CN114925734B - 一种基于神经拟态计算的在线神经元分类方法 - Google Patents
一种基于神经拟态计算的在线神经元分类方法 Download PDFInfo
- Publication number
- CN114925734B CN114925734B CN202210849758.7A CN202210849758A CN114925734B CN 114925734 B CN114925734 B CN 114925734B CN 202210849758 A CN202210849758 A CN 202210849758A CN 114925734 B CN114925734 B CN 114925734B
- Authority
- CN
- China
- Prior art keywords
- neuron
- layer
- neurons
- time
- pulse
- 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
Links
- 210000002569 neuron Anatomy 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001537 neural effect Effects 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 title claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 210000000225 synapse Anatomy 0.000 claims description 22
- 230000001149 cognitive effect Effects 0.000 claims description 21
- 230000008447 perception Effects 0.000 claims description 14
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 claims description 9
- 230000000946 synaptic effect Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 5
- 230000019771 cognition Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 4
- 230000036982 action potential Effects 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000001953 sensory effect Effects 0.000 claims description 2
- 230000003557 neuropsychological effect Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 2
- 210000003710 cerebral cortex Anatomy 0.000 abstract 1
- 210000004556 brain Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010304 firing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003834 intracellular effect Effects 0.000 description 2
- 230000001242 postsynaptic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003518 presynaptic effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012776 robust process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于神经拟态计算的在线神经元分类方法,将大脑皮层采集的神经元锋电位信号通过场编码转换成脉冲信号,借助脉冲神经网络分类不同波形及对应时间戳,实现在线神经元锋电位信号分类;同时,通过脉冲神经网络在线更新方法,适应神经元锋电位波形的在线变化,提升长时在线神经元锋电位分类准确性。本方法具有较快计算速度,可以提升锋电位分类流程的速度,在不同数据集上的分类保持较高的一致性,且有助于植入芯片的部署。
Description
技术领域
本发明涉及脑电信号锋电位分类解码领域,尤其是涉及一种基于神经拟态计算的在线神经元分类方法。
背景技术
锋电位分类是神经信号数据处理和分析中一个复杂但必不可少的步骤。监测单个神经元活动有助于我们更好地了解与分析大脑行为机制。通常用电极记录的神经信号包含来自附近几个神经元的放电活动以及背景噪声,因此锋电位分类的任务是将单个神经元的放电活动从彼此之间以及背景噪声中分离出来,然后可以将单个神经元活动用于神经科学进行进一步分析。
为了解决锋电位分类问题,几十年来科学家提出了各种方法,从人工分类,到计算机辅助半自动分类方法,再到完全自动算法。
通常人工分类从视觉分类角度区分锋电位。随着采集设备的发展,大规模集成电极阵列的出现,人工锋电位分类变得愈发费时费力。一些电极设备甚至包含上万个电极通道,这完全超出了人工分类的极限。此外,人工锋电位分类的结果受分类专家主观性影响,不同专家得到的结果一致性存在差异。
为了缓解上述的问题,神经科学家借助自动化软件和算法,以提高锋电位分类的准确性与一致性。
从机器学习的角度来看,锋电位分类模仿人类专家的行为,通过区分波形来对不同神经元活动进行分类。目前大量基于特征的方法用以强化锋电位波形特征,例如:主成分分析,小波分解,拉普拉斯特征图等。然而考虑到锋电位波形的变化与噪声干扰,其中大多数通常是不准确的,因此他们主要用作辅助步骤,提供粗略的分类结果以加速人工分类过程,即半自动锋电位排序方法。
理想情况下,锋电位分类应该是一个自动、即插即用、并且具有强鲁棒性的过程,能够纠正探针偏移或细胞变形带来的分类错误,可以用于长期记录。目前神经科学家已经能够在脑内放入上千通道的探针用以同时记录神经元活动。但随着电极通道数目的爆发式增长,如何通过有限的带宽传输海量的信号也成为一个瓶颈。一个理想的解决方案是直接在大脑附近进行锋电位分类,并只将分类结果进行传输。然而大脑对温度非常敏感,传统芯片运行产生的热量会对组织造成不可逆转的伤害。因此,低功耗的神经芯片是一个可行的选择,基于神经芯片形态的锋电位分类算法有望解决这个问题,并实现颅内脑机接口。
发明内容
本发明提供了一种基于神经拟态计算的在线神经元分类方法,针对锋电位信号分类中信号中手工分类速度慢,不同专家分类结果不一致且需要花费较长时间的问题,一定程度上提升了锋电位分类流程的速度,在不同数据集上的分类保持较高的一致性,且有助于植入芯片的部署。
一种基于神经拟态计算的在线神经元分类方法,包括以下步骤:
(1)获取原始多通道神经信号,经过带通滤波去除低频的局部场电位,对每个通道的神经信号进行白化预处理和伪迹去除;
(2)在每一个信号通道上检测并对齐候选锋电位,具体为:使用非线性能量算子计算离散信号每个位置的能量强度,超过阈值的一段时间窗被判定为候选锋电位,然后根据尖峰位置对齐候选锋电位;
(3)构建脉冲神经网络,脉冲神经网络的第一层为感知层,第二层为认知层,认知层上的每个神经元以全连接的方式连接感知层神经元并动态更新连接突触;
(4)利用脉冲神经网络的感知层对候选锋电位进行脉冲编码,将输入的候选锋电位每个时间点的离散信号以高斯感受野编码方式映射到一组脉冲序列;
认知层上的神经元响应不同的脉冲序列输入,并根据赢者通吃机制更新被激活神经元与对应感知层神经元之间的连接突触;当认知层神经元累计电压超过电压阈值,认知层神经元将脉冲序列输出为响应不同细胞动作电位的时间戳序列;
(5)对于时间戳序列对应的原始神经信号,根据预先设定阈值划分锋电位与噪声,各个通道根据脉冲神经网络输出的时间戳序列重构来自不同细胞发放的波形。
进一步地,步骤(1)中,带通滤波采用3阶Butterworth滤波器,带通频率为300~3000Hz。
步骤(2)中,使用非线性能量算子计算离散信号每个位置的能量强度,公式为:
根据尖峰位置对齐候选锋电位时,尖峰最大值位置先通过升采样插值,重新对齐后,波形被下采样至原始长度。
步骤(4)中,高斯感受野编码方式如下:
所述的赢者通吃机制具体为:当一个神经元被激活时,其他神经元被抑制并且不会被更新,只有被激活神经元增强或削减与感知层神经元连接突触的权重。
更新被激活神经元与对应感知层之间的连接突触,神经元选择方法如下:
在初始状态下,所有权重值都被初始化。利用了赫布学习规则,强制神经元找到感兴趣的波形。每个认知层神经元都完全连接到感知层,这些突触的权重被初始化为零。每次输出神经元触发时,赫布学习规则都会应用于其传入的突触。
更新被激活神经元与对应感知层神经元之间的连接突触时,两层之间的连接突触的权重更新方式如下:
由于探头和机体组织之间的位移,神经元波形可能会轻微且永久地变形。在本发明的方法假设中,连续波形的变形发生在相邻输入神经元之间,因此连续变形能够反映在认知层的权重图上。
与现有技术相比,本发明具有以下有益效果:
1、本发明不需要预先训练或提供模板,能够即插即用。
2、本发明在线分类过程中不需要人工介入干预。
3、本发明能够部署在拟态神经芯片上,实现超低功耗锋电位分类。
附图说明
图1为本发明一种基于神经拟态计算的在线神经元分类方法的范式流程图。
图2为在真实数据集中采用本发明方法与对比方法的效果对比图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
本实例采用的是一段从小鼠海马体采集的数据集,它们包含来自同一神经元的细胞内和细胞外记录。该数据集的一部分已经通过各个实验室的测试,以测试不同的神经聚类算法。
在其中的一个数据集中,发现有段数据随着时间的推移真实标签的波形逐渐缩放,猜测这是由于在采集过程中细胞外电极和神经元之间的距离逐渐增加造成的。但从波形的角度观察,同一真实标签不同时间点的锋电位很难被聚类为同一个标签。
赫布学习规则被应用于从感知层到认知层的每个突触后尖峰发生的突触,这意味着如果突触前尖峰单独发生,则不会发生任何变化。尽管网络可以自动学习出现和转换的尖峰,但在运行之前需要设置一些超参数供赫布学习过程设置。一组合理的参数可以让整个网络从不同的波形中快速学习特征,而不会过度聚类。本发明在一些公共数据集上尝试了不同的可塑性参数比率,综合考虑识别速度和识别准确率,最终选择了参数和 。
此外,还决定使用以下参数::感受野上界200;:感受野下界-200;:场神经元形状因子2;:平均相邻感受野距离13;:短期可塑性时间突触前常数0.2;:短期可塑性时间突触后常数0.1;:神经元放电阈值3。
如图1所示,一种基于神经拟态计算的在线神经元分类方法,包括以下步骤:
1、脑电信号预处理:获取原始脑电信号,进行带通滤波去除低频的局部场电位,这里使用的是3阶的Butterworth滤波器带通滤波,带通频率为;由于这个数据集中只有一个通道带有真实标签,因此不需要进行白化操作;随后去除伪迹。信号最后被标准化至范围[-1,1]。
3、锋电位对齐:尖峰对齐是将每个尖峰对准其最大幅度的点(在某些情况下,尖峰的最大值可能是波形的最小值)。由于波峰的峰值只达到非常短的时间,并且通常位于信号采样的时间点之间,因此波形的峰值无法准确测量。为了避免由于低采样导致的尖峰错位,尖峰最大值位置通过使用三次样条插值波形。重新对齐后,为后续计算方便,以峰值位置为100,截取256长度的信号,并且所有点缩放100倍作为网络输入。
4、输入信号场编码:在当前时间点之前的滑动时间窗口内传入的神经信号经过编码变成脉冲信号,传递到后续脉冲神经网络。这一层的网络层被称为“感知层”,该层将连续的输入信号以高斯感受野的编码方式映射到一组脉冲序列。这种特定的神经编码技术是一种排序编码器的扩展,它允许将实值元素的向量映射到一系列脉冲序列。 感受野允许通过使用具有重叠灵敏度配置文件的神经元集合来编码连续值。
其中,P是高斯感受野的泊松过程。
5、脉冲神经网络分类:包含两层,第一层为感知层神经元,这里只截取输入信号部分,因此感知层尺寸为。第二层为认知层,以全连接的方式连接第一层神经元并动态更新,这里手动设定认知层尺寸为。认知层遵循赢者通吃 (WTA) 机制,当一个神经元被激活时,其他神经元被抑制并且不会被更新。
认知层中的神经元基于赢者通吃机制的选择是:
6、将得到的时间戳序列与真实标签进行对比,验证方法性能。
为了说明本方法能够追溯同一神经元,即使随着时间产生波形变化,我们筛选了特定的真实数据集进行实验,如图2,在该数据中,根据细胞内发放标注细胞外发放结果,随着时间的推移,波形幅值总体上在不断收缩。取前100个与后100个标签标注的锋电位绘制平均波形,两者的差异通常不会被视为由同一个神经元产生。在前100个带相同标签的锋电位,本方法与对比方法性能类似,但在后100个相同标签的锋电位上,由于该神经元在时间跨度上存在波形上的缩放,因此开始的波形与结束的波形存在差异,对比方法通常不能够很好的抓住类内波形的变化。通过降维后的染色结果可以看出,本方法找到的锋电位结果更接近于真实标签,说明本方法能够在一定范围内追踪同一个神经元的波形变化。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于神经拟态计算的在线神经元分类方法,其特征在于,包括以下步骤:
(1)获取原始多通道神经信号,经过带通滤波去除低频的局部场电位,对每个通道的神经信号进行白化预处理和伪迹去除;
(2)在每一个信号通道上检测并对齐候选锋电位,具体为:使用非线性能量算子计算离散信号每个位置的能量强度,超过阈值的一段时间窗被判定为候选锋电位,然后根据尖峰位置对齐候选锋电位;
(3)构建脉冲神经网络,脉冲神经网络的第一层为感知层,第二层为认知层,认知层上的每个神经元以全连接的方式连接感知层神经元并动态更新连接突触;
(4)利用脉冲神经网络的感知层对候选锋电位进行脉冲编码,将输入的候选锋电位每个时间点的离散信号以高斯感受野编码方式映射到一组脉冲序列;高斯感受野编码方式如下:
认知层上的神经元响应不同的脉冲序列输入,并根据赢者通吃机制更新被激活神经元与对应感知层神经元之间的连接突触;当认知层神经元累计电压超过电压阈值,认知层神经元将脉冲序列输出为响应不同细胞动作电位的时间戳序列;
所述的赢者通吃机制具体为:当一个神经元被激活时,其他神经元被抑制并且不会被更新,只有被激活神经元增强或削减与感知层神经元连接突触的权重;
更新被激活神经元与对应感知层之间的连接突触,神经元选择方法如下:
在初始状态下,所有权重值都被初始化,利用赫布学习规则,强制神经元找到感兴趣的波形,每个认知层神经元都完全连接到感知层,这些突触的权重被初始化为零;每次输出神经元触发时,赫布学习规则都会应用于其传入的突触;
更新被激活神经元与对应感知层神经元之间的连接突触时,两层之间的连接突触的权重更新方式如下:
(5)对于时间戳序列对应的原始神经信号,根据预先设定阈值划分锋电位与噪声,各个通道根据脉冲神经网络输出的时间戳序列重构来自不同细胞发放的波形。
2.根据权利要求1所述的基于神经拟态计算的在线神经元分类方法,其特征在于,步骤(1)中,带通滤波采用3阶Butterworth滤波器,带通频率为300~3000Hz。
4.根据权利要求1所述的基于神经拟态计算的在线神经元分类方法,其特征在于,步骤(2)中,根据尖峰位置对齐候选锋电位时,尖峰最大值位置先通过升采样插值,重新对齐后,波形被下采样至原始长度。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849758.7A CN114925734B (zh) | 2022-07-20 | 2022-07-20 | 一种基于神经拟态计算的在线神经元分类方法 |
PCT/CN2022/141216 WO2024016590A1 (zh) | 2022-07-20 | 2022-12-23 | 一种基于神经拟态计算的在线神经元分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849758.7A CN114925734B (zh) | 2022-07-20 | 2022-07-20 | 一种基于神经拟态计算的在线神经元分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114925734A CN114925734A (zh) | 2022-08-19 |
CN114925734B true CN114925734B (zh) | 2022-11-25 |
Family
ID=82816118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210849758.7A Active CN114925734B (zh) | 2022-07-20 | 2022-07-20 | 一种基于神经拟态计算的在线神经元分类方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114925734B (zh) |
WO (1) | WO2024016590A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114925734B (zh) * | 2022-07-20 | 2022-11-25 | 浙江大学 | 一种基于神经拟态计算的在线神经元分类方法 |
CN115429293B (zh) * | 2022-11-04 | 2023-04-07 | 之江实验室 | 一种基于脉冲神经网络的睡眠类型分类方法和装置 |
CN116304676B (zh) * | 2023-02-01 | 2023-11-17 | 瑞鞍星医疗科技(苏州)有限公司 | 脑活动状态分类模型训练方法、装置和设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102394844A (zh) * | 2011-08-11 | 2012-03-28 | 浙江大学 | 基于fpga的锋电位信号并行检测装置和方法 |
CN103733209A (zh) * | 2011-08-16 | 2014-04-16 | 高通股份有限公司 | 用于神经时间编码、学习和识别的方法和装置 |
CN106062669A (zh) * | 2014-01-30 | 2016-10-26 | 莱斯特大学 | 用于脑机接口的*** |
CN108846346A (zh) * | 2018-06-06 | 2018-11-20 | 浙江大学 | 基于密度峰值聚类算法的神经元峰电位在线分类方法 |
CN109376651A (zh) * | 2018-10-24 | 2019-02-22 | 广东工业大学 | 一种基于cuda架构的gpu加速锋电位分类的*** |
CN109460785A (zh) * | 2018-10-24 | 2019-03-12 | 广东工业大学 | 一种基于gpu加速的锋电位实时分类的方法 |
CN109766847A (zh) * | 2019-01-15 | 2019-05-17 | 南京邮电大学 | 一种锋电位分离方法 |
CN112764526A (zh) * | 2020-12-29 | 2021-05-07 | 浙江大学 | 一种基于多模型动态集成的自适应脑机接口解码方法 |
CN113057656A (zh) * | 2021-03-29 | 2021-07-02 | 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*** |
CN113378737A (zh) * | 2021-06-18 | 2021-09-10 | 河北大学 | 植入式脑机接口神经元锋电位分类方法 |
CN113679395A (zh) * | 2021-07-30 | 2021-11-23 | 浙江大学 | 一种多通道并行实时脑神经锋电位信号检测方法、装置和*** |
CN114081494A (zh) * | 2022-01-21 | 2022-02-25 | 浙江大学 | 一种基于大脑外侧缰核信号的抑郁状态检测*** |
CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190197406A1 (en) * | 2017-12-22 | 2019-06-27 | Microsoft Technology Licensing, Llc | Neural entropy enhanced machine learning |
US11622727B2 (en) * | 2019-05-09 | 2023-04-11 | Tim Chifong Lei | Process and hardware implementation of adaptive real-time neural spike sorting |
CN114925734B (zh) * | 2022-07-20 | 2022-11-25 | 浙江大学 | 一种基于神经拟态计算的在线神经元分类方法 |
-
2022
- 2022-07-20 CN CN202210849758.7A patent/CN114925734B/zh active Active
- 2022-12-23 WO PCT/CN2022/141216 patent/WO2024016590A1/zh unknown
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102394844A (zh) * | 2011-08-11 | 2012-03-28 | 浙江大学 | 基于fpga的锋电位信号并行检测装置和方法 |
CN103733209A (zh) * | 2011-08-16 | 2014-04-16 | 高通股份有限公司 | 用于神经时间编码、学习和识别的方法和装置 |
CN106062669A (zh) * | 2014-01-30 | 2016-10-26 | 莱斯特大学 | 用于脑机接口的*** |
CN108846346A (zh) * | 2018-06-06 | 2018-11-20 | 浙江大学 | 基于密度峰值聚类算法的神经元峰电位在线分类方法 |
CN109376651A (zh) * | 2018-10-24 | 2019-02-22 | 广东工业大学 | 一种基于cuda架构的gpu加速锋电位分类的*** |
CN109460785A (zh) * | 2018-10-24 | 2019-03-12 | 广东工业大学 | 一种基于gpu加速的锋电位实时分类的方法 |
CN109766847A (zh) * | 2019-01-15 | 2019-05-17 | 南京邮电大学 | 一种锋电位分离方法 |
CN112764526A (zh) * | 2020-12-29 | 2021-05-07 | 浙江大学 | 一种基于多模型动态集成的自适应脑机接口解码方法 |
CN113057656A (zh) * | 2021-03-29 | 2021-07-02 | 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*** |
CN113378737A (zh) * | 2021-06-18 | 2021-09-10 | 河北大学 | 植入式脑机接口神经元锋电位分类方法 |
CN113679395A (zh) * | 2021-07-30 | 2021-11-23 | 浙江大学 | 一种多通道并行实时脑神经锋电位信号检测方法、装置和*** |
CN114081494A (zh) * | 2022-01-21 | 2022-02-25 | 浙江大学 | 一种基于大脑外侧缰核信号的抑郁状态检测*** |
CN114403899A (zh) * | 2022-02-08 | 2022-04-29 | 浙江浙大西投脑机智能科技有限公司 | 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法 |
Non-Patent Citations (9)
Title |
---|
An efficient spike-sorting for implantable neural recording microsystem using hybrid neural network;Hongge Li等;《34th Annual International Conference of the IEEE EMBS》;20120930;全文 * |
Application of Deep Compression Technique in Spiking Neural Network Chip;Yanchen Liu等;《 IEEE TRANSACTIONS ON BIOMEDICAL CIRCUITS AND SYSTEMS》;20200331;全文 * |
Efficient Point-Process Modeling of Spiking Neurons for Neuroprosthesis;Weihan Li等;《2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC)》;20211204;全文 * |
Neural Spike Sorting Under Nearly 0-dB Signal-to-Noise Ratio Using Nonlinear Energy Operator and Artificial Neural-Network Classifier;Kyung Hwan Kim;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;20001031;全文 * |
Neural Spike Sorting Using Binarized Neural Networks;Daniel Valencia等;《 IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》;20210530;全文 * |
Neuronal Spike Sorting based on 2-stage RBF Networks;Jianhua Dai;《2008 Second International Conference on Future Generation Communication and Networking》;20080621;全文 * |
Power-efficient Spike Sorting Scheme Using Analog Spiking Neural Network Classifier;ANAND KUMAR MUKHOPADHYAY;《ACM Journal on Emerging Technologies in Computing Systems》;20210131;45-55 * |
SpikingNeuralNetworksBasedonOxRAMSynapsesforReal-TimeUnsupervisedSpikeSorting;Thilo Werner;《FrontiersinNeuroscience》;20161003;2036-2048 * |
神经元锋电位检测与分类算法的研究;朱政飞;《中国优秀硕士学位论文全文库》;20190613;14-28 * |
Also Published As
Publication number | Publication date |
---|---|
WO2024016590A1 (zh) | 2024-01-25 |
CN114925734A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114925734B (zh) | 一种基于神经拟态计算的在线神经元分类方法 | |
Lewicki | A review of methods for spike sorting: the detection and classification of neural action potentials | |
US20200367800A1 (en) | Method for identifying driving fatigue based on cnn-lstm deep learning model | |
Yuan et al. | Patients’ EEG data analysis via spectrogram image with a convolution neural network | |
CN108960182B (zh) | 一种基于深度学习的p300事件相关电位分类识别方法 | |
Saif-ur-Rehman et al. | SpikeDeeptector: a deep-learning based method for detection of neural spiking activity | |
Guo et al. | A cross-correlated delay shift supervised learning method for spiking neurons with application to interictal spike detection in epilepsy | |
CN109214395A (zh) | 一种基于脉冲神经网络的图像特征描述方法 | |
Oliynyk et al. | Automatic online spike sorting with singular value decomposition and fuzzy C-mean clustering | |
CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
Hermle et al. | Employing ICA and SOM for spike sorting of multielectrode recordings from CNS | |
Wang et al. | One and two dimensional convolutional neural networks for seizure detection using EEG signals | |
CN112438741B (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及*** | |
Jasira et al. | DyslexiScan: a dyslexia detection method from handwriting using CNN LSTM model | |
Hojjatinia et al. | Comparison of different spike sorting subtechniques based on rat brain basolateral amygdala neuronal activity | |
CN110200624A (zh) | 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法 | |
CN114305452B (zh) | 一种基于脑电和领域适配的跨任务认知负荷识别方法 | |
CN105787459A (zh) | 一种基于最优评分稀疏判别的erp信号分类方法 | |
CN113143275B (zh) | 一种样本与特征质量联合量化评估的脑电疲劳检测方法 | |
Ouelli et al. | Epilepsy seizure detection using autoregressive modelling and multiple layer perceptron neural network | |
CN112274154B (zh) | 基于脑电样本权重调整的跨被试疲劳驾驶分类方法 | |
Sato et al. | Fast automatic template matching for spike sorting based on Davies-Bouldin validation indices | |
Farashi | Spike detection using a multiresolution entropy based method | |
CN111783857A (zh) | 基于非线性网络信息图的运动想象脑机接口 | |
Maggiotti | Automated Brain Disorders Diagnosis through Deep Neural Networks |
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 |