CN101849823A - 一种基于排列组合熵的神经元动作电位特征提取方法 - Google Patents

Abstract

本发明涉及一种基于排列组合熵的神经元动作电位特征提取方法。现有的方法信息提取不完成、计算效率低。本发明方法首先通过动作电位采集系统采样动作电位信号；其次在一个时间窗宽记录电位信号形成时间序列X，根据嵌入维数将该时间序列X划分为多个子序列；然后记录每个子序列中元素的标记顺序，统计时间序列X中相同的标记顺序的概率；最后利用信息熵计算方法计算时间序列X的排列组合熵值，并将其归一化；得到神经元动作电位特征。本发明方法在计算过程中的信息量完整且计算速度快。

Description

一种基于排列组合熵的神经元动作电位特征提取方法

技术领域

本发明属于生物医学工程领域，涉及一种神经元动作电位特征提取方法，具体涉及一种基于排列组合熵的神经元动作电位特征提取方法。

背景技术

神经元动作电位的特征提取技术是动作电位模式分类技术以及动作电位序列解码等神经信息学研究的前期基础，且由于植入式多电极阵列技术的发展，使得大量神经元动作电位的获取成为可能，因此提取动作电位的有效特征，并根据特征将其划分至各自对应的神经元，对于后续理解神经元响应与外在刺激之间的关联性，起着非常关键的作用。

目前神经元动作电位特征提取及模式分类方法主要包括模板法和信号处理方法。前者需要一定的先验知识，要求能够获取信号中所隐含的动作电位类别数和各自的动作电位模板特征，因此分类性能的稳定性通常不够理想；后者则将采样后的动作电位信号视为多维的点处理时间序列，通过对其特征的刻画，来实现信号的自动分类。目前被普遍采用的特征提取方法有主成分分析和小波分析方法。主成分分析通过样本协方差矩阵求取主要特征值，但由于动作电位信号具有一定的非线性时变性，因此主成分分析可能无法反映动作电位信号的完整信息。小波分析方法通过对动作电位信号进行多层分解，在时频域上对动作电位的动态特性进行有效描述，但是在小波分析中所使用的小波函数具有多样性，因此分析得到的小波分量和小波谱只相对所选择的小波基有意义。

发明内容

本发明针对现有技术的不足，提供了一种基于排列组合熵的神经元动作电位特征提取方法。该方法提取的动作电位排列组合熵特征，能有效地用于后期动作电位的分类，可解决传统方法所提取的特征无法反映动作电位完整信息或是计算速度较慢等问题。

本发明方法包括以下步骤：

步骤(1)通过动作电位采集系统，以40KHz采样频率采集得到多个时长为T个采样点的动作电位信号；

步骤(2)设定时间窗宽参数n的取值，并记录任一动作电位信号在该时间窗下的各采样点幅值，形成时间序列X，则共可记录(T-n+1)个时间序列；

步骤(3)设定嵌入维数参数m的取值，从时间序列X中以连续m个采样点的动作电位幅值数据为一个子序列X_l，则共可从X中提取到(n-m+1)个子序列；

步骤(4)将子序列X_l中的元素按照动作电位幅值数据的从小到大顺序依次标记为1，2，...，m，并记录标记顺序；

步骤(5)通过步骤(4)求得所有(n-m+1)个X_l的标记顺序，并进行统计，将相同的标记顺序归为一种排列组合，计算各种排列组合出现的概率；

步骤(6)利用信息熵计算方法计算时间序列X的排列组合熵值，并将其归一化；

步骤(7)移动时间窗截取动作电位信号下一个时间序列，重复步骤(3)至步骤(6)，得到下一个时间序列的排列组合熵归一化后的值；直到计算出(T-n+1)个时间序列归一化后的熵值，即为神经元动作电位特征。

本发明方法所具有的有益效果为：

1、排列组合熵是一种衡量一维时间序列复杂度的平均熵参数，适用于随机信号或者确定信号以及随机和确定性信号混合的信号。将排列组合熵应用于动作电位的特征提取中，其特征表征了该动作电位的复杂性以及所含信息量，可有效实现动作电位的分类。

2、动作电位排列组合熵特征能刻画非同源动作电位在波形形状以及幅值波动等方面存在的差异，可达到将动作电位按不同神经元发放归类的目的。

3、基于排列组合熵的动作电位特征提取方法，因其算法较为简单，在计算动作电位的排列组合熵时只涉及累加和比较操作，因此计算速度快。与传统的特征提取方法相比，速度明显提高。

4、排列组合熵算法，只需较短的序列长度就能估计出较为稳定的统计值，能较好地适用于动作电位时长较短的特点，且抗噪能力强。

5、基于排列组合熵的动作电位特征提取方法直接将动作电位信号作为熵源计算其排列组合熵特征，解决了某些传统方法在信号分解重构过程中丢失信息的问题。

附图说明

图1是神经元动作电位波形图；

图2是神经元动作电位排列组合熵图。

具体实施方式

以下结合附图对本发明作进一步说明，本发明通过提取动作电位的排列组合熵特征，来表征各动作电位的复杂度及信息量等特性，可以作为区分不同动作电位的有效依据。本发明方法的具体步骤如下：

步骤(1)通过动作电位采集系统可记录到时长为T个采样点的动作电位信号。为使每个动作电位都能提取一定数量的排列组合熵特征，以便于后期分类时特征的选择，所以设定合适的时间窗宽n，使n＜T，且n个采样点的时长应包括上升支下降支等神经元放电的重要时段。这样每个动作电位即可提取(T-n+1)个排列组合熵特征。如图1所示，动作电位信号的采样点数T＝64，通过观察动作电位波形可取n＝10。

步骤(2)记录任一动作电位信号在该时间窗下的各采样点幅值为时间序列{x(i)}，其中i＝1，2，...，n，设定合适的嵌入维数m，从该时间序列中取连续的m个采样点数据，记为X_l＝[x(l)，x(l+1)，...，x(l+m-1)]，其中l＝1，2，...，n-m+1。在确定m的取值时，一般满足m！＜n即可。针对图1所示动作电位信号，由于n＝10，所以可取m＝3。这样从时间序列{x(i)}中可提取(n-m+1)个子序列X_l。

步骤(3)对子序列X_l中的元素从小到大排列x(l+j₁-1)≤x(l+j₂-1)≤...≤x(l+j_m-1)，得X_l的排列顺序为(j₁，j₂，...，j_m)，该排列顺序是m！种排列顺序中的一种。对(n-m+1)个子序列X_l中的元素都进行从小到大排列操作，得到(n-m+1)个排列顺序。对(n-m+1)个排列顺序进行统计，相同的排列顺序归为一种排列组合π。记f(π)为排列组合π出现的排列顺序个数，则其概率P(π)可由式(1)计算得到。

P(π)＝f(π)/(n-m+1)    (1)

步骤(4)记计算所得不同排列组合出现的概率分别为P₁，P₂，...，P_k，k≤m！，则利用式(2)可计算出时间序列{x(i)}的排列组合熵值H(m)。

$H\left(m\right)=-\underset{r=1}{\overset{k}{\mathrm{\Σ}}}{P}_r\log P_r---\left(2\right)$

步骤(5)从排列组合熵的计算原理可以看出，如果此时间序列是周期性的，那么它的排列组合熵为0；如果这个时间序列是白噪声随机序列，那么各种排列组合都会以等概率出现，它的排列组合平均熵就为log(m！)。由于动作电位的时间序列介于周期序列和随机序列之间，它们的排列组合熵一般在0＜H(m)＜log(m！)范围内，所以通过式(3)对排列组合熵H(m)进行归一化，使其熵值在0～1之间。

H′(m)＝H(m)/log(m！)    (3)

步骤(6)通过上述方法即求出了动作电位该时间序列的归一化后排列组合熵，重复步骤(2)～步骤(5)，依次计算出该动作电位的所有(T-n+1)个时间序列的归一化后熵值，作为该动作电位可提取到的特征。对于图1所示的动作电位，其排列组合熵曲线如图2所示。进而可求得所有待分类动作电位的排列组合熵归一化值，作为后期动作电位分类的特征依据。

Claims (1)

1.一种基于排列组合熵的神经元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)通过动作电位采集系统，以40KHz采样频率采集得到多个时长为T个采样点的动作电位信号；

步骤(2)设定时间窗宽参数n的取值，并记录任一动作电位信号在该时间窗下的各采样点幅值，形成时间序列X，则共可记录(T-n+1)个时间序列；

步骤(3)设定嵌入维数参数m的取值，从时间序列X中以连续m个采样点的动作电位幅值数据为一个子序列X_l，则共可从X中提取到(n-m+1)个子序列；

步骤(4)将子序列X_l中的元素按照动作电位幅值数据的从小到大顺序依次标记为1，2，...，m，并记录标记顺序；

步骤(5)通过步骤4求得所有(n-m+1)个X_l的标记顺序，并进行统计，将相同的标记顺序归为一种排列组合，计算各种排列组合出现的概率；

步骤(6)利用信息熵计算方法计算时间序列X的排列组合熵值，并将其归一化；

步骤(7)移动时间窗截取动作电位信号下一个时间序列，重复步骤(3)至步骤(6)，得到下一个时间序列的排列组合熵归一化后的值；直到计算出(T-n+1)个时间序列归一化后的熵值，即为神经元动作电位特征。

Images