEST_PATH_IMAGE054
为挑拣阈值，当峰值
Figure 409036DEST_PATH_IMAGE055
大于挑拣阈值
Figure 358537DEST_PATH_IMAGE056
时，保留该峰值点，否则舍弃。
步骤S320，根据初步峰值对连续滤波放电信号中的信号段进行提取，获得放电信号段。
在一个实施例中，根据初步峰值对连续滤波放电信号中的信号段进行提取，获得放电信号段的步骤，包括：
根据初步峰值对应时间点，确定与初步峰值相邻的前后各1个能量峰值；将与初步峰值相邻的前后各1个能量峰值之间的时间点，确定为放电段的时间节点；根据放电段的时间节点，确定放电段在连续滤波放电信号上的放电信号段。
其中，根据初步峰值对应时间点，确定与初步峰值相邻的前后各1个能量峰值；记 录与初步峰值
Figure 916557DEST_PATH_IMAGE057
相邻的前后各1个能量峰值之间的时间点，确定为放电段的时间节点，记为
Figure 481312DEST_PATH_IMAGE058
；根据放电段的时间节点，确定放电段在连续滤波放电信号上的放电信号段，记为
Figure 441178DEST_PATH_IMAGE059
，其中，
Figure 561580DEST_PATH_IMAGE060
为放电信号段，
Figure 810159DEST_PATH_IMAGE061
为初步峰值的前1个能量 峰值的时间点，
Figure 470948DEST_PATH_IMAGE062
为初步峰值的后1个能量峰值的时间点，放电段的有多少段根据初步峰 值的个数确定，如：有2个初步峰值，则有2段放电段。连续能量信号的每一个时间点与连续 滤波放电信号的每一个时间点对应，每一个能量峰值对应了一个时间点，每一个初步峰值 对应了一个时间点，因此前后各1个能量峰值对应了两个时间点，该两个时间点之间的能量 信号作为放电段，放电段的开始时间点和结束时间点为放电段的时间节点，在连续滤波放 电信号上的该开始时间点和结束时间点之间的放电信号作为放电信号段。
步骤S340，根据挑拣阈值对放电信号段进行分析，确定神经元放电尖峰信号。
在一个实施例中，根据挑拣阈值对放电信号段进行分析，确定神经元放电尖峰信号的步骤，包括：
根据放电信号段中的最大峰值和最小峰值，确定放电信号段的幅值；将放电信号段的幅值与挑拣阈值的2倍进行比较，确定出幅值大于挑拣阈值的2倍的放电信号段作为神经元放电尖峰信号。
其中，根据放电信号段中的最大峰值和最小峰值，确定放电信号段的幅值，记为
Figure 223003DEST_PATH_IMAGE063
；求放电信号段中的最大峰值和最小峰值的差值，该差值即为该放电信号段的幅值， 即：
Figure 576624DEST_PATH_IMAGE064
，
Figure 312499DEST_PATH_IMAGE065
为放电信号段中的 最大峰值，
Figure 714661DEST_PATH_IMAGE066
为放电信号段中的最小峰值，将放电信号段的幅值与挑拣阈 值的2倍进行比较，确定出幅值大于挑拣阈值的2倍的放电信号段作为神经元放电尖峰信 号，神经元放电尖峰信号公式如下所示：
Figure 586802DEST_PATH_IMAGE067
其中，
Figure 111324DEST_PATH_IMAGE068
为神经元放电尖峰信号。如图4所示，放电信号段的幅值大于挑拣阈 值的2倍，保留为神经元放电尖峰信号，放电信号段的幅值小于等于挑拣阈值的2倍，不属于 神经元放电尖峰信号，则舍弃该放电信号段，最终挑拣出来的神经元放电尖峰信号是幅值 大于挑拣阈值的2倍的放电信号段。
上述神经元放电尖峰信号挑拣方法，通过对待挑拣神经元放电信号进行预处理，获得连续滤波放电信号，对连续滤波放电信号进行能量计算，获得连续能量信号，增加了滤波后的连续滤波放电信号中神经元放电过程与不放电的过程的差距；进一步通过将连续能量信号进行峰值统计，确定能量峰值；根据连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值，可以使神经元放电信号的挑拣更准确，通过挑拣阈值构建的初步峰值提取模型对能量峰值进行筛选，获得初步峰值；根据初步峰值对连续滤波放电信号中的信号段进行提取，获得放电信号段；根据挑拣阈值对放电信号段进行分析，使得挑拣神经元放电尖峰信号的方法鲁棒性更强，使得挑拣神经元放电尖峰信号的准确率更高。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种神经元放电尖峰信号挑拣装置，包括：预处理模块310、能量计算模块320、峰值统计模块330、阈值确定模块340、筛选模块350、信号段提取模块360和尖峰信号确定模块370。
预处理模块310，用于对待挑拣神经元放电信号进行预处理，获得连续滤波放电信号；
能量计算模块320，用于对连续滤波放电信号进行能量计算，获得连续能量信号；
峰值统计模块330，用于将连续能量信号进行峰值统计，确定能量峰值；
阈值确定模块340，用于根据连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值；
筛选模块350，用于通过挑拣阈值构建的初步峰值提取模型对能量峰值进行筛选，获得初步峰值；
信号段提取模块360，用于根据初步峰值对连续滤波放电信号中的信号段进行提取，获得放电信号段；
尖峰信号确定模块370，用于根据挑拣阈值对放电信号段进行分析，确定神经元放电尖峰信号。
在一个实施例中，能量计算模块320中的能量计算的公式为：
Figure 334495DEST_PATH_IMAGE069
其中，
Figure 773305DEST_PATH_IMAGE070
为连续能量信号，
Figure 172056DEST_PATH_IMAGE071
为连续滤波放电信号。
在一个实施例中，阈值确定模块340还用于：根据连续能量信号建立卡方分布的累积分布函数；对累积分布函数进行二阶差分，确定累积分布函数的离群临界值；将离群临界值作为挑拣阈值。
在一个实施例中，阈值确定模块340中的累积分布函数为：
Figure 867480DEST_PATH_IMAGE072
其中，
Figure 312367DEST_PATH_IMAGE073
表示累积分布函数，
Figure 56333DEST_PATH_IMAGE074
表示连续能量信号，
Figure 965383DEST_PATH_IMAGE075
表示信号的时 间点，y 0表示累积分布函数的离群临界值，
Figure 503811DEST_PATH_IMAGE076
表示自然底数，
Figure 200110DEST_PATH_IMAGE077
是伽马分布。
在一个实施例中，筛选模块350还用于：对能量峰值进行极大值提取，获得极大值点；通过挑拣阈值构建的初步峰值提取模型，将极大值点与挑拣阈值对比，确定初步峰值。
在一个实施例中，信号段提取模块360还用于：根据初步峰值对应时间点，确定与初步峰值相邻的前后各1个能量峰值；将与初步峰值相邻的前后各1个能量峰值之间的时间点，确定为放电段的时间节点；根据放电段的时间节点，确定放电段在连续滤波放电信号上的放电信号段。
在一个实施例中，尖峰信号确定模块370还用于：根据放电信号段中的最大峰值和最小峰值，确定放电信号段的幅值；将放电信号段的幅值与挑拣阈值的2倍进行比较，确定出幅值大于挑拣阈值的2倍的放电信号段作为神经元放电尖峰信号。
关于神经元放电尖峰信号挑拣装置的具体限定可以参见上文中对于神经元放电尖峰信号挑拣方法的限定，在此不再赘述。上述神经元放电尖峰信号挑拣装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的神经元放电尖峰信号挑拣方法的步骤。
在一个实施例中，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的神经元放电尖峰信号挑拣方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种神经元放电尖峰信号挑拣方法，其特征在于，所述方法包括：
对待挑拣神经元放电信号进行预处理，获得连续滤波放电信号；
对所述连续滤波放电信号进行能量计算，获得连续能量信号；
将所述连续能量信号进行峰值统计，确定能量峰值；
根据所述连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值；
通过所述挑拣阈值构建的初步峰值提取模型对所述能量峰值进行筛选，获得初步峰值；
根据所述初步峰值对所述连续滤波放电信号中的信号段进行提取，获得放电信号段；
根据所述挑拣阈值对所述放电信号段进行分析，确定神经元放电尖峰信号；
所述根据所述挑拣阈值对所述放电信号段进行分析，确定神经元放电尖峰信号的步骤，包括：
根据所述放电信号段中的最大峰值和最小峰值，确定所述放电信号段的幅值；
将所述放电信号段的幅值与所述挑拣阈值的2倍进行比较，确定出幅值大于所述挑拣阈值的2倍的放电信号段作为神经元放电尖峰信号。
2.根据权利要求1所述的方法，其特征在于，所述能量计算的公式为：
yE(n)＝|x(n)|2
其中，yE(n)为连续能量信号，x(n)为连续滤波放电信号。
3.根据权利要求1所述的方法，其特征在于，所述根据所述连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值的步骤，包括：
根据所述连续能量信号建立卡方分布的累积分布函数；
对所述累积分布函数进行二阶差分，确定所述累积分布函数的离群临界值；
将所述离群临界值作为挑拣阈值。
4.根据权利要求3所述的方法，其特征在于，所述累积分布函数为：
Figure FDA0002990902540000021
其中，chi2cdf(x,n)表示累积分布函数，x表示连续能量信号，n表示信号的时间点，y0表示累积分布函数的离群临界值，e表示自然底数，Γ是伽马分布。
5.根据权利要求1所述的方法，其特征在于，所述通过所述挑拣阈值构建的初步峰值提取模型对所述能量峰值进行筛选，获得初步峰值的步骤，包括：
对所述能量峰值进行极大值提取，获得极大值点；
通过所述挑拣阈值构建的初步峰值提取模型，将所述极大值点与所述挑拣阈值对比，确定初步峰值。
6.根据权利要求1所述的方法，其特征在于，所述根据所述初步峰值对所述连续滤波放电信号中的信号段进行提取，获得放电信号段的步骤，包括：
根据所述初步峰值对应时间点，确定与所述初步峰值相邻的前后各1个能量峰值；
将与所述初步峰值相邻的前后各1个能量峰值之间的时间点，确定为放电段的时间节点；
根据所述放电段的时间节点，确定所述放电段在所述连续滤波放电信号上的放电信号段。
7.一种神经元放电尖峰信号挑拣装置，其特征在于，所述装置包括：
预处理模块，用于对待挑拣神经元放电信号进行预处理，获得连续滤波放电信号；
能量计算模块，用于对所述连续滤波放电信号进行能量计算，获得连续能量信号；
峰值统计模块，用于将所述连续能量信号进行峰值统计，确定能量峰值；
阈值确定模块，用于根据所述连续能量信号建立卡方分布的累积分布函数进行分析，确定挑拣阈值；
筛选模块，用于通过所述挑拣阈值构建的初步峰值提取模型对所述能量峰值进行筛选，获得初步峰值；
信号段提取模块，用于根据所述初步峰值对所述连续滤波放电信号中的信号段进行提取，获得放电信号段；
尖峰信号确定模块，用于根据所述挑拣阈值对所述放电信号段进行分析，确定神经元放电尖峰信号；
所述尖峰信号确定模块还用于：根据所述放电信号段中的最大峰值和最小峰值，确定所述放电信号段的幅值；将所述放电信号段的幅值与所述挑拣阈值的2倍进行比较，确定出幅值大于所述挑拣阈值的2倍的放电信号段作为神经元放电尖峰信号。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202110157269.0A 2021-02-05 2021-02-05 神经元放电尖峰信号挑拣方法、装置和计算机设备 Active CN112472108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110157269.0A CN112472108B (zh) 2021-02-05 2021-02-05 神经元放电尖峰信号挑拣方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110157269.0A CN112472108B (zh) 2021-02-05 2021-02-05 神经元放电尖峰信号挑拣方法、装置和计算机设备

Publications (2)

Publication Number Publication Date
CN112472108A CN112472108A (zh) 2021-03-12
CN112472108B true CN112472108B (zh) 2021-05-04

Family

ID=74912352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110157269.0A Active CN112472108B (zh) 2021-02-05 2021-02-05 神经元放电尖峰信号挑拣方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN112472108B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113057656B (zh) * 2021-03-29 2022-02-01 浙江大学 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和***
CN113440139B (zh) * 2021-05-26 2023-06-09 上海交通大学重庆研究院 电生理信号动作电位挑拣方法、装置及生物状态检测方法
CN113807242A (zh) * 2021-09-15 2021-12-17 西安电子科技大学重庆集成电路创新研究院 小脑浦肯野细胞复杂尖峰识别方法、***、设备及应用
CN116584959B (zh) * 2023-07-14 2023-09-26 之江实验室 脑深部电刺激期间的锋电位检测及特征提取方法和***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010073063A1 (en) * 2008-12-23 2010-07-01 Commissariat A L'energie Atomique Et Aux Energies Alternatives Methods and devices for processing pulse signals, and in particular neural action potential signals
CN109700463A (zh) * 2019-03-12 2019-05-03 四川大学 一种脑磁图癫痫棘波识别方法和***
CN110945597A (zh) * 2017-07-25 2020-03-31 赛尔医疗股份有限公司 用于预测癫痫发作的方法和***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010073063A1 (en) * 2008-12-23 2010-07-01 Commissariat A L'energie Atomique Et Aux Energies Alternatives Methods and devices for processing pulse signals, and in particular neural action potential signals
CN110945597A (zh) * 2017-07-25 2020-03-31 赛尔医疗股份有限公司 用于预测癫痫发作的方法和***
CN109700463A (zh) * 2019-03-12 2019-05-03 四川大学 一种脑磁图癫痫棘波识别方法和***

Also Published As

Publication number Publication date
CN112472108A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN112472108B (zh) 神经元放电尖峰信号挑拣方法、装置和计算机设备
CN109858461B (zh) 一种密集人群计数的方法、装置、设备以及存储介质
US11561954B2 (en) Method and system to estimate the cardinality of sets and set operation results from single and multiple HyperLogLog sketches
CN111368758B (zh) 一种人脸模糊度检测方法、装置、计算机设备及存储介质
CN113057656B (zh) 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和***
CN112487913A (zh) 一种基于神经网络的标注方法、装置及电子设备
CN110232349A (zh) 屏下指纹去底纹方法、装置、计算机设备和存储介质
CN112802076A (zh) 反射图像生成模型及反射去除模型的训练方法
CN113177640A (zh) 一种离散异步事件数据增强方法
CN115329880A (zh) 气象特征提取方法、装置、计算机设备和存储介质
Tripathy et al. Performance observation of mammograms using an improved dynamic window based adaptive median filter
CN115906337A (zh) 一种工程结构分段式主余震韧性分析方法及***
CN112698160A (zh) 开关柜局部放电故障识别方法、装置、计算机设备及存储介质
CN112418481A (zh) 雷达回波图预测方法、装置、计算机设备和存储介质
CN112836817A (zh) 一种卷积神经网络模型的压缩方法
Thornton et al. Character recognition using hierarchical vector quantization and temporal pooling
CN115762551A (zh) 鼾声检测方法、装置、计算机设备及存储介质
CN113130028A (zh) 基于区块链的医疗电子病历信息管理方法及***
Tsekhmystro et al. Web assembled benchmark for image visual quality assesment, prediction and improvement
CN112148723B (zh) 一种基于电子围网的异常数据优化方法、装置及电子设备
CN114037747B (zh) 图像特征提取方法、装置、计算机设备及存储介质
CN116228915B (zh) 一种基于区域判断的图像重建方法、***及设备
CN117009751B (zh) 基于自适应的时序数据清洗方法和装置
CN112914585B (zh) 一种面向单导联心电图的分类方法、***及装置
CN111652201B (zh) 基于深度视频事件补全的视频数据异常识别方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant