CN103505197B - 神经信号检测器 - Google Patents
神经信号检测器 Download PDFInfo
- Publication number
- CN103505197B CN103505197B CN201210215888.1A CN201210215888A CN103505197B CN 103505197 B CN103505197 B CN 103505197B CN 201210215888 A CN201210215888 A CN 201210215888A CN 103505197 B CN103505197 B CN 103505197B
- Authority
- CN
- China
- Prior art keywords
- signal
- action potential
- module
- window
- submodule
- 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
Landscapes
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供了一种神经信号检测器,包括:神经信号检测模块,用于检测原始神经信号;数据采集模块,与神经信号检测模块相连接,用于对原始神经信号进行采样和模数转换;动作电位提取模块,与数据采集模块相连接,用于在进行模数转换后的原始神经信号中提取动作电位信号,滤除原始神经信号中除动作电位信号之外的其他信号;信号编码模块,与动作电位提取模块相连接,用于对动作电位信号进行调制;发送模块,用于将调制后的动作电位信号发送出去。本发明可以减少需要发送的数据量,进而降低检测器的功耗。
Description
技术领域
本发明涉及电子行业信号检测与处理技术领域,尤其涉及一种神经信号检测器。
背景技术
传统的在体记录神经元细胞放电行为的记录方式通过电缆来传输测量到的神经信号,但这会带来诸多问题如限制被测量动物的运动自由、增加脑损伤的风险等,而无线神经信号检测器能避免这些问题。
无线神经信号检测器采用ASIC设计,体积小、重量轻,可以戴在被测动物的头颅上,通过无线的方式将检测到的信号发送出来。图1为现有技术无线神经信号检测器的结构示意图,检测器将检测到的信号采集后,直接将信号传输给信号编码模块编码,然后将信号传输给无线发射模块发射出去;接收器接收到信号后将信号解码,然后经USB传输给上位机软件;上位机软件将接收到的信号处理、显示和存储等。它的一个很大的弱点是检测器采用电池供电。一般来说,神经信号采集的信号量比较大,在不对采集到的信号做任何处理的情况下,发送的信号量大,导致检测器功耗增大,而受检测器的体积、重量限制,所能采用的电池的容量有限,从而使检测器持续工作的时间短,仅为2~4小时,不利于开展长时间的动物实验。
发明内容
(一)要解决的技术问题
为解决上述的一个或多个问题,本发明提供了一种神经信号检测器,以减少需要发送的数据量,进而降低检测器的功耗。
(二)技术方案
根据本发明的一个方面,提供了一种神经信号检测器,包括:神经信号检测模块,用于检测原始神经信号;数据采集模块,与神经信号检测模块相连接,用于对原始神经信号进行采样和模数转换;动作电位提取模块,与数据采集模块相连接,用于在进行模数转换后的原始神经信号中提取动作电位信号,滤除原始神经信号中除动作电位信号之外的其他信号;信号编码模块,与动作电位提取模块相连接,用于对动作电位信号进行调制;发送模块,用于将调制后的动作电位信号发送出去。
(三)有益效果
从上述技术方案可以看出,本发明神经信号检测器具有以下有益效果:
(1)本发明中,神经信号检测器包含动作电位提取模块,该模块能利用神经信号在时间域稀疏的特点,采用阈值或峰值的方法提取出动作电位,即能对神经信号进行第一级压缩,这样能在保证不丢失有用信号的前提下,大大降低需要发送的信息量;
(2)本发明中,神经信号检测器包含数据压缩模块,该模块能利用神经信号在离散小波变换(DWT)域稀疏的特点,采用压缩感知的方法对动作电位进行进一步压缩,即对神经信号进行第二级压缩,这样能进一步降低需要发送的信息量;
(3)本发明神经信号检测器对神经信号的二级压缩能大大降低需要发送的信息量,从而降低无线发送的功耗,二级压缩模块消耗的功耗比无线发送模块减少的功耗低,因而整个检测器消耗的功耗能降低,检测器持续工作的时间能延长。
附图说明
图1为现有技术无线神经信号检测器的结构示意图;
图2为本发明实施例神经信号检测器的结构示意图;
图3为本发明实施例神经信号检测器中动作电位提取模块的结构示意图;
图4为本发明实施例神经信号检测器中数据压缩模块的结构示意图;
图5为本发明实施例神经信号检测器中无线发送模块原理框图;
图6为原始动作电位信号与经过本发明实施例神经信号检测器及对端部件进行处理后的动作电位信号的对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
需要说明的是,在附图或说明书描述中,相似或相同的部分都使用相同的图号。且在附图中,以简化或是方便标示。再者,附图中未绘示或描述的实现方式,为所属技术领域中普通技术人员所知的形式。另外,虽然本文可提供包含特定值的参数的示范,但应了解,参数无需确切等于相应的值,而是可在可接受的误差容限或设计约束内近似于相应的值。
本发明中,应用神经信号在时间域是稀疏的,神经动作电位在离散小波变换(Discrete Wave Transform,简称DWT)域稀疏的特点,对神经信号进行压缩,从而大大减少检测器需要发送的数据量,进而降低检测器的功耗。
在本发明的一个示例性实施例中,提出了一种神经信号检测器。图2为本发明实施例神经信号检测器的结构示意图。如图2所示,本实施例神经信号检测器基于ASIC设计,包括:包括神经信号检测模块、数据采集模块、动作电位提取模块、数据压缩模块、信号编码模块和发送模块。其中,神经信号检测模块,用于检测海量的原始神经信号;数据采集模块,与神经信号检测模块相连接,用于对原始神经信号进行采样和模数转换;动作电位提取模块,与数据采集模块相连接,用于在进行模数转换后的原始神经信号中提取动作电位信号,滤除原始神经信号中除动作电位信号之外的其他信号;数据压缩模块,与动作电位提取模块相连接,用于对所提取的动作电位信号采用基于压缩感知的算法进行压缩;信号编码模块,与数据压缩模块相连接,用于对压缩后的动作电位信号进行调制;发送模块,用于将调制后的动作电位发送出去。其中,需要说明的是,该神经信号检测器还包括:电源模块,与上述各模块相连接,用于为各模块提供能量。上述发送模块,可以是无线方式发送,也可以采用有线方式发送,为结合本发明的发明目的,下文以无线发送模块为例进行说明。以下分别对各模块进行详细说明。
神经信号检测模块,其输入端与微电极阵列相连,输出端与数据采集模块相连,用于对原始神经信号进行放大、滤波处理,提高信噪比。其通过一级差分放大器和两级带通滤波放大器,可以将通频带在350Hz~5000Hz的信号放大1000倍,而将通频带之外的噪声信号滤除,保证能够检测到高信噪比的原始神经信号。
数据采集模块,其输入端与神经信号检测模块相连,输出端连接动作电位提取模块,用于对经过神经信号检测模块处理的原始神经信号进行采样和模数转换。数据采集模块采用全差分逐次逼近模数转换器(SAR-ADC)设计,采样精度达12位,能实现时分复用,并保证每通道的采样率达10KHz以上,即只通过一个ADC就可以实现多通道的信号采集,以此减小ADC的开销,降低检测器整体功耗和减小系统体积、重量。
动作电位提取模块,其输入端与数据采集模块相连,输出端连接数据压缩模块,用于提取模数转换的原始神经信号中的动作电位信号。其检测原理为:首先通过非线性能量算子等相关方法,进一步提高信噪比,然后采用阈值法、峰值法等手段实现动作电位的提取。
图3为本发明实施例神经信号检测器中动作电位提取模块的结构示意图。如图3所示,该动作电位提取模块包括:滑动时间窗子模块、非线性能量算子子模块、阈值计算子模块和动作电位检测子模块。其工作过程如下:输入的原始神经信号(x)经过滑动时间窗子模块(窗宽为N,即15ms的数据长度)累积后,变成系列窗信号y(n);系列窗信号y(n)输出给非线性能量算子子模块,即采用非线性能量算子方法进行运算,产生信噪比更高的信号r(n),其运算方法为r(n)=y(n)*y(n)-y(n-1)*y(n+1),n=0,1...N,其中y(n)、r(n)分别为信号y和r的第n个点,N为时间窗宽;r(n)分两路输出,一路输出给阈值计算子模块,另一路输出给动作电位检测子模块;阈值计算子模块根据预设长度的r(n)确定进行本次动作电位检测的阈值Thr,并把它输送给动作电位检测子模块,阈值Thr的计算方法为Thr=a*σ,a=3~5,其中σ为信号r的标准差;动作电位检测子模块逐个比较r(n)和阈值Thr,如果检测到某个r(n)大于阈值,就认为神经信号中包含了一个动作电位,即检测到了一个动作电位,那么此时就将y(n-M)到y(n+K)的这段信号即动作电位信号(z)发给数据压缩模块进行处理,其他信号则被认为是噪声,其中,M和K对应预设时间长度的数据个数。例如:M为2ms的数据个数,K为3ms的数据个数。其中的预设长度可以为1个或者多个,一般情况下不超过20个,优选取5、10、15等。
数据压缩模块,其输入端与动作电位提取模块相连,输出端连接信号编码模块,用于对检测到的动作电位采用基于压缩感知(CS)算法进行第二级压缩。CS技术采用测量矩阵与原始信号向量相乘运算实现被测信号的压缩采样。其运算方法为,Y=ΦX,其中Φ为测量矩阵,是一个M×N的矩阵,维数N>M,X为原始信号,是一个N×1的列向量,Y为压缩结果,是一个M×1的列向量。由于维数N>M,可见此方法可以实现对原始信号的压缩。在实际硬件实现中,为了降低数据压缩模块的实现复杂度,测量矩阵采用随机滤波矩阵,并且将测量矩阵与原始信号向量相乘运算分成卷积和数据压缩两步来实现,其实现方法如图4所示。
图4为本发明实施例神经信号检测器中数据压缩模块的结构示意图,数据压缩模块由有限长度梳状滤波器和下采样器两部分组成,其中有限长度梳状滤波器实现对输入信号X[N×1](为N×1的列向量,下同)和H[N×1]的卷积运算,产生中间信号Y[N×1];下采样器实现数据压缩,产生输出信号Y[M×1](为M×1的列向量,下同)。梳状滤波器的主要构件是循环移位寄存器和加法器,其输入信号X[N×1]为输入的动作电位信号,输入信号H[N×1]为梳妆滤波器权值,取独立分布的“±1”对称伯努利随机数,对H[N×1]进行循环移位可以产生随机滤波矩阵,但实际实现中采用循环移位X[N×1]的方式来进行运算。在工作状态下,通过对输入的动作电位信号X[N×1]循环移位和加法运算,得到动作电位信号X[Nx1]与滤波器权值H[N×1]的循环卷积输出Y[N×1]。下采样器以M:N的压缩比对梳妆滤波器输出信号Y[N×1]进行等间隔抽取,产生输出信号Y[M×1],实现数据量的压缩。压缩比M:N的取值视具体应用对动作电位恢复精度的要求而定,典型值一般取1∶2到1∶3。
信号编码模块,其输入端与数据压缩模块相连,输出端连接无线发送模块,用于对数据压缩模块输出的多路信号进行编码,使之变成单路的能被无线发送模块发送的信号。
无线发送模块,其输入端连接信号编码模块,用于将输入的信号通过射频的方式发送出去。图5为本发明实施例神经信号检测器中无线发送模块原理框图。如图5所示,其采用常规正弦载波系统发射机结构的设计,主要由混频器、功率放大器、发射器和天线构成。其工作原理为:经信号编码模块编码的压缩信号与本地振荡器产生的载波信号经过混频器混频产生混频信号:(1)编码的压缩信号的幅值较小(低于100mv)时,则混频信号需要经过功率放大器后,再经发射天线辐射出去;(2)编码的压缩信号的幅值比较大时,则混频信号直接通过发射天线辐射出去。本发明中经过神经信号检测模块产生的电压信号为10mv左右,所以由混频器输出的信号要经过功率放大器后,再经发射天线辐射出去。
为便于理解,以下给出上述神经信号检测压缩模块对应接收端的解压缩过程,从数学意义上讲,基于压缩感知理论的信号重建问题就是寻找欠定方程组(方程的数量少于待解的未知数)的最简单解的问题,L0范数刻画的就是信号中非零元素的个数,因而能够使得结果尽可能地稀疏。匹配追踪类稀疏重建算法解决的是最小L0范数问题,最早提出的有匹配追踪(Matching Pursuit,简称MP)算法和正交匹配追踪(Orthogonal MatchingPursuit,简称OMP)算法。OMP算法的基本思想是在每一次的迭代过程中,以贪婪迭代的方法选择测量矩阵的列,即选择与信号最匹配的原子来进行稀疏逼近并求出余量,然后继续选出与信号余量最为匹配的原子,并将所选原子利用Gram-Schmidt正交化方法进行正交处理,再将信号在这些正交原子构成的空间上投影,得到信号在各个已选原子上的分量和余量,然后用相同方法分解余量,直到迭代次数达到稀疏度K,强制迭代停止。采用OMP算法恢复的动作电位效果如图6所示,其中圈线表示的是原始动作电位,星型线表示的是恢复的动作电位。
信号提取与解压缩模块的相对于动作电位提取模块的信号恢复方法是将原始信号中的噪声用零值代替,然后将OMP算法恢复的动作电位和噪声按照原始信号中的时间顺序组合起来,变成神经信号波形。
需要说明的是,上述对各模块的定义并不仅限于实施方式中提到的各具体结构或形状,本领域的普通技术人员可对其进行简单地熟知地替换,例如:(1)动作电位提取模块采用的检测动作电位方法可以是阈值法,也可以是峰值法等;(2)数据压缩模块所使用的随机滤波矩阵可以用高斯矩阵等来代替。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种神经信号检测器,包括:
神经信号检测模块,用于检测原始神经信号;
数据采集模块,与所述神经信号检测模块相连接,用于对所述原始神经信号进行采样和模数转换;
动作电位提取模块,与所述数据采集模块相连接,用于在进行所述模数转换后的原始神经信号中提取动作电位信号,滤除原始神经信号中除所述动作电位信号之外的其他信号;
信号编码模块,与所述动作电位提取模块相连接,用于对所述动作电位信号进行调制;
发送模块,用于将进行所述调制后的动作电位信号发送出去;
还包括:数据压缩模块,介于动作电位提取模块和信号编码模块之间,用于采用压缩感知算法对动作电位信号进行压缩,其包括:
梳状滤波器子模块,与动作电位提取模块相连接,用于通过对输入的动作电位信号X[N×1]循环移位和加法运算,得到动作电位信号X[N×1]与滤波器权值H[N×1]的循环卷积输出Y[N×1],其中,所述滤波器权值向量中的值为独立分布的“±1”对称伯努利随机数;
下采样器,与所述梳状滤波器子模块相连接,用于以预设压缩比对梳状滤波器子模块输出的中间信号Y[N×1]进行等间隔抽取,输出信号Y[M×1],实现数据量的压缩。
2.根据权利要求1所述的神经信号检测器,其中,所述动作电位提取模块包括:
滑动时间窗子模块,与所述数据采集模块相连接,用于将进行所述模数转换后的原始神经信号在预设滑动时间窗内累计为系列窗信号y(n):
阈值计算子模块,与所述滑动时间窗子模块相连接,用于利用预设数目的所述窗信号y(n),生成阈值电压;
动作电位检测子模块,与所述滑动时间窗模块和阈值计算子模块相连接,用于利用所述阈值电压对由所述滑动时间窗子模块输出的系列窗信号y(n)进行检测,如果当前窗信号y(n1)大于所述阈值电压,则提取窗信号y(n1-M)至y(n1+K)作为动作电位信号,其中所述M、K对应预设时间长度的数据个数;否则,滤除当前窗信号y(n1)。
3.根据权利要求2所述的神经信号检测器,其中,所述阈值计算子模块采用如下公式生成阈值电压:
Thr=a*σ
其中,a取3~5之间的常数,σ为所述预设数目的窗信号的标准差。
4.根据权利要求2所述的神经信号检测器,其中,所述滑动时间窗子模块中:预设滑动时间窗为15ms;M为2ms的数据个数;K为3ms的数据个数。
5.根据权利要求2所述的神经信号检测器,其中,
所述动作电位提取模块包括:非线性能量算子子模块,与滑动时间窗子模块相连接,用于利用非线性能量算子对系列窗信号进行滤波;
所述阈值计算子模块,与所述非线性能量算子子模块相连接,用于利用滤波后的系列窗信号r(n),生成阈值电压;
动作电位检测子模块,与所述非线性能量算子子模块相连接,用于利用所述阈值电压对由非线性能量算子子模块输出的滤波后的系列窗信号r(n)进行检测。
6.根据权利要求5所述的神经信号检测器,其中,所述非线性能量算子子模块中,滤波后的系列窗信号:
r(n)=y(n)*y(n)-y(n-1)*y(n+1)
其中,n=0,1…N,N为时间窗宽,y(n-1)、y(n)、y(n+1)分别为输入窗信号的第n-1、n、n+1个点。
7.根据权利要求1至6中任一项所述的神经信号检测器,其中,所述发送模块采用无线方式或有线方式将调制后的动作电位信号发送出去。
8.根据权利要求1至6中任一项所述的神经信号检测器,其中,所述数据采集模块为全差分逐次逼近模数转换器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210215888.1A CN103505197B (zh) | 2012-06-26 | 2012-06-26 | 神经信号检测器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210215888.1A CN103505197B (zh) | 2012-06-26 | 2012-06-26 | 神经信号检测器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103505197A CN103505197A (zh) | 2014-01-15 |
CN103505197B true CN103505197B (zh) | 2015-05-06 |
Family
ID=49889020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210215888.1A Active CN103505197B (zh) | 2012-06-26 | 2012-06-26 | 神经信号检测器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103505197B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3028951C (en) | 2016-06-30 | 2022-07-19 | Mitsui Medical Commerce Co., Ltd. | Orthokeratology lens designating method, designating system, designating and supplying method, and designating and supplying system |
EP3503963A4 (en) * | 2016-08-25 | 2020-04-15 | Paradromics, Inc. | SYSTEM AND METHOD FOR PROCESSING NEURONAL SIGNALS |
CN107212880B (zh) * | 2017-06-29 | 2020-02-21 | 清华大学 | 动态调整电极配置的植入式动态心电监测仪 |
CN109589113B (zh) * | 2018-10-26 | 2021-04-20 | 天津大学 | 一种多电极阵列神经元放电序列的时空网络构建方法 |
CN111870239B (zh) * | 2020-08-28 | 2024-06-04 | 江西脑虎科技有限公司 | 一种神经信号处理方法及装置 |
CN113440139B (zh) * | 2021-05-26 | 2023-06-09 | 上海交通大学重庆研究院 | 电生理信号动作电位挑拣方法、装置及生物状态检测方法 |
CN113940690A (zh) * | 2021-11-24 | 2022-01-18 | 贵州财经大学 | 一种峰电位无线检测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8751003B2 (en) * | 2004-02-11 | 2014-06-10 | Ethicon, Inc. | Conductive mesh for neurostimulation |
JP4780921B2 (ja) * | 2004-03-17 | 2011-09-28 | キヤノン株式会社 | 並列パルス信号処理装置、及びその制御方法 |
-
2012
- 2012-06-26 CN CN201210215888.1A patent/CN103505197B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Non-Patent Citations (2)
Title |
---|
Compressive Sensing of Neural Action Potentials Using a Learned Union of Supports;Zainul Charbiwala etc.;《IEEE Computer Society》;20110525;摘要,正文第53页第1行-第58页倒数第一行,图1 * |
基于小波变换和非线性能量算子的神经元放电检测;刘新文等;《生物医学工程学杂志》;20070531;第24卷(第5期);摘要,正文第982页第一行-983页倒数第一行 * |
Also Published As
Publication number | Publication date |
---|---|
CN103505197A (zh) | 2014-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103505197B (zh) | 神经信号检测器 | |
Shea-Brown et al. | Correlation and Synchrony Transfer in Integrate-and-Fire Neurons:<? format?> Basic Properties and Consequences for Coding | |
CN105432019B (zh) | 用于遥测模拟信号的节能系统 | |
Ravelomanantsoa et al. | Simple and efficient compressed sensing encoder for wireless body area network | |
EP3503963A1 (en) | System and methods for processing neural signals | |
CN107045142B (zh) | 基于压缩感知的小波域地震数据实时压缩与高精度重构方法 | |
CN104569694A (zh) | 一种面向航天器飞行过程的电信号特征提取和识别系统 | |
Thies et al. | Compact and low-power neural spike compression using undercomplete autoencoders | |
CN111669409B (zh) | 一种体征数据监控系统 | |
Alsenwi et al. | Performance analysis of hybrid lossy/lossless compression techniques for EEG data | |
Xiong et al. | A dictionary learning algorithm for multi-channel neural recordings | |
CN103281087A (zh) | 基于多级压缩感知的信号采样系统及方法 | |
Wang et al. | RIP analysis for quasi-Toeplitz CS matrices | |
Zhang et al. | Communication channel analysis and real time compressed sensing for high density neural recording devices | |
CN103391099A (zh) | 适用于一维缓变信号的随机采样器 | |
Xiong et al. | An unsupervised dictionary learning algorithm for neural recordings | |
Liu et al. | Event-driven processing for hardware-efficient neural spike sorting | |
Alvarado et al. | From compressive to adaptive sampling of neural and ECG recordings | |
CN103036576A (zh) | 基于压缩传感理论的一种二值稀疏信号重构算法 | |
Chen et al. | An event-driven compressive neuromorphic system for cardiac arrhythmia detection | |
Singh et al. | Energy efficient acquisition and reconstruction of EEG signals | |
Zhang et al. | An implantable neuroprocessor for multichannel compressive neural recording and on-the-fly spike sorting with wireless telemetry | |
CN103837887A (zh) | 一种高动态范围地震信号分级采集方法及系统 | |
CN104901704A (zh) | 具备时空相关特征的躯体传感网信号重构方法 | |
CN113890801A (zh) | 采用频域编码混频的压缩感知信号获取系统及方法 |
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 |