CN101814146A - 一种基于多个小波变换的动作电位特征提取方法 - Google Patents
一种基于多个小波变换的动作电位特征提取方法 Download PDFInfo
- Publication number
- CN101814146A CN101814146A CN 201010151741 CN201010151741A CN101814146A CN 101814146 A CN101814146 A CN 101814146A CN 201010151741 CN201010151741 CN 201010151741 CN 201010151741 A CN201010151741 A CN 201010151741A CN 101814146 A CN101814146 A CN 101814146A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- matrix
- feature
- action potential
- features
- 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
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于多个小波变换的动作电位特征提取方法。目前单一小波基无法对动作电位进行全面的描述。本发明方法首先以Db、Sym、Bior小波作为小波变换基函数,提取各小波基下的小波特征,然后在KS检验的规则下,分别对各组小波特征分量检验,并对高维特征空间的降维,计算出各特征分量的权值系数,选取出的三组特征分量合成为原始联合矩阵后,与权值矩阵相乘,得到多个小波变换下的加权联合特征。本发明方法克服了单个小波特征描述的单一性和局限性,并综合了多个小波特征,能更有效表达动作电位特异性的特征分量,加权融合后的联合特征,能实现对信号特征更全面、有效的表达。
Description
技术领域
本发明属于生物医学工程领域,涉及植入式脑电信号的处理方法,具体是神经元动作电位的特征提取方法。
背景技术
采用植入式脑机接口技术来解决人类社会普遍存在的神经系统疾病,例如肢体瘫痪、听视觉丧失等问题,已经成为当今国际上的一个热点和前沿课题。提取植入式脑电信号——动作电位(Spike)的有效特征是后续信号处理的重要保证。目前广泛使用的基于主元分析的PCA特征,其通过相互正交的特征量体现非同源动作电位的差异,但其缺乏对信号频域特征的描述。因此小波时频特征被越来越多用于动作电位的特征描述。由于小波基函数的多样性,不同的小波基能够有效描述一个信号的不同部分或特征,但单一小波基还无法做到对动作电位进行全面的描述,尚缺乏一种普遍适用的小波变换基函数。
发明内容
本发明的目的是针对现有技术的不足,提供一种植入式脑机接口中的动作电位特征提取方法,以提高后续脑机交互系统的性能以及实用性。
本发明包括以下各步骤:
步骤(1)对神经元动作电位发放进行采样,经采样放大及截断处理后的Spike信号表示成矩阵形式;
步骤(2)分别以Db、Sym、Bior这三种具有代表性的小波基函数作为小波变换基函数,对检测所得的动作电位进行小波变换,以提取各组小波基下的小波特征。
步骤(3)在KS检验的规则下,分别计算各组小波特征分量的KS检验值。
步骤(4)对每组内的特征分量的检验值按由大到小排序,分别提取各组特征矩阵中前三个检验值对应的特征分量,实现对高维特征空间的降维,同时根据KS检验值计算出各特征分量的权值系数。
步骤(5)将选取出的将三组特征分量合成为原始联合矩阵后,与权值矩阵相乘,得到多个小波变换下的加权联合特征矩阵,即最终提取的动作电位特征。
本发明具有以下特点:
(1)采用小波变换来实现信号从测量空间到特征空间的转换,从而实现去高维数据中的相关性及冗余。不同的小波基往往具有不同的时频特性,能够有效表示一个信号的不同部分或不同特征。因此,分别以Db、Sym、Bior这三种具有代表性的小波作为小波变换基函数,来提取特征。从而充分利用了各小波函数的特性,克服了单个小波特征描述的单一性和局限性。
(2)在KS检验的规则下,分别对各组小波特征分量进行检验,根据检验值对特征排序,取检验值靠前的特征作为Spike的特征描述,实现对高维特征空间的降维。相比PCA分析中的最大方差检验降维方法,该方法挑选出的特征样本分布具有明显多峰性,更能有效的表达Spike信号的特异性。
(3)以KS检验值为依据,计算挑选出的特征分量的权值系数,加权后的矩阵融合成Spike的联合特征,从而得到了Spike的多小波特征融合。相比传统的PCA特征和单个小波特征,该特征能实现对信号特征更全面、有效的表达,另外对于不同场合动作电位信号具有较好的鲁棒性和普适性。
附图说明
图1是植入式脑电的动作电位示意图;
图2是三类小波基作用下小波特征图谱对比图;
图3是KS检验与最大方差检验选取的特征分量值分布的统计直方图。
具体实施方式
一种基于多个小波变换的动作电位特征提取方法,具体步骤是:
步骤(1)对神经元动作电位发放进行采样,经采样放大及截断处理后的Spike信号表示为矩阵形式SN×M,其中N为Spike信号的个数,M为每个Spike信号的采样点个数。神经元动作电位采样如图1所示。
步骤(2)以小波变换来实现信号从测量空间到特征空间的转换,从而实现去高维数据中的相关性及冗余。其实质是将信号分解到两个不同的且相互正交的函数空间,一个是多尺度函数空间,另一个是小波函数空间。从滤波器的角度来说,即为将信号通过高、低频滤波器分解为小波系数和逼近系数,分别反映了输入信号的细节信息以及概要信息。对Spike信号进行小波变换,得到其小波时频特征,将Spike信号表示为f(t),第i尺度下第k个小波系数ci,k为
ci,k=<ψj,q(t),f(t)>
其中j为伸缩尺度,它从频率的角度对小波母函数Ψ(t)进行改变;q是平移尺度,它使得小波函数在时间轴上平移,最终构造出一系列小波基。小波基函数ψjk(t)为:
Spike信号通过小波变换后得到小波系数矩阵CL×H,L为矩阵CL×H的行数、H为矩阵CL×H的维数,L=N,H=M,
CL×H={c1,c2,c3,…,cm,…ch},cm={cm1,cm2,cm3,…cml},cm表示N个Spike信号的第m维特征分量。分别采用三类有代表性的小波基函数Db、Sym、Bior带入小波特征的矩阵求解,得到三组不同小波基下的特征矩阵,记为C1、C2、C3。
图2为三类小波基作用下小波特征图谱对比。可见非同源Spike信号的小波特征的幅度值不尽相同,且同源Spike在不同小波基下提取的特征也存在差异性。
步骤(3)在KS检验函数的规则下,得到各原始特征项的量化评价,实现特征排序。KS检验用于描述两个独立统计样本的相似性。对于非同源Spike叠加的信号而言,其有效的小波时频特征分量在统计意义上,表现为非正态分布特性,即多峰特性。因此高维的小波时频特征获取后,可采用KS检验方法对特征分量的分布特性进行评价。针对三组特征矩阵C1、C2、C3中的每一维特征分量cm,分别计算其KS检验值λm,
λm=|F(cm)-G(cm)|
其中F(x)为经验积累分布函数,G(x)为高斯分布函数。
步骤(4)对每组内的特征分量的检验值按由大到小排序,分别提取各组特征矩阵中前三个检验值对应的特征分量,记为cs,g(s为组号,s=1,2,3,g为组内检验值序号,g=1,2,3),从而实现了对高维特征空间的降维,这有利于提高后期模式识别的正确性和降低计算工作量,以实现更有效的特征分析。计算各特征分量的权值系数ws,g:
图3表示通过KS检验(a)与最大方差检验(b)选取三个特征分量值分布的统计直方图。由图可见,通过KS检验后挑选出的特征样本分布具有明显多峰性,而根据方差挑选出的样本分布仅呈现单峰。因此相较于最大方差检验,KS检验挑选出的特征分量更能有效的表达Spike信号的特异性。
步骤(5)以加权的多个小波特征作为动作电位的完整描述,以实现对信号特征更全面、有效的表达。
加权后的联合特征矩阵C作为最终提取的动作电位特征,C=WC’。
加权的联合特征融合了多个小波特征中的有效分量,充分利用了多小波函数的特性,克服了单个小波特征描述的单一性和局限性,对于不同场合动作电位信号具有较好的鲁棒性和普适性。
Claims (1)
1.一种基于多个小波变换的动作电位特征提取方法,其特征在于该方法包括如下步骤:
步骤(1)对神经元动作电位发放进行采样,经采样放大及截断处理后的Spike信号表示为矩阵形式SN×M,其中N为Spike信号的个数,M为每个Spike信号的采样点个数;
步骤(2)对Spike信号进行小波变换,得到其小波时频特征,将Spike信号表示为f(t),第i尺度下第k个小波系数ci,k为
ci,k=<ψj,q(t),f(t)>
其中j为伸缩尺度,它从频率的角度对小波母函数Ψ(t)进行改变;q是平移尺度,它使得小波函数在时间轴上平移,最终构造出一系列小波基;小波基函数ψj,k(t)为:
Spike信号通过小波变换后得到小波系数矩阵CL×H,L为矩阵CL×H的行数、H为矩阵CL×H的维数,L=N,H=M,
CL×H={c1,c2,c3,…,cm,…ch},cm={cm1,cm2,cm3,…cml},cm表示N个Spike信号的第m维特征分量;分别采用三类有代表性的小波基函数Db、Sym、Bior带入小波特征的矩阵求解,得到三组不同小波基下的特征矩阵,记为C1、C2、C3;
步骤(3)对三组不同小波基下的特征矩阵进行KS检验,针对三组特征矩阵C1、C2、C3中的每一维特征分量cm,分别计算其KS检验值λm,
λm=|F(cm)-G(cm)|式中F(x)为经验积累分布函数,G(x)为高斯分布函数;
步骤(4)对每组内的特征分量的检验值按由大到小排序,分别提取各组特征矩阵中前三个检验值对应的特征分量,记为cs,g,实现对高维特征空间的降维,其中s为组号,s=1,2,3,g为组内检验值序号,g=1,2,3;计算各特征分量的权值系数ws,g:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010151741 CN101814146B (zh) | 2010-04-20 | 2010-04-20 | 一种基于多个小波变换的动作电位特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010151741 CN101814146B (zh) | 2010-04-20 | 2010-04-20 | 一种基于多个小波变换的动作电位特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101814146A true CN101814146A (zh) | 2010-08-25 |
CN101814146B CN101814146B (zh) | 2013-01-09 |
Family
ID=42621397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010151741 Expired - Fee Related CN101814146B (zh) | 2010-04-20 | 2010-04-20 | 一种基于多个小波变换的动作电位特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101814146B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110244A (zh) * | 2011-02-25 | 2011-06-29 | 杭州电子科技大学 | 一种基于关联维数的神经元动作电位特征提取方法 |
CN102184451A (zh) * | 2011-03-24 | 2011-09-14 | 杭州电子科技大学 | 一种基于多小波融合特征的神经元动作特征提取方法 |
CN102930284A (zh) * | 2012-09-13 | 2013-02-13 | 杭州电子科技大学 | 基于经验模态分解和分形的表面肌电信号模式识别方法 |
CN103505197A (zh) * | 2012-06-26 | 2014-01-15 | 中国科学院电子学研究所 | 神经信号检测器 |
CN112378414A (zh) * | 2020-11-20 | 2021-02-19 | 深圳信息职业技术学院 | 一种基于pm2.5健康出行的路径规划装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040148266A1 (en) * | 2003-01-29 | 2004-07-29 | Forman George Henry | Feature selection method and apparatus |
US20060235599A1 (en) * | 2005-04-18 | 2006-10-19 | Honeywell International, Inc. | Kernel-based fault detection system and method |
CN1851729A (zh) * | 2006-06-01 | 2006-10-25 | 北京中星微电子有限公司 | 应用于模式识别的基于AdaBoost的特征抽取方法 |
CN101655909A (zh) * | 2008-08-21 | 2010-02-24 | 索尼(中国)有限公司 | 匹配程度计算装置及方法 |
CN101655910A (zh) * | 2008-08-21 | 2010-02-24 | 索尼(中国)有限公司 | 训练系统、训练方法及检测方法 |
-
2010
- 2010-04-20 CN CN 201010151741 patent/CN101814146B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040148266A1 (en) * | 2003-01-29 | 2004-07-29 | Forman George Henry | Feature selection method and apparatus |
US20060235599A1 (en) * | 2005-04-18 | 2006-10-19 | Honeywell International, Inc. | Kernel-based fault detection system and method |
CN1851729A (zh) * | 2006-06-01 | 2006-10-25 | 北京中星微电子有限公司 | 应用于模式识别的基于AdaBoost的特征抽取方法 |
CN101655909A (zh) * | 2008-08-21 | 2010-02-24 | 索尼(中国)有限公司 | 匹配程度计算装置及方法 |
CN101655910A (zh) * | 2008-08-21 | 2010-02-24 | 索尼(中国)有限公司 | 训练系统、训练方法及检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110244A (zh) * | 2011-02-25 | 2011-06-29 | 杭州电子科技大学 | 一种基于关联维数的神经元动作电位特征提取方法 |
CN102110244B (zh) * | 2011-02-25 | 2013-09-18 | 杭州电子科技大学 | 一种基于关联维数的神经元动作电位特征提取方法 |
CN102184451A (zh) * | 2011-03-24 | 2011-09-14 | 杭州电子科技大学 | 一种基于多小波融合特征的神经元动作特征提取方法 |
CN102184451B (zh) * | 2011-03-24 | 2014-04-02 | 杭州电子科技大学 | 一种基于多小波融合特征的神经元动作特征提取方法 |
CN103505197A (zh) * | 2012-06-26 | 2014-01-15 | 中国科学院电子学研究所 | 神经信号检测器 |
CN103505197B (zh) * | 2012-06-26 | 2015-05-06 | 中国科学院电子学研究所 | 神经信号检测器 |
CN102930284A (zh) * | 2012-09-13 | 2013-02-13 | 杭州电子科技大学 | 基于经验模态分解和分形的表面肌电信号模式识别方法 |
CN102930284B (zh) * | 2012-09-13 | 2015-06-17 | 杭州电子科技大学 | 基于经验模态分解和分形的表面肌电信号模式识别方法 |
CN112378414A (zh) * | 2020-11-20 | 2021-02-19 | 深圳信息职业技术学院 | 一种基于pm2.5健康出行的路径规划装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101814146B (zh) | 2013-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pan et al. | Intelligent fault identification for industrial automation system via multi-scale convolutional generative adversarial network with partially labeled samples | |
Zhu et al. | 3D ground penetrating radar to detect tree roots and estimate root biomass in the field | |
Wang et al. | Mapping Robinia pseudoacacia forest health conditions by using combined spectral, spatial, and textural information extracted from IKONOS imagery and random forest classifier | |
Queloz et al. | No biogeographical pattern for a root‐associated fungal species complex | |
CN110443293B (zh) | 基于双判别生成对抗网络文本重构的零样本图像分类方法 | |
CN101814146B (zh) | 一种基于多个小波变换的动作电位特征提取方法 | |
Wang et al. | Identification of apple leaf diseases by improved deep convolutional neural networks with an attention mechanism | |
CN101751555B (zh) | 一种形变指纹识别方法及系统 | |
Gao et al. | Mapping spatial distribution of larch plantations from multi-seasonal Landsat-8 OLI imagery and multi-scale textures using random forests | |
CN106909784A (zh) | 基于二维时频图像深度卷积神经网络的癫痫脑电识别方法 | |
CN101968850B (zh) | 一种模拟生物视觉机制的人脸特征提取方法 | |
Salas et al. | Multispectral and texture feature application in image-object analysis of summer vegetation in Eastern Tajikistan Pamirs | |
CN102324047A (zh) | 基于稀疏核编码skr的高光谱图像地物识别方法 | |
CN103412557A (zh) | 一种适于非线性过程在线监控的工业故障检测与诊断方法 | |
CN103824093A (zh) | 一种基于kfda及svm的sar图像目标特征提取与识别方法 | |
CN102184451B (zh) | 一种基于多小波融合特征的神经元动作特征提取方法 | |
Pu et al. | Extracting information on rocky desertification from satellite images: A comparative study | |
Zhang et al. | Winter wheat mapping based on Sentinel-2 data in heterogeneous planting conditions | |
CN106097290A (zh) | 基于nmf图像融合的sar图像变化检测方法 | |
CN112633401A (zh) | 一种高光谱遥感图像分类方法、装置、设备及存储介质 | |
Cai et al. | Machine learning algorithms improve the power of phytolith analysis: A case study of the tribe Oryzeae (Poaceae) | |
CN102622611B (zh) | 基于特征扩展和模糊支持向量机的多分组图像分类方法 | |
CN106443625B (zh) | 基于高分辨一维像信息融合的目标识别方法 | |
CN103679019A (zh) | 恶意文件识别方法及装置 | |
Yang et al. | An adaptive-parameter pixel unmixing method for mapping evergreen forest fractions based on time-series NDVI: A case study of southern China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130109 Termination date: 20150420 |
|
EXPY | Termination of patent right or utility model |