CN118013308A - 基于自适应树的时空增强神经电脉冲信号聚类方法及*** - Google Patents
基于自适应树的时空增强神经电脉冲信号聚类方法及*** Download PDFInfo
- Publication number
- CN118013308A CN118013308A CN202410424261.XA CN202410424261A CN118013308A CN 118013308 A CN118013308 A CN 118013308A CN 202410424261 A CN202410424261 A CN 202410424261A CN 118013308 A CN118013308 A CN 118013308A
- Authority
- CN
- China
- Prior art keywords
- electric pulse
- nerve electric
- pulse signal
- space
- time
- 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.)
- Granted
Links
- 210000005036 nerve Anatomy 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000036982 action potential Effects 0.000 claims abstract description 59
- 230000002087 whitening effect Effects 0.000 claims abstract description 53
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims description 52
- 239000000523 sample Substances 0.000 claims description 35
- 230000001537 neural effect Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004070 electrodeposition Methods 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 230000000008 neuroelectric effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 abstract description 40
- 230000006870 function Effects 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002001 electrophysiology Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于自适应树的时空增强神经电脉冲信号聚类方法及***,所述方法包括:获取电生理记录进行预处理得到目标白化数据,根据阈值对目标白化数据进行检测得到神经电脉冲信号;对每个神经电脉冲信号的动作电位和时空信息进行时空增强,得到对比神经电脉冲信号;对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的动作电位和时空信息进行编码,得到编码后的信号;将编码后的信号输入到自适应树形结构,输出神经电脉冲信号聚类结果,以实现自适应神经电脉冲信号聚类。本发明基于树形结构实现了自适应、快速聚类的功能,且通过加入对比神经电脉冲信号对来自不同神经元的脉冲特征进行表示学习。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于自适应树的时空增强神经电脉冲信号聚类方法、***、终端及计算机可读存储介质。
背景技术
在过去的数十年中,神经元及神经元之间交互作用的研究已引起了大部分科学家的极大兴趣。这种趋势催生了一系列新的科学领域,包括认知神经科学、计算神经科学以及颅内脑-计算机接口(iBCI,Intracortical Brain-Computer Interface,皮层内脑机接口技术)。这些研究领域不仅增进了人们对大脑运作方式的理解,也为许多神经***疾病的治疗提供了新的可能性和方法。
针对神经元的研究主要依赖于通过微制电极阵列记录神经元群体的细胞外电生理数据。这些数据能够揭示被记录的神经元活动与其直接可感知的反应之间的特定关联性。例如,科研人员可以通过这种方式来探索和解码大脑如何处理和解释从感官接收到的信息。这种特定的映射关系为理解大脑的复杂网络提供了重要的线索,并可能有助于开发更有效的治疗策略来应对各种神经***疾病。因此这也促进了硅技术的进步和大规模集成电路的出现。
目前可以通过多电极阵列和硅探针获得数百到数千个神经元的电生理记录。而如何从这些高通量神经电生理记录中对检测出来的神经电脉冲信号定位它们来源于哪一个假定的神经元是神经电脉冲信号分选的核心内容,并且脉冲信号重叠(overlap)的情况是神经电脉冲信号分选的重点难题。这项技术能够使研究人员在更大的尺度上观察和理解大脑的工作机制,这种技术的进步无疑为神经科学研究开辟了新的可能性。
当前被广泛使用的是一些无监督学***的要求较高(神经电脉冲信号的高分选效果一定程度上依赖于数据),需要用户自定义阈值(引入不确定因素)或者指定聚类的神经元个数,另外对脉冲信号重叠的情况未被处理。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供一种基于自适应树的时空增强神经电脉冲信号聚类方法、***、终端及计算机可读存储介质,旨在解决现有技术中无监督学***的要求较高,且没有处理脉冲信号重叠的情况,导致神经电脉冲信号分选不准确的问题。
为实现上述目的,本发明提供一种基于自适应树的时空增强神经电脉冲信号聚类方法,所述基于自适应树的时空增强神经电脉冲信号聚类方法包括如下步骤:
获取电生理记录,将所述电生理记录进行预处理得到目标白化数据,根据阈值对所述目标白化数据进行检测,得到神经电脉冲信号;
对每个神经电脉冲信号的动作电位和时空信息进行时空增强,得到对比神经电脉冲信号,所述时空信息包括被检测到时所在电极位置以及探针编号、发放时的时间戳;
对神经电脉冲信号以及对比神经电脉冲信号的动作电位和时空信息进行信息嵌入,对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的动作电位和时空信息进行编码,得到编码后的信号;
将编码后的信号输入到自适应树形结构,输出神经电脉冲信号聚类结果,以实现自适应神经电脉冲信号聚类。
可选地,所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其中,所述预处理包括滤波、去共模和白化;
所述获取电生理记录,将所述电生理记录进行预处理得到目标白化数据,具体包括:
获取电生理记录,通过滤波器对所述电生理记录进行滤波处理,得到预设频率范围内的滤波数据,滤波器的频率响应H(f)为:
H(f)=1/sqrt(1+(b/f)(2n))-1/sqrt(1+(a/f)(2n));
其中,f表示频率,n代表滤波器的阶数,决定通带和阻带之间转换的陡度,sqrt表示平方根,a和b表示滤波器的下截止频率和上截止频率;
将滤波器应用于电生理记录X(t)以获得滤波后的滤波数据Y(t):
Y(t)=X(t)*F-1{H(f)};
其中,F-1表示傅立叶反变换,*表示卷积操作;
消除由电极移动或电流泄漏引起的电场变化,将滤波数据Y(t)进行去共模,去除滤波数据Y(t)中的公共噪声成分:
Y'(i,t)=Y(i,t)-Median{Y(j,t)|for all j};
其中,i表示所在电极,t表示采样时间,Median表示求中位数,j表示所有电极的索引,Y(i,t)表示在电极i上采样时间为t的经过滤波后的信号,Y(j,t)表示在电极j上采样时间为t的经过滤波后的信号,j的取值范围是[1,总电极数],Y'(i,t)表示对Y(i,t)去共模后的电极i上的信号;
将Y'(i,t)进行白化,计算样本数据协方差矩阵的特征值和特征向量,构造白化矩阵,将Y'(i,t)乘以白化矩阵得到白化后的目标白化数据Y''(i, t)。
可选地,所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其中,所述计算样本数据协方差矩阵的特征值和特征向量,构造白化矩阵,将Y'(i,t)乘以白化矩阵得到白化后的目标白化数据Y''(i, t),具体包括:
计算样本数据协方差矩阵的特征值和特征向量:
[V,D]=eig(cov(Y'(i,t)));
其中,V表示包含所有特征向量的矩阵,D表示对角矩阵,eig表示求特征值和特征向量,cov表示求协方差;
构造白化矩阵Wzca:
Wzca=VD(-1/2)VT;
其中,VT表示将V进行转置操作;
得到白化后的目标白化数据Y''(i,t):
Y''(i,t)=Y'(i,t)Wzca。
可选地,所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其中,所述根据阈值对所述目标白化数据进行检测,得到神经电脉冲信号,具体包括:
预先设定一个阈值ζ,所述阈值ζ根据各个电极上采集到的电压计算得到,阈值ζ被设定为中位数的倍数,阈值ζ计算为:
ζ=Median(|Y''(i,t)|)/0.6745;
根据阈值ζ对所述目标白化数据进行检测,当信号强度超过阈值ζ时,被认为发生脉冲,得到神经电脉冲信号。
可选地,所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其中,所述动作电位的时空增强包括:振幅扩展、横向位移、随机噪声添加、重叠添加和基线漂移;所述时空信息的时空增强为对被检测到时所在电极位置以及探针编号、发放时的时间戳进行变换。
可选地,所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其中,所述对神经电脉冲信号以及对比神经电脉冲信号的动作电位和时空信息进行信息嵌入,对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的动作电位和时空信息进行编码,得到编码后的信号,具体包括:
对每个神经电脉冲信号的动作电位、被检测到时所在电极位置以及探针编号、发放时的时间戳在设定空间经过一层同样的固定数目的全连接层进行维数转化得到四个嵌入信息;
将四个嵌入信息进行总和输出到注意力机制模块进行编码学习,得到编码后的信号,所述注意力机制模块由堆叠的层组成,每层包含多头自注意力机制和前馈全连接神经网络。
可选地,所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其中,所述将编码后的信号输入到自适应树形结构,输出神经电脉冲信号聚类结果,以实现自适应神经电脉冲信号聚类,具体包括:
将编码后的信号进行预聚类,采用自适应树形结构计算当前神经电脉冲信号和对比神经电脉冲信号之间的互信息,使之最大化;
当互信息收敛且不小于预设阈值时进行脉冲聚类,输出神经电脉冲信号聚类结果。
此外,为实现上述目的,本发明还提供一种基于自适应树的时空增强神经电脉冲信号聚类***,其中,所述基于自适应树的时空增强神经电脉冲信号聚类***包括:
数据处理模块,用于获取电生理记录,将所述电生理记录进行预处理得到目标白化数据,根据阈值对所述目标白化数据进行检测,得到神经电脉冲信号;
时空增强模块,用于对每个神经电脉冲信号的动作电位和时空信息进行时空增强,得到对比神经电脉冲信号,所述时空信息包括被检测到时所在电极位置以及探针编号、发放时的时间戳;
信息编码模块,用于对神经电脉冲信号以及对比神经电脉冲信号的动作电位和时空信息进行信息嵌入,对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的动作电位和时空信息进行编码,得到编码后的信号;
信号聚类模块,用于将编码后的信号输入到自适应树形结构,输出神经电脉冲信号聚类结果,以实现自适应神经电脉冲信号聚类。
此外,为实现上述目的,本发明还提供一种终端,其中,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于自适应树的时空增强神经电脉冲信号聚类程序,所述基于自适应树的时空增强神经电脉冲信号聚类程序被所述处理器执行时实现如上所述的基于自适应树的时空增强神经电脉冲信号聚类方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于自适应树的时空增强神经电脉冲信号聚类程序,所述基于自适应树的时空增强神经电脉冲信号聚类程序被处理器执行时实现如上所述的基于自适应树的时空增强神经电脉冲信号聚类方法的步骤。
本发明中,获取电生理记录,将所述电生理记录进行预处理得到目标白化数据,根据阈值对所述目标白化数据进行检测,得到神经电脉冲信号;对每个神经电脉冲信号的动作电位和时空信息进行时空增强,得到对比神经电脉冲信号,所述时空信息包括被检测到时所在电极位置以及探针编号、发放时的时间戳;对神经电脉冲信号以及对比神经电脉冲信号的动作电位和时空信息进行信息嵌入,对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的动作电位和时空信息进行编码,得到编码后的信号;将编码后的信号输入到自适应树形结构,输出神经电脉冲信号聚类结果,以实现自适应神经电脉冲信号聚类。本发明提出的无监督聚类方案不需要用户自定义阈值,不需要在已知神经元个数的情况下才能进行聚类,并且在一定程度上解决了脉冲信号重叠的问题,在不需要人工干预的情况下实现自适应聚类的神经电脉冲信号分选,基于树形结构实现了自适应、快速聚类的功能,且通过加入对比神经电脉冲信号对来自不同神经元的脉冲特征进行表示学习。
附图说明
图1是本发明基于自适应树的时空增强神经电脉冲信号聚类方法的较佳实施例的流程图;
图2是本发明基于自适应树的时空增强神经电脉冲信号聚类方法的较佳实施例中神经电脉冲信号聚类的原理示意图;
图3是本发明基于自适应树的时空增强神经电脉冲信号聚类方法的较佳实施例中基于自适应树的神经电脉冲信号聚类的实例示意图;
图4是本发明基于自适应树的时空增强神经电脉冲信号聚类***的较佳实施例的结构图;
图5为本发明终端的较佳实施例的结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
目前神经电脉冲信号分选方法大致可以分为两类,一类是监督式学习,一类是无监督式学习。
1、监督式学习的方法通过对脉冲数据进行人工标注,再输入到搭建的模型中进行训练,这种方式需要耗费不少的人力成本,特别是在大规模神经电生理记录中。同时,基于深度学习的模型也需要投入不少的计算成本。
2、无监督式学习的方法更符合先进技术的需求。在一般的无监督式神经电脉冲信号分选方法中,通过距离度量或者特征学习来实现聚类,这种方法需要在类数目已知的情况下才能够运行。
3、由于神经电脉冲信号分选的目标神经元个数无法获取,为了应对上述中需要指定类数目情况下的聚类,一些前沿的无监督式神经电脉冲信号分选方法会引入阈值来调控分选结果而不需要明确神经元个数,这就使得神经电脉冲信号分选的结果与阈值的设置高度相关,具有不稳定因素。并且,在高通量神经电生理记录中,神经电脉冲信号重叠的问题没有得到解决,这影响了神经电脉冲信号分选的性能。
例如,脉冲信号重叠(overlap)出现的情况是在被检测的神经元周围的电极都检测到了那时的电压,它涉及了对多个相邻电极的考虑,而现有增强方式仅仅考虑了动作电位,而没有对时空信息进行数据增强。时空信息对神经电脉冲分选是很关键的因素。并且,现有技术所提出的方案采用一个多分类问题转化为多个二分类问题的二叉树结构,对于大规模数据无法进行快速的神经电脉冲信号分选。
因此,无需人工干预的、高效且有效的神经电脉冲信号分选方法是当前需要实现的目标。
本发明较佳实施例所述的基于自适应树的时空增强神经电脉冲信号聚类方法,如图1和图2所示,所述基于自适应树的时空增强神经电脉冲信号聚类方法包括以下步骤:
步骤S10、获取电生理记录,将所述电生理记录进行预处理得到目标白化数据,根据阈值对所述目标白化数据进行检测,得到神经电脉冲信号。
具体地,电生理记录中通常包含了背景噪声和研究人员关注的神经电脉冲信号,因此在进行神经电脉冲信号聚类(分选)之前,需要先进行预处理,再检测神经电脉冲信号。
由于局部场电位和高频噪声的影响,从微电极获得的电生理记录不能直接操作。需要对电生理记录进行预处理,所述预处理包括滤波、去共模和白化;获取电生理记录(即原始信号)后,通过滤波器(例如Butterworth滤波器,电子滤波器的一种)对所述电生理记录进行滤波处理,得到预设频率范围(300Hz到3000Hz)内的滤波数据,这部分信号很可能是峰值。Butterworth滤波器的频率响应表示为H(f),滤波器的截止频率在300Hz至3000Hz之间,滤波器的频率响应H(f)为:
H(f)=1/sqrt(1+(b/f)(2n))-1/sqrt(1+(a/f)(2n));
其中,f表示频率,n代表滤波器的阶数,决定通带和阻带之间转换的陡度,sqrt表示平方根,a和b表示滤波器的下截止频率和上截止频率,a=300Hz,b=3000Hz;在实践中,滤波器的阶数会根据应用的特定需求来选择。
将滤波器应用于电生理记录X(t)以获得滤波后的滤波数据Y(t):
Y(t)=X(t)*F-1{H(f)};
其中,F-1表示傅立叶反变换,*表示卷积操作。
为了消除由电极移动或电流泄漏引起的电场变化,将滤波数据Y(t)进行去共模(Common Mode Rejection,旨在消除或减少由于测量设备或外部环境引入的噪声。共模信号通常是指在所有通道(电极)上都存在的信号,这些信号往往不包含感兴趣的有效信息,而是一些背景噪声或者干扰。对于每一个时间点t,首先计算所有电极在该时间点的信号值的中位数,这个中位数代表了在该时间点t所有电极信号值的中心位置,可以看作是背景噪声的一个估计,然后,从每个电极在时间点t的信号值中减去这个中位数,这样做的目的是移除信号中的共同模式,即所有电极共有的信号成分,这通常与噪声或其他非特异性脑活动有关。经过去共模处理后的信号Y'(i,t)将更加突出与特定任务相关的脑活动特征,因为这些特征在不同电极之间是差异化的,而共模噪声被抑制了),去除滤波数据Y(t)中的公共噪声成分:
Y'(i,t)=Y(i,t)-Median{Y(j,t)|for all j};
其中,i表示所在电极,t表示采样时间,Median表示求中位数,j表示所有电极的索引,Y(i,t)表示在电极i上采样时间为t的经过滤波后的信号,Y(j,t)表示在电极j上采样时间为t的经过滤波后的信号,j的取值范围是[1,总电极数],这里是因为有一个Median函数,需要遍历所有电极进行计算,Y'(i,t)表示对Y(i,t)去共模后的电极i上的信号。
这个操作去除了所有电极上由于移动和电磁干扰等因素添加的噪声。然后,将Y'(i,t)进行白化(ZCA白化,Zero Component Analysis,零成分分析,用于消除神经电压信号数据中的冗余和相关性,使得每个通道的信号都能独立地对神经元的活动进行编码,从而提高了后续的神经元排序步骤的准确性和效率。具体来说,ZCA白化包括以下步骤:对数据进行中心化,即减去均值;计算数据的协方差矩阵;对协方差矩阵进行特征值分解,得到特征值和特征向量;用特征向量和特征值对原数据进行变换,使得变换后的数据协方差矩阵为单位矩阵),以减少电极之间的相关性。
首先,计算样本数据协方差矩阵的特征值和特征向量,然后构造白化矩阵,最后将Y'(i,t)乘以白化矩阵得到白化后的目标白化数据Y''(i, t)。
首先,计算样本数据协方差矩阵的特征值和特征向量:
[V,D]=eig(cov(Y'(i,t)));
其中,V表示包含所有特征向量的矩阵,D表示对角矩阵,eig表示求特征值和特征向量,cov表示求协方差。
再构造白化矩阵Wzca:
Wzca=VD(-1/2)VT;
其中,VT表示将V进行转置操作。
最后得到白化后的目标白化数据Y''(i,t):
Y''(i,t)=Y'(i,t)Wzca。
另外,如图2所示,神经电脉冲信号检测普遍采用阈值交叉方法,其基本思路是设定一个阈值ζ,当信号强度超过这个阈值ζ时,就被认为发生了脉冲。阈值ζ的设置是根据各个电极上采集到的电压来计算的,这种方法的优点是,它可以自动适应信号的噪声水平,因此在噪声变化的情况下仍然可以有效地检测出神经电脉冲信号。本发明采用MedianAbsolute Deviation(MAD)作为阈值设定的方式。MAD是一种用于测量数据集变异性的稳健统计方法,它对于异常值不敏感,因此经常用于异常值检测。在这个方法中,每个电极的中位数被计算出来,然后阈值MAD被设定为这个中位数的倍数。具体的计算公式为:
ζ=Median(|Y''(i,t)|)/0.6745;
之所以要除以0.6745,这是因为在正态分布的假设下,MAD被标准化为与标准偏差具有相同的尺度。在正态分布中,第一四分位数的值大约为-0.6745。这个值是标准正态分布(即均值为0,标准差为1的正态分布)的特性之一。然而,在实际应用中,常常使用这个值的绝对值,也就是0.6745。因为在计算中位绝对偏差(MAD)时,关注的是数据偏离中位数的程度,而不关注其偏离方向。因此,常常使用0.6745这个值来将MAD标准化,使其在数据服从标准正态分布时,MAD除以0.6745可以得到一个无偏的估计量,得到的结果等于标准差。所以,这里的阈值ζ其实是一个无偏的标准偏差估计。在这个阈值设定方法中,阈值ζ被设定为中位数的倍数。这是因为在数据分布相对稳定的情况下,大多数数据点应该靠近中位数。因此,如果一个数据点远离中位数,那么它可能是一个异常值或“神经电脉冲信号的峰值”。所以,当数据点的值超过了ζ的某个倍数,就认为检测到了一个神经电脉冲信号。这个倍数一般被设置为[3,6]中的某个整数。
步骤S20、对每个神经电脉冲信号的动作电位和时空信息进行时空增强,得到对比神经电脉冲信号,所述时空信息包括被检测到时所在电极位置以及探针编号、发放时的时间戳。
具体地,所述动作电位的时空增强包括:振幅扩展、横向位移、随机噪声添加、重叠添加和基线漂移;所述时空信息的时空增强为对被检测到时所在电极位置以及探针编号、发放时的时间戳进行变换。
如图2所示,根据对单个神经元可能出现的脉冲的特征研究,设计了时空增强方式,对每个神经电脉冲信号的四个信息(即每个神经电脉冲信号的动作电位、被检测到时所在电极位置以及探针编号、发放时的时间戳)进行增强。来自一个神经元发放的神经电脉冲信号可能会在多个相邻的电极上被检测到,而当个电极上的不同时刻也有可能检测到来自不同神经元发放的神经电脉冲信号,并且单个神经元的发放的动作电位相对稳定。
依据这个基础理论,时空增强模式可以定位脉冲重叠、电极漂移等情况。由于动作电位相对稳定,因此对于动作电位的信息增强包括:(1)振幅扩展(对当前的动作电位乘以在0.9至1.1之间设置随机数);(2)横向位移(对当前的动作电位在[-10,10]中产生的随机数进行左右位移);(3)随机噪声添加(对当前的动作电位加上从均值为0标准差为0.08的正态分布中产生的随机数);(4)重叠添加(对当前的动作电位先进行随机噪声添加再将其乘以从均匀分布U(0.2, 0.5)中抽取的一个随机实数,最后执行横向位移);(5)基线漂移(对当前的动作电位加上一个从均匀分布U (−0.1,0.1)中抽取的一个随机数)。
对当前神经电脉冲信号的时空信息增强是对它被检测到时所在电极位置以及探针编号、发放时的时间戳进行变换(每个神经电脉冲信号都由动作电位和时空信息构成)。由于对比神经电脉冲信号是相对于当前的神经电脉冲信号而言的,探针与探针之间的物理距离相对于神经元与神经元之间的距离是很大的,对于来自同一个神经元的神经电脉冲信号不可能来源于两根探针的记录,因此对于探针信息的增强其实是不变的,而对于电极,需要对当前所在的电极进行随机加减1,表明相邻电极上可能会是来源于同一个神经元的神经电脉冲信号。在时间戳上,在整个采样时间内都有可能在当前电极上检测到来源于同一个神经元的神经电脉冲信号,因此这里的增强需要在比较大的一个范围内设置随机数,并进行加和。
步骤S30、对神经电脉冲信号以及对比神经电脉冲信号的动作电位和时空信息进行信息嵌入,对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的动作电位和时空信息进行编码,得到编码后的信号。
具体地,对每个神经电脉冲信号的动作电位、被检测到时所在电极位置以及探针编号、发放时的时间戳在设定空间经过一层同样的固定数目的全连接层进行维数转化得到四个嵌入信息;将四个嵌入信息进行总和输出到注意力机制模块进行编码学习,得到编码后的信号,所述注意力机制模块由堆叠的层组成,每层包含多头自注意力机制和前馈全连接神经网络。
当检测出所有的神经电脉冲信号以后,对神经电脉冲信号以及对比神经电脉冲信号的时空信息和动作电位进行信息嵌入。具体做法是对每个神经电脉冲信号的动作电位、被检测到时所在电极位置以及探针编号、发放时的时间戳在设定的足够大的空间中进行信息嵌入。举例来说,总电极个数为384个,那么电极的嵌入空间就为384,其它同理。因此,这四个信息的嵌入空间是不一样大的,需要再经过一层同样的固定数目的全连接层进行维数转化,再将这四个嵌入信息进行总和输出到注意力机制模块进行编码学习。这里的编码采用的是Transformer模型(即注意力机制模块)中的编码结构,它由堆叠的层组成,每层包含两个子层:多头自注意力机制和前馈全连接神经网络。多头自注意力机制允许模型在处理序列中的每个元素时考虑到其他元素,捕捉长距离依赖关系。前馈全连接神经网络对注意力机制的输出进行进一步处理。每个子层后接残差连接和层归一化,增强模型训练效率和稳定性。这种结构使Transformer模型在处理脉冲数据(时序数据)并捕捉长距离依赖关系上表现优异。
步骤S40、将编码后的信号输入到自适应树形结构,输出神经电脉冲信号聚类结果,以实现自适应神经电脉冲信号聚类。
具体地,在通过Transformer模型进行编码之后,通过聚类模块进行聚类,聚类模块是全连接网络。由于无法事先知道要分选的神经元的个数,设计了自适应树形结构,这种结构可以实现并行计算和快速分选。如图3所示(图3假定了电极总数只有6个的情况下的一中可能分选),首先将脉冲(即编码后的信号)进行预聚类,预聚类数量为电极数目的一半(聚类模块的输出神经元个数),记作G组。执行互信息最大化,直到互信息收敛即可划分成G组神经电脉冲信号数据。在对这G组数据进行并行计算,每一组都采用二叉树的结构对模型做进一步的自适应划分,对当前组的神经电脉冲信号的信息进行嵌入、增强、编码、聚类,其中最后一层采用了两条输出,一个是2个神经元,一个是4个神经元。这两个输出是交替进行的,用途是为了缓解所计算出来的互信息落入局部最优值。通过计算当前神经电脉冲信号和对比神经电脉冲信号之间的互信息,使之最大化,通过最大化互信息来学习数据的表示空间以达到聚类的目的。在达到预设的迭代数之前,若互信息能收敛到一个不小的值则立马进行聚类,否则表明当前无法学习到神经电脉冲信号与对比神经电脉冲信号的相关性,不进行划分,直接将其归类到一个假定的神经元。对于后者这种情况所计算出来的互信息总是在一个很小的值附近震荡。
即计算当前神经电脉冲信号和对比神经电脉冲信号之间的互信息,使之最大化,当互信息收敛且不小于预设阈值时进行脉冲聚类,输出神经电脉冲信号聚类结果。
本发明基于树形结构实现了自适应、快速聚类的功能,且通过加入对比神经电脉冲信号对来自不同神经元的脉冲特征进行表示学习,首先设计了一套对神经电脉冲信号的时空增强方式(对每一个神经电脉冲信号增强以后的数据称为对比神经电脉冲信号),其次对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的时空信息和动作电位进行编码,最后将编码以后的信号输入到树形结构来实现自适应神经电脉冲信号聚类。
本发明中每个神经电脉冲信号的动作电位、被检测到时所在电极位置以及探针编号、发放时的时间戳在设定的足够大的空间中进行信息嵌入,并基于注意力机制的编码结构进行编码;采用时空增强的方式设计对比神经电脉冲信号来实现表示学习;采用自适应树形结构和互信息最大化实现对神经电脉冲信号的聚类。
本发明所提出的神经电脉冲信号的时空编码方式可以最大化利用数据特征;本发明所提出的时空增强方式在一定程度上解决了在高通量神经电生理记录中可能出现的脉冲重叠问题;本发明所提出的自适应树结构可以解决在要聚类的神经元个数未知的情况下的难题;本发明的阈值对分选结果的敏感度较低,它在很大程度上可以被固定为0.1,这个阈值对神经电脉冲信号的分选结果影响不大。
在在体数据(在体数据是指在生物体内(活体)采集的神经电生理记录)上,比较了所提出的时空编码结构的输出特征与其他传统的特征在k均值(k-means)聚类中的表现,本发明所提出的表示空间承载了更多有利于神经电脉冲信号分选的信息。在合成的overlap数据集上进行了算法测试,可以在一定程度上解决这个问题。分别在离体和在体实验条件下,对高通量神经电生理记录中检测出的神经电脉冲信号进行聚类,实验表明,本发明的聚类结果在聚类指标上都优于kilosort方法,并且在根据overlap出现的特征合成了一个离体数据集,在该数据集上的测试结果表明本发明能在一定程度上解决overlap的问题。
进一步地,本发明的方案还可以进行进一步的改进,例如:
(1)、互信息最大化可以不采用自适应树结构,只是当作优化目标,在已知神经元个数的前提下,可以直接人为设定最终要分选出来的神经元个数,聚类模块不划分为预聚类再进行二叉树聚类,只是将聚类模块的模型输出神经元个数设置为要聚类出来的神经元个数为替代方案。
(2)、改用其他对比损失来实现表示学习进而达到分选的目的为替代方案。
(3)、将阈值设置为其他的固定阈值,或者改成动态阈值为替代方案。
(4)、将对神经电脉冲信号的动作电位增强的几种类型减少,或则将其中随机数的产生修改成其他固定范围或者分布为替代方案。
(5)、将对神经电脉冲信号的时空信息增强进行不同程度的电极增强,例如以一种随机性采样在某个固定范围的电极数目中对原来的神经电脉冲信号的所在电极编号进行加减,此为替代方案。
(6)、在聚类模块的二叉树结构中的输出神经元个数为2或4的交替互信息最大化方案中,去掉神经元个数为4的分支,或者交替优化变成每几次采用神经元个数为2,每几次采用神经元个数为4的分支进行优化的方案为替代方案。
进一步地,如图4所示,基于上述基于自适应树的时空增强神经电脉冲信号聚类方法,本发明还相应提供了一种基于自适应树的时空增强神经电脉冲信号聚类***,其中,所述基于自适应树的时空增强神经电脉冲信号聚类***包括:
数据处理模块51,用于获取电生理记录,将所述电生理记录进行预处理得到目标白化数据,根据阈值对所述目标白化数据进行检测,得到神经电脉冲信号;
时空增强模块52,用于对每个神经电脉冲信号的动作电位和时空信息进行时空增强,得到对比神经电脉冲信号,所述时空信息包括被检测到时所在电极位置以及探针编号、发放时的时间戳;
信息编码模块53,用于对神经电脉冲信号以及对比神经电脉冲信号的动作电位和时空信息进行信息嵌入,对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的动作电位和时空信息进行编码,得到编码后的信号;
信号聚类模块54,用于将编码后的信号输入到自适应树形结构,输出神经电脉冲信号聚类结果,以实现自适应神经电脉冲信号聚类。
进一步地,如图5所示,基于上述基于自适应树的时空增强神经电脉冲信号聚类方法和***,本发明还相应提供了一种终端,所述终端包括处理器10、存储器20及显示器30。图5仅示出了终端的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元,例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(SecureDigital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据,例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器20上存储有基于自适应树的时空增强神经电脉冲信号聚类程序40,该基于自适应树的时空增强神经电脉冲信号聚类程序40可被处理器10所执行,从而实现本申请中基于自适应树的时空增强神经电脉冲信号聚类方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行所述存储器20中存储的程序代码或处理数据,例如执行所述基于自适应树的时空增强神经电脉冲信号聚类方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过***总线相互通信。
在一实施例中,当处理器10执行所述存储器20中基于自适应树的时空增强神经电脉冲信号聚类程序40时实现上述基于自适应树的时空增强神经电脉冲信号聚类方法的步骤。
本发明还提供一种计算机可读存储介质,其中,所述计算机可读存储介质存储有基于自适应树的时空增强神经电脉冲信号聚类程序,所述基于自适应树的时空增强神经电脉冲信号聚类程序被处理器执行时实现如上所述的基于自适应树的时空增强神经电脉冲信号聚类方法的步骤。
综上所述,本发明提供一种基于自适应树的时空增强神经电脉冲信号聚类方法、***、终端及存储介质,所述方法包括:获取电生理记录,将所述电生理记录进行预处理得到目标白化数据,根据阈值对所述目标白化数据进行检测,得到神经电脉冲信号;对每个神经电脉冲信号的动作电位和时空信息进行时空增强,得到对比神经电脉冲信号,所述时空信息包括被检测到时所在电极位置以及探针编号、发放时的时间戳;对神经电脉冲信号以及对比神经电脉冲信号的动作电位和时空信息进行信息嵌入,对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的动作电位和时空信息进行编码,得到编码后的信号;将编码后的信号输入到自适应树形结构,输出神经电脉冲信号聚类结果,以实现自适应神经电脉冲信号聚类。本发明提出的无监督聚类方案不需要用户自定义阈值,不需要在已知神经元个数的情况下才能进行聚类,并且在一定程度上解决了脉冲信号重叠的问题,在不需要人工干预的情况下实现自适应聚类的神经电脉冲信号分选,基于树形结构实现了自适应、快速聚类的功能,且通过加入对比神经电脉冲信号对来自不同神经元的脉冲特征进行表示学习。
需要说明的是,在本文中,术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然,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硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的计算机可读存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于自适应树的时空增强神经电脉冲信号聚类方法,其特征在于,所述基于自适应树的时空增强神经电脉冲信号聚类方法包括:
获取电生理记录,将所述电生理记录进行预处理得到目标白化数据,根据阈值对所述目标白化数据进行检测,得到神经电脉冲信号;
对每个神经电脉冲信号的动作电位和时空信息进行时空增强,得到对比神经电脉冲信号,所述时空信息包括被检测到时所在电极位置以及探针编号、发放时的时间戳;
对神经电脉冲信号以及对比神经电脉冲信号的动作电位和时空信息进行信息嵌入,对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的动作电位和时空信息进行编码,得到编码后的信号;
将编码后的信号输入到自适应树形结构,输出神经电脉冲信号聚类结果,以实现自适应神经电脉冲信号聚类。
2.根据权利要求1所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其特征在于,所述预处理包括滤波、去共模和白化;
所述获取电生理记录,将所述电生理记录进行预处理得到目标白化数据,具体包括:
获取电生理记录,通过滤波器对所述电生理记录进行滤波处理,得到预设频率范围内的滤波数据,滤波器的频率响应H(f)为:
H(f)=1/sqrt(1+(b/f)(2n))-1/sqrt(1+(a/f)(2n));
其中,f表示频率,n代表滤波器的阶数,决定通带和阻带之间转换的陡度,sqrt表示平方根,a和b表示滤波器的下截止频率和上截止频率;
将滤波器应用于电生理记录X(t)以获得滤波后的滤波数据Y(t):
Y(t)=X(t)*F-1{H(f)};
其中,F-1表示傅立叶反变换,*表示卷积操作;
消除由电极移动或电流泄漏引起的电场变化,将滤波数据Y(t)进行去共模,去除滤波数据Y(t)中的公共噪声成分:
Y'(i,t)=Y(i,t)-Median{Y(j,t)|for all j};
其中,i表示所在电极,t表示采样时间,Median表示求中位数,j表示所有电极的索引,Y(i,t)表示在电极i上采样时间为t的经过滤波后的信号,Y(j,t)表示在电极j上采样时间为t的经过滤波后的信号,j的取值范围是[1,总电极数],Y'(i,t)表示对Y(i,t)去共模后的电极i上的信号;
将Y'(i,t)进行白化,计算样本数据协方差矩阵的特征值和特征向量,构造白化矩阵,将Y'(i,t)乘以白化矩阵得到白化后的目标白化数据Y''(i, t)。
3.根据权利要求2所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其特征在于,所述计算样本数据协方差矩阵的特征值和特征向量,构造白化矩阵,将Y'(i,t)乘以白化矩阵得到白化后的目标白化数据Y''(i, t),具体包括:
计算样本数据协方差矩阵的特征值和特征向量:
[V,D]=eig(cov(Y'(i,t)));
其中,V表示包含所有特征向量的矩阵,D表示对角矩阵,eig表示求特征值和特征向量,cov表示求协方差;
构造白化矩阵Wzca:
Wzca=VD(-1/2)VT;
其中,VT表示将V进行转置操作;
得到白化后的目标白化数据Y''(i,t):
Y''(i,t)=Y'(i,t)Wzca。
4.根据权利要求3所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其特征在于,所述根据阈值对所述目标白化数据进行检测,得到神经电脉冲信号,具体包括:
预先设定一个阈值ζ,所述阈值ζ根据各个电极上采集到的电压计算得到,阈值ζ被设定为中位数的倍数,阈值ζ计算为:
ζ=Median(|Y''(i,t)|)/0.6745;
根据阈值ζ对所述目标白化数据进行检测,当信号强度超过阈值ζ时,被认为发生脉冲,得到神经电脉冲信号。
5.根据权利要求1所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其特征在于,所述动作电位的时空增强包括:振幅扩展、横向位移、随机噪声添加、重叠添加和基线漂移;所述时空信息的时空增强为对被检测到时所在电极位置以及探针编号、发放时的时间戳进行变换。
6.根据权利要求1所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其特征在于,所述对神经电脉冲信号以及对比神经电脉冲信号的动作电位和时空信息进行信息嵌入,对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的动作电位和时空信息进行编码,得到编码后的信号,具体包括:
对每个神经电脉冲信号的动作电位、被检测到时所在电极位置以及探针编号、发放时的时间戳在设定空间经过一层同样的固定数目的全连接层进行维数转化得到四个嵌入信息;
将四个嵌入信息进行总和输出到注意力机制模块进行编码学习,得到编码后的信号,所述注意力机制模块由堆叠的层组成,每层包含多头自注意力机制和前馈全连接神经网络。
7.根据权利要求1所述的基于自适应树的时空增强神经电脉冲信号聚类方法,其特征在于,所述将编码后的信号输入到自适应树形结构,输出神经电脉冲信号聚类结果,以实现自适应神经电脉冲信号聚类,具体包括:
将编码后的信号进行预聚类,采用自适应树形结构计算当前神经电脉冲信号和对比神经电脉冲信号之间的互信息,使之最大化;
当互信息收敛且不小于预设阈值时进行脉冲聚类,输出神经电脉冲信号聚类结果。
8.一种基于自适应树的时空增强神经电脉冲信号聚类***,其特征在于,所述基于自适应树的时空增强神经电脉冲信号聚类***包括:
数据处理模块,用于获取电生理记录,将所述电生理记录进行预处理得到目标白化数据,根据阈值对所述目标白化数据进行检测,得到神经电脉冲信号;
时空增强模块,用于对每个神经电脉冲信号的动作电位和时空信息进行时空增强,得到对比神经电脉冲信号,所述时空信息包括被检测到时所在电极位置以及探针编号、发放时的时间戳;
信息编码模块,用于对神经电脉冲信号以及对比神经电脉冲信号的动作电位和时空信息进行信息嵌入,对嵌入的神经电脉冲信号和相应的对比神经电脉冲信号的动作电位和时空信息进行编码,得到编码后的信号;
信号聚类模块,用于将编码后的信号输入到自适应树形结构,输出神经电脉冲信号聚类结果,以实现自适应神经电脉冲信号聚类。
9.一种终端,其特征在于,所述终端包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于自适应树的时空增强神经电脉冲信号聚类程序,所述基于自适应树的时空增强神经电脉冲信号聚类程序被所述处理器执行时实现如权利要求1-7任一项所述的基于自适应树的时空增强神经电脉冲信号聚类方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有基于自适应树的时空增强神经电脉冲信号聚类程序,所述基于自适应树的时空增强神经电脉冲信号聚类程序被处理器执行时实现如权利要求1-7任一项所述的基于自适应树的时空增强神经电脉冲信号聚类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424261.XA CN118013308B (zh) | 2024-04-10 | 2024-04-10 | 基于自适应树的时空增强神经电脉冲信号聚类方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424261.XA CN118013308B (zh) | 2024-04-10 | 2024-04-10 | 基于自适应树的时空增强神经电脉冲信号聚类方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118013308A true CN118013308A (zh) | 2024-05-10 |
CN118013308B CN118013308B (zh) | 2024-06-04 |
Family
ID=90956803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410424261.XA Active CN118013308B (zh) | 2024-04-10 | 2024-04-10 | 基于自适应树的时空增强神经电脉冲信号聚类方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013308B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030088185A1 (en) * | 2001-11-06 | 2003-05-08 | Prass Richard L. | Intraoperative neurophysiological monitoring system |
CN110248697A (zh) * | 2016-12-14 | 2019-09-17 | 内宇宙有限责任公司 | 脑机接口***及其使用方法 |
CN111783719A (zh) * | 2020-07-13 | 2020-10-16 | 中国科学技术大学 | 一种肌电控制方法及装置 |
CN114881070A (zh) * | 2022-04-07 | 2022-08-09 | 河北工业大学 | 一种基于仿生分层脉冲神经网络的aer对象识别方法 |
CN116861967A (zh) * | 2022-03-24 | 2023-10-10 | 中国科学院深圳先进技术研究院 | 一种基于脉冲神经网络的数据增强方法及装置 |
CN116996401A (zh) * | 2023-07-04 | 2023-11-03 | 电子科技大学 | 一种基于时空增强循环神经网络的流量预测方法 |
CN117357134A (zh) * | 2023-12-08 | 2024-01-09 | 中国科学院深圳先进技术研究院 | 一种神经电脉冲检测方法、***及终端 |
-
2024
- 2024-04-10 CN CN202410424261.XA patent/CN118013308B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030088185A1 (en) * | 2001-11-06 | 2003-05-08 | Prass Richard L. | Intraoperative neurophysiological monitoring system |
CN110248697A (zh) * | 2016-12-14 | 2019-09-17 | 内宇宙有限责任公司 | 脑机接口***及其使用方法 |
CN111783719A (zh) * | 2020-07-13 | 2020-10-16 | 中国科学技术大学 | 一种肌电控制方法及装置 |
CN116861967A (zh) * | 2022-03-24 | 2023-10-10 | 中国科学院深圳先进技术研究院 | 一种基于脉冲神经网络的数据增强方法及装置 |
CN114881070A (zh) * | 2022-04-07 | 2022-08-09 | 河北工业大学 | 一种基于仿生分层脉冲神经网络的aer对象识别方法 |
CN116996401A (zh) * | 2023-07-04 | 2023-11-03 | 电子科技大学 | 一种基于时空增强循环神经网络的流量预测方法 |
CN117357134A (zh) * | 2023-12-08 | 2024-01-09 | 中国科学院深圳先进技术研究院 | 一种神经电脉冲检测方法、***及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN118013308B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Classification of heart diseases based on ECG signals using long short-term memory | |
Zhang et al. | Optimum spatio-spectral filtering network for brain–computer interface | |
US10531806B2 (en) | Brain state advisory system using calibrated metrics and optimal time-series decomposition | |
Wu et al. | Complete functional characterization of sensory neurons by system identification | |
CN112244873A (zh) | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 | |
Sengupta et al. | Spike-time encoding as a data compression technique for pattern recognition of temporal data | |
Oliynyk et al. | Automatic online spike sorting with singular value decomposition and fuzzy C-mean clustering | |
CN109375776B (zh) | 基于多任务rnn模型的脑电信号动作意图识别方法 | |
CN113662560B (zh) | 发作间期痫样放电的检测方法、存储介质和设备 | |
Hwaidi et al. | A noise removal approach from eeg recordings based on variational autoencoders | |
CN107045624B (zh) | 一种基于最大加权团的脑电信号预处理与分类方法 | |
Yang et al. | Frequency band separability feature extraction method with weighted Haar wavelet implementation for implantable spike sorting | |
Wu et al. | Sparse coding and compressive sensing for overlapping neural spike sorting | |
CN118013308B (zh) | 基于自适应树的时空增强神经电脉冲信号聚类方法及*** | |
CN114428555A (zh) | 一种基于皮层源信号的脑电运动意图识别方法及*** | |
CN114626408A (zh) | 脑电信号分类方法、装置、电子设备、介质及产品 | |
Li et al. | Application of deep reinforcement learning for spike sorting under multi-class imbalance | |
Ul Hassan et al. | Efficient neural spike sorting using data subdivision and unification | |
Oweiss et al. | Detection and classification of extracellular action potential recordings | |
Yu et al. | PGMM—pre-trained Gaussian mixture model based convolution neural network for electroencephalography imagery analysis | |
Hadiyoso et al. | ECG based biometric using wavelet packet decomposition | |
Hu et al. | Character encoding-based motor imagery EEG classification using CNN | |
CN118013352B (zh) | 基于异构图网络的EEG-fNIRS运动想象识别方法和装置 | |
Shojaedini et al. | Sparse Representation-Based Classification (SRC): A Novel Method to Improve the Performance of Convolutional Neural Networks in Detecting P300 Signals | |
Zamani et al. | Efficient approximation of action potentials with high-order shape preservation in unsupervised spike sorting |
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 |