CN102110244B - 一种基于关联维数的神经元动作电位特征提取方法 - Google Patents
一种基于关联维数的神经元动作电位特征提取方法 Download PDFInfo
- Publication number
- CN102110244B CN102110244B CN 201110045803 CN201110045803A CN102110244B CN 102110244 B CN102110244 B CN 102110244B CN 201110045803 CN201110045803 CN 201110045803 CN 201110045803 A CN201110045803 A CN 201110045803A CN 102110244 B CN102110244 B CN 102110244B
- Authority
- CN
- China
- Prior art keywords
- action potential
- dimension
- phase space
- value
- correlation
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于关联维数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整、计算效率低。本发明方法首先采样动作电位信号,得到n个采样点的动作电位信号时间序列X,其次确定延迟时间和嵌入维数的取值,对该时间序列X进行多维相空间重构,然后在重构的相空间中采用改进算法计算动作电位的关联维数,即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
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,具体涉及一种基于关联维数的神经元动作电位特征提取方法。
背景技术
动作电位是神经元所接收、分析和传递的信号载体,是神经元网络活动的基本表现形式。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,近年来,随着植入式多电极阵列记录技术的发展,使得大量神经元动作电位的获取成为可能,因此提取神经元动作电位的有效特征信息,并根据特征信息将其划分到对应的神经元,对于后续研究神经元响应与外在刺激的关联性,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
为克服现有技术的不足,本发明提出了一种提取神经元动作电位特征信息的新方法,即基于关联维数的神经元动作电位特征提取方法。该方法提取动作电位的关联维数特征,能有效的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无法反映动作电位非线性非平稳的动态特性等问题。
本发明方法包括以下步骤:
1、通过动作电位采集系统采集到时长为n个采样点的动作电位信号时间序列 。
C-C方法介绍:估计延迟时间的C-C方法通过计算以下两个量:
(2)
由于实际时间序列的长度不可能为无穷,所以具体计算时以
本发明的有益效果如下:
1、关联维数以分形理论为基础,分析神经元动作电位各采样点幅值之间的相关性,在相空间中计算关联维数作为动作电位的特征信息,此特征信息完整的刻画了动作电位非线性非平稳的动态特性。
2、当动作电位波形状态随时间变化时,状态变量前后的关联性可以用来表征信号是否有确定规律及其程度,关联维数以相关性定义,反映了动作电位的几何自相似特征。
3、改进了关联维数算法,用高斯函数代替了传统计算关联维数的阶跃函数,使关联维数曲线更加圆滑,有利于通过线性拟合求取对象的关联维数。
4、基于关联维数的神经元动作电位特征提取方法,将动作电位时间序列重构到高维的相空间中,使得原本在低维空间中无法区别的特征信息,在高维相空间中可以加以区分,增加了动作电位不同的特征信息。
附图说明
图1是神经元动作电位波形图;
具体实施方式
基于关联维数的神经元动作电位特征提取方法,通过提取动作电位的关联维数特征,来表征各动作电位的内部确定规律及其程度等特征,可以作为区分不同动作电位的有效依据。其具体实施方式如下:
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n个采样点的动作电位时间序列,如图1所示,动作电位的采样点数。
(13)
Claims (1)
1.一种基于关联维数的神经元动作电位特征提取方法,其特征在于该方法包括以下步骤:
步骤1、通过动作电位采集系统采集到时长为n个采样点的动作电位信号时间序列{xi|i=1,2,3,...,n};
步骤2、对神经元动作电位信号进行相空间重构,采用C-C方法确定相空间重构的延迟时间τ,采用cao方法确定相空间重构的嵌入维数m;
所述的C-C方法:估计延迟时间τ的C-C方法通过计算以下两个量:
ΔS(m,t)=max{S(m,rj,t)}-min{S(m,rj,t)} (1)
其中m=2,3,...;关联积分
由于实际时间序列的长度N不可能为无穷,所以具体计算时以
作为S(m,r,t)的估值;
所述的cao方法:设xi(m)是在m维相空间中第i个向量,f(i,m)表示第i个向量的最近邻点的下标,定义:
其中E(m)依赖于嵌入维数m和延迟时间τ,cao方法假定已经通过其他方法找到合适的延迟时间τ,E(m)仅随嵌入维数m的变化而变化,定义:
当m大于某个m0时F(m)不再明显发生变化并接近于1时,此时m0+1为最小嵌入维数;
步骤3、确定延迟时间τ和嵌入维数m后,进行相空间重构,相空间中的向量可表示为:Ya=[xa,xa+τ,xa+2τ,...,xa+(m-1)τ],其中a=1,2,3,...,n-(m-1)τ,令N=n-(m-1)τ,则重构的多维相空间可表示为:其中T表示矩阵转置;
步骤4、Ya是重构的相空间中第a个向量,计算其余N-1个向量与Ya的欧氏空间距离rab,rab=d(Ya-Yb)=max{|xa+kτ-xb+kτ|,0≤k≤m-1},其中Yb为相空间中第b个向量,b=1,2,3,...,n-(m-1)τ且b≠a,并将计算的每一结果rab存储到矩阵G中;
步骤5、求取矩阵G中最大值与最小值,并将最大值与最小值作为计算关联积分时用到的阈值半径ε的上界限与下界限;计算最大值与最小值的差值,将差值匀分为一百等份,每等份大小为J,并设定阈值半径ε的初始值为ε的下界限;
步骤7、阈值半径ε加上每等份J,重复步骤6,直至阈值半径ε达到上界限为止;
步骤8、选择ln(c(ε))~lnε曲线的无标度区间,计算此区间ln(c(ε))~lnε曲线的斜率,该斜率即为神经元动作电位的关联维数特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110045803 CN102110244B (zh) | 2011-02-25 | 2011-02-25 | 一种基于关联维数的神经元动作电位特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110045803 CN102110244B (zh) | 2011-02-25 | 2011-02-25 | 一种基于关联维数的神经元动作电位特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102110244A CN102110244A (zh) | 2011-06-29 |
CN102110244B true CN102110244B (zh) | 2013-09-18 |
Family
ID=44174394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110045803 Expired - Fee Related CN102110244B (zh) | 2011-02-25 | 2011-02-25 | 一种基于关联维数的神经元动作电位特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102110244B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110187241A (zh) * | 2019-06-26 | 2019-08-30 | 云南电网有限责任公司电力科学研究院 | 一种配电网单相接地故障的接地介质种类的确定方法 |
CN110807438B (zh) * | 2019-11-11 | 2020-10-30 | 电子科技大学 | 一种基于空排列的生理信号非线性特征提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1567331A (zh) * | 2003-06-23 | 2005-01-19 | 吴东宇 | 用于实时监测的大脑电位非线性趋势图形的生成方法 |
JP4060261B2 (ja) * | 2003-10-16 | 2008-03-12 | 独立行政法人科学技術振興機構 | 画像に含まれる身体形状を判定する方法及び非接触型ポインティング・デバイスの実現方法 |
JP4195247B2 (ja) * | 2002-07-09 | 2008-12-10 | 株式会社アイチコーポレーション | 作業用車両の旋回台支持機構 |
CN101814146A (zh) * | 2010-04-20 | 2010-08-25 | 杭州电子科技大学 | 一种基于多个小波变换的动作电位特征提取方法 |
CN101828911A (zh) * | 2010-04-27 | 2010-09-15 | 杭州电子科技大学 | 一种基于奇异谱熵的神经元动作电位特征提取方法 |
CN101849823A (zh) * | 2010-04-27 | 2010-10-06 | 杭州电子科技大学 | 一种基于排列组合熵的神经元动作电位特征提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04195247A (ja) * | 1990-09-29 | 1992-07-15 | Toshiba Corp | ニューラルネットワークの学習方法、およびこれを用いたパターン認識方法 |
-
2011
- 2011-02-25 CN CN 201110045803 patent/CN102110244B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4195247B2 (ja) * | 2002-07-09 | 2008-12-10 | 株式会社アイチコーポレーション | 作業用車両の旋回台支持機構 |
CN1567331A (zh) * | 2003-06-23 | 2005-01-19 | 吴东宇 | 用于实时监测的大脑电位非线性趋势图形的生成方法 |
JP4060261B2 (ja) * | 2003-10-16 | 2008-03-12 | 独立行政法人科学技術振興機構 | 画像に含まれる身体形状を判定する方法及び非接触型ポインティング・デバイスの実現方法 |
CN101814146A (zh) * | 2010-04-20 | 2010-08-25 | 杭州电子科技大学 | 一种基于多个小波变换的动作电位特征提取方法 |
CN101828911A (zh) * | 2010-04-27 | 2010-09-15 | 杭州电子科技大学 | 一种基于奇异谱熵的神经元动作电位特征提取方法 |
CN101849823A (zh) * | 2010-04-27 | 2010-10-06 | 杭州电子科技大学 | 一种基于排列组合熵的神经元动作电位特征提取方法 |
Non-Patent Citations (1)
Title |
---|
脑电混沌维数复杂度连续检测方法的研究;李春胜等;《中国生物医学工程学报》;20091231;第28卷(第6期);846-850 * |
Also Published As
Publication number | Publication date |
---|---|
CN102110244A (zh) | 2011-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102512158B (zh) | 一种基于高维模糊识别的心电信号质量评估方法和装置 | |
CN103961092B (zh) | 基于自适应阈值处理的脑电信号去噪方法 | |
CN102512157B (zh) | 基于模型的动态心电图t波交替定量分析方法 | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
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 | |
CN109100627A (zh) | 一种基于端到端模式的电力设备局部放电故障诊断方法 | |
CN102721545A (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
CN103961091B (zh) | 基于双树复小波样本熵的运动想象脑电信号特征提取方法 | |
CN103868690A (zh) | 基于多种特征提取和选择的滚动轴承状态自动预警方法 | |
CN103962888A (zh) | 一种基于小波去噪和希尔伯特-黄变换的刀具磨损监测方法 | |
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 | |
CN103487513A (zh) | 一种空间碎片撞击毁伤声发射信号类型识别方法 | |
CN107886085A (zh) | 一种基于t‑SNE的电能质量扰动特征提取方法 | |
CN101828911B (zh) | 一种基于奇异谱熵的神经元动作电位特征提取方法 | |
CN112364296A (zh) | 一种基于深度学习的p波到时自动拾取方法 | |
CN106404386A (zh) | 一种用于采集、提取及诊断齿轮箱早期故障特征信号的方法 | |
CN103308829B (zh) | 一种gis单次局放信号提取与触发时刻调整方法 | |
Veisi et al. | Fast and robust detection of epilepsy in noisy EEG signals using permutation entropy | |
CN106100762A (zh) | 一种循环平稳谱分析的弱通信信号检测方法 | |
CN107632326A (zh) | 地球物理信号去噪方法 | |
CN104268408A (zh) | 一种基于小波系数arma模型的能耗数据宏观预测方法 | |
CN102110244B (zh) | 一种基于关联维数的神经元动作电位特征提取方法 | |
Roushangar et al. | A multiscale spatio-temporal framework to regionalize annual precipitation using k-means and self-organizing map technique | |
Yang et al. | A simple deep learning method for neuronal spike sorting | |
CN109061591A (zh) | 一种基于序贯聚类的时频线谱检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
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: 20130918 Termination date: 20150225 |
|
EXPY | Termination of patent right or utility model |