CN112451857A - 视网膜神经节细胞激活状态的判别方法、存储介质和设备 - Google Patents
视网膜神经节细胞激活状态的判别方法、存储介质和设备 Download PDFInfo
- Publication number
- CN112451857A CN112451857A CN202011451639.3A CN202011451639A CN112451857A CN 112451857 A CN112451857 A CN 112451857A CN 202011451639 A CN202011451639 A CN 202011451639A CN 112451857 A CN112451857 A CN 112451857A
- Authority
- CN
- China
- Prior art keywords
- signal
- action potential
- retinal ganglion
- activation state
- cells
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000004913 activation Effects 0.000 title claims abstract description 54
- 210000003994 retinal ganglion cell Anatomy 0.000 title claims abstract description 51
- 230000036982 action potential Effects 0.000 claims abstract description 87
- 230000000638 stimulation Effects 0.000 claims abstract description 68
- 210000004027 cell Anatomy 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000003064 k means clustering Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010304 firing Methods 0.000 claims 1
- 230000009897 systematic effect Effects 0.000 abstract description 5
- 230000002776 aggregation Effects 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 abstract description 2
- 238000012850 discrimination method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000000354 decomposition reaction Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 230000020411 cell activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000001525 retina Anatomy 0.000 description 2
- 230000002207 retinal effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000003098 Ganglion Cysts Diseases 0.000 description 1
- 208000005400 Synovial Cyst Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000036755 cellular response Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000608 photoreceptor cell Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001116 retinal neuron Anatomy 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000004382 visual function Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
- A61N1/00—Electrotherapy; Circuits therefor
- A61N1/18—Applying electric currents by contact electrodes
- A61N1/32—Applying electric currents by contact electrodes alternating or intermittent currents
- A61N1/36—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation
- A61N1/36046—Applying electric currents by contact electrodes alternating or intermittent currents for stimulation of the eye
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Ophthalmology & Optometry (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开一种视网膜神经节细胞激活状态的判别方法及、存储介质和设备。所述判别方法包括：获取视网膜神经节细胞的原始电刺激信号，并进行预处理；采用预设检测算法对预处理后的原始电刺激信号进行检测，以获得动作电位信号；对所述动作电位信号进行聚类处理，确定细胞的类别；统计在预定时间段内每个类别的细胞在电刺激后的动作电位发放频率达到标准阈值的次数，并根据所述次数判别每个类别的细胞的激活状态。提出了一种系统化的判别方法，检测算法能够保证检测的准确性以及处理速度，并对动作电位进行自动聚合分类，从而确定细胞的类别，并进一步确定每个细胞的激活状态。
Description
技术领域
本发明属于信号处理技术领域，具体地讲，涉及视网膜神经节细胞激活状态的判别方法、计算机可读存储介质、计算机设备。
背景技术
光感受器细胞退化的病人仍能保留视网膜的某些生理结构和功能，可以对视网膜神经节层进行电刺激来激发其余视网膜神经元的神经活动，通过简单的方法来恢复病人的视觉功能。其中，电刺激策略研究是衡量人造视网膜性能的关键部分。在电刺激策略中，视网膜神经节细胞(RGC)的响应分析是研究刺激策略的核心问题。细胞响应信号没有特定的发放模式，难以在短时间内完成响应情况的分析。因此，一种快速、有效的电响应分析方法成为电刺激策略研究的技术难点。
发明内容
(一)本发明所要解决的技术问题
如何提供一种对视网膜神经节细胞的激活情况进行快速且有效的系统化分析方法。
(二)本发明所采用的技术方案
一种视网膜神经节细胞激活状态的判别方法，所述判别方法包括：
获取视网膜神经节细胞的原始电刺激信号，并进行预处理；
采用预设检测算法对预处理后的原始电刺激信号进行检测，以获得动作电位信号；
对所述动作电位信号进行聚类处理，确定细胞的类别；
统计在预定时间段内每个类别的细胞在电刺激后的动作电位发放频率达到标准阈值的次数，并根据所述次数判别每个类别的细胞的激活状态。
优选地，采用预设检测算法对预处理后的原始电刺激信号进行检测，以获得动作电位信号的具体方法包括：
对预处理后的原始电刺激信号进行高通滤波处理，获得第一层近似系数；
利用上采样的高通滤波器处理第一层近似系数中，获得第二层近似系数；
采用非线性能量算子分别对所述第一层近似系数和所述第二层近似系数进行降噪处理，得到第一待检测信号和第二待检测信号；
将所述第一待检测信号和所述第二待检测信号进行叠加并进行尖峰检测，以获得动作电位信号。
优选地，采用非线性能量算子对所述第一层近似系数进行降噪处理，得到第一待检测信号的方法包括：
采用公式(1)对所述第一层近似系数的每个时刻的值进行重新计算：
ψ（x(t))＝x2(t)-x(t-1)x(t+1) (1)，
x(t)为t时刻的第一层近似系数的值，ψ(x(t))为重新计算后的信号幅值；
采用平滑窗口对重新计算后的信号幅值进行卷积处理；
对卷积处理得到的结果进行求和处理，得到第一待检测信号。
优选地，将所述第一待检测信号和所述第二待检测信号进行叠加并进行尖峰检测的方法包括：
将相同时刻的所述第一待检测信号的值和所述第二待检测信号的值分别进行相加，获得待检测叠加信号；
将待检测叠加信号中大于或等于阈值的信号幅值进行保留，获得动作电位信号。
优选地，对所述动作电位信号进行聚类处理，确定细胞的类别的具体方法包括：
对所述动作电位信号进行特征提取，获得小波包系数；
利用轮廓系数方法并根据小波包系数计算得到簇数；
将小波包系数和簇数作为K均值聚类算法的输入进行聚类处理，以确定细胞的类别。
优选地，每个类别的细胞的动作电位发放频率达到标准阈值的确定方法为：
若在电刺激后的第一预定时间段内的动作电位发放频率为在电刺激前的第二预定时间段内的动作电位发放频率三倍及以上，则确定该次动作电位发放频率达到标准阈值。
优选地，所述第一预定时间段为电刺激后的300毫秒，所述第二预定时间段为电刺激前的100毫秒。
本申请还公开了一种视网膜神经节细胞激活状态的判别装置，其中，所述判别装置包括：
数据获取模块，用于获取视网膜神经节细胞的原始电刺激信号，并进行预处理；
电位检测模块，用于采用预设检测算法对预处理后的原始电刺激信号进行检测，以获得动作电位信号；
分类模块，用于对所述动作电位信号进行聚类处理，确定细胞的类别；
激活判断模块，用于统计在预定时间段内每个类别的细胞在电刺激后的动作电位发放频率达到标准阈值的次数，并根据所述次数判别每个类别的细胞的激活状态。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储视网膜神经节细胞激活状态的判别程序，所述视网膜神经节细胞激活状态的判别程序被处理器执行时实现上述的视网膜神经节细胞激活状态的判别方法。
本发明还公开了一种计算机设备，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中的视网膜神经节细胞激活状态的判别程序，所述视网膜神经节细胞激活状态的判别程序被处理器执行时实现上述的视网膜神经节细胞激活状态的判别方法。
(三)有益效果
本发明公开了一种视网膜神经节细胞激活状态的判别方法，相对于传统的方法，具有如下技术效果：
提出了一种系统化的判别方法，检测算法能够保证检测的准确性以及处理速度，并对动作电位进行自动聚合分类，从而确定细胞的类别，并进一步确定每个类别的细胞的激活状态。
附图说明
图1为本发明的实施例一的视网膜神经节细胞激活状态的判别方法的流程图；
图2为本发明的实施例一的视网膜神经节细胞激活状态的判别过程的整体框架图；
图3为本发明的实施例一的原始电刺激信号预处理示意图；
图4为本发明的实施例一的动作电位信号的检测流程图；
图5为本发明的实施例一的预处理之后的原始电刺激信号至动作电位信号的变化示意图；
图6为本发明的实施例一的平稳小波变换的分解过程图；
图7为本发明的实施例一的动作电位检测中阈值设定示意图；
图8为本发明的实施例一的轮廓系数计算过程示意图；
图9为本发明的实施例一的细胞激活状态判断过程示意图；
图10为本发明的实施例一的动作电位分布直方图；
图11为本发明的实施例一的视网膜神经节细胞激活状态的判别装置的原理框图；
图12为本发明的实施例的计算机设备原理框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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。
在详细描述本申请的各个实施例之前，首先简单描述本申请的发明构思：现有技术中关于视网膜神经细胞的状态检测中，由于不能对刺激电信号进行系统化分析，本申请的技术方案中通过对预处理后的原始电刺激信号进行检测，获得动作电位信号，并对动作电位信号进行聚类处理，确定细胞类别，并对每个类别的细胞在电刺激后的动作电位发放频率达到标准阈值的次数进行统计，从而判别细胞的激活状态。
具体来说，如图1和图2所示，本实施例一的视网膜神经节细胞激活状态的判别方法，所述判别方法包括如下步骤：
步骤S10：获取视网膜神经节细胞的原始电刺激信号，并进行预处理；
步骤S20：采用预设检测算法对预处理后的原始电刺激信号进行检测，以获得动作电位信号；
步骤S30：对所述动作电位信号进行聚类处理，确定细胞的类别；
步骤S40：统计在预定时间段内每个类别的细胞在电刺激后的动作电位发放频率达到标准阈值的次数，并根据所述次数判别每个类别的细胞的激活状态。
在步骤S10中，如图3所示，视网膜神经节细胞的原始电刺激信号中具有伪迹，且伪迹的幅值远大于动作电位的幅值，其会影响动作电位的检测效果，因此把伪迹段设为零以实现信号预处理功能。
在步骤S20中，作为优选实施例，采用平稳小波变换和非线性能量算子预处理后的原始电刺激信号进行检测，获得动作电位信号。具体地，如图4和图5所示，步骤S20包括如下步骤：
步骤S21：对预处理后的原始电刺激信号进行高通滤波处理，获得第一层近似系数；
步骤S22：利用上采样的高通滤波器处理第一层近似系数中，获得第二层近似系数；
步骤S23：采用非线性能量算子分别对所述第一层近似系数和所述第二层近似系数进行降噪处理，得到第一待检测信号和第二待检测信号；
步骤S24：将所述第一待检测信号和所述第二待检测信号进行叠加并进行尖峰检测，以获得动作电位信号。
具体来说，在步骤S21和步骤S22中，如图6，为了使分解后的信号长度与分解前的信号长度一致，要对滤波器进行上采样，即间隔一个数据点填充零的操作。其中，第一分解层中滤波器不需上采样，第二分解层则需对滤波器进行上采样。信号完成卷积计算后，所得的细节系数(信号经低通滤波器处理后得到的小波系数)和近似系数(信号经高通滤波器处理后得到的小波系数)不需要进行下采样操作。平稳小波变换的这一非抽样的特性，使得每一分解层数上的近似系数与细节系数的长度都与原始信号的长度相同。平稳小波变换具有平移不变性，弥补了传统正交小波变换的不足。平稳小波变换的分解过程由下列等式所示：
其中，aj是近似系数，dj是细节系数，n信号长度，hj和gj分别代表高通滤波器和低通滤波器。
进一步地，首先使用平稳小波变换的1级和2级高通滤波器以获得近似系数，然后将非线性能量算子应用于每个近似系数中，并使用简单的平滑窗口对非线性能量算子的输出结果进行独立卷积。最后，将经过平滑窗口后的所有子带求和，通过动作电位幅值与给定阈值进行比较来完成尖峰检测过程。
具体地，步骤S23中，采用非线性能量算子对所述第一层近似系数进行降噪处理，得到第一待检测信号的方法包括如下步骤：
步骤S231：采用公式(1)对所述第一层近似系数的每个时刻的值进行重新计算：
ψ(x(t))＝x2(t)-x(t-1)x(t+1) (1)，
x(t)为t时刻的第一层近似系数的值，ψ(x(t))为重新计算后的信号幅值；
步骤S232：采用平滑窗口对重新计算后的信号幅值进行卷积处理；
步骤S233：对卷积处理得到的结果进行求和处理，得到第一待检测信号。
类似地，对第二层近似系数进行降噪处理的步骤与上述步骤相同，在此不进行赘述。
进一步地，在步骤S24中，将所述第一待检测信号和所述第二待检测信号进行叠加并进行尖峰检测的方法包括：
步骤S241：将相同时刻的所述第一待检测信号的值和所述第二待检测信号的值分别进行相加，获得待检测叠加信号；
步骤S242：将待检测叠加信号中大于或等于阈值的信号幅值进行保留，获得动作电位信号。
通过设置不同的阈值，我们可以获得不同的尖峰检测结果。阈值设定过小会出现动作电位误检的情况，阈值设定过大则会出现漏检的情况。因此，适当的阈值至关重要。本实施例通过比较检测算法和手动操作结果的误差获得阈值，检测算法中阈值设置和手动判断结果之间存在误差，其关系如图7所示，从中得到最佳阈值，即为检测算法和手动操作结果误差值最小的阈值。
具体地，在步骤S30中，对所述动作电位信号进行聚类处理，确定细胞的类别的具体方法包括如下步骤：
步骤S31：对所述动作电位信号进行特征提取，获得小波包系数。
步骤S32：利用轮廓系数方法并根据小波包系数计算得到簇数。
步骤S33：将小波包系数和簇数作为K均值聚类算法的输入进行聚类处理，以确定细胞的类别。
在步骤31，小波包分解用于动作电位的特征提取。其中，小波包分解原理为信号通过高通滤波器和低通滤波器分别得到第一层的近似系数a1和细节系数d1。a1和d1分别作为信号输入，得到第二层的近似系数a2和细节系数d2。再a2和d2分别作为信号输入，得到第三层的近似系数a3和细节系数d3。小波包系数(第三层的a3和d3)为聚类算法的特征基础，即作为输入样本。
在步骤S32中，K均值聚类算法存在需要预先设定聚类簇数的问题，可以通过轮廓系数方法来为K均值聚类算法提供聚类簇数。如图8所示，轮廓系数的具体过程如下：
(1)对于每个样本点i，计算样本点i与其同一个簇内的所有其他样本距离的平均值，记作a(i)。对于本实施例一，从动作电位提取的小波包系数为样本点。
(2)选取样本点i外的一个簇b，计算样本点i与簇b中所有样本点的平均距离，遍历其他簇，假设有K个簇，找到距离样本点i最近的平均距离，记作b(i)。
(3)对于样本点i，轮廓系数，
(4)对于每个聚类，计算所有样本i的轮廓系数，求出平均值即为当前聚类的整体轮廓系数。如果a(i)趋于0，或者b(i)足够大，那么s(i)趋近与1，说明聚类效果比较好。
每次假设K的数值，例如K依次为2、3、……10，在每个K值下重复运行数次K均值聚类，并计算当前K的平均轮廓系数，最后选取轮廓系数最大的值对应的K作为K均值聚类算法的簇数，以实现自动聚类的目的。
本步骤首先对检测后的动作电位进行小波包系数的提取，随后该系数作为K均值聚类算法的输入，经过轮廓系数方法确定K均值聚类要输入的簇数。基于以上工作，采用K均值聚类算法对不同波形的动作电位进行聚类，得到的簇数即为细胞的类别数，从而完成细胞分类。
具体地，采用K均值聚类算法对不同波形的动作电位进行聚类的方法包括如下步骤：
(1)任意选择K个初始质心，为每个样本点找到与其距离最近的质心，并将样本点与质心归为同一簇，从而生成K个簇。其中K值由上述的轮廓系数方法得到。对于本实施例一，从动作电位提取的小波包系数为样本点。
(2)当所有样本点都被分完，对于每一个簇，重新计算并得到新的质心(同一簇中所有样本点的平均坐标值)。
(3)不断重复以上过程，直到质心的位置不再发生变化而终止。从而完成细胞的分类。
进一步地，如图9所示，在步骤S40中，每个类别的细胞的动作电位发放频率达到标准阈值的确定方法为：若在电刺激后的第一预定时间段内的动作电位发放频率为在电刺激前的第二预定时间段内的动作电位发放频率三倍及以上，则确定该次动作电位发放频率达到标准阈值。
作为优选实施例，第一预定时间段选为电刺激后的300毫秒，第二预定时间段选为电刺激前的100毫秒。动作电位发放频率定义为在预定时间段内的动作电位数量除以时间长度。例如，在第一预设时间段300毫秒检测到的动作电位数量为100，则第一预设时间段的动作电位发放频率为0.33；在第二预设时间段100毫秒内检测到的动作电位数量为10，则第二预设时间段的动作电位发放频率为0.1，此时在电刺激后的第一预定时间段内的动作电位发放频率为在电刺激前的第二预定时间段内的动作电位发放频率三倍以上，则确定该次动作电位发放频率达到标准阈值。
进一步地，次数优选为10，每间隔10秒进行一次电刺激，连续电刺激20次，若统计到动作电位发放频率达到标准阈值次数为10次以上，则确定相应的细胞处于激活状态。具体判断过程如图9所示，完成细胞分类后，根据单个细胞类别在不同时间发放动作电位数量的情况，绘制动作电位分布与时间的关系图和对应的直方图。同时以10毫秒时间段为最小单元，统计在不同时间单元下动作电位的数量。
如图10所示，对于柱状图，横坐标表示时间刻度，纵坐标表示动作电位的数量，-0.1至0.0表示电刺激之前，0.0至0.9表示电刺激之后，以连续刺激20次为例，每个柱状图的数值表示在每次电刺激后在时刻检测到的动作电位数量之和，例如20次电刺激之后，在0.1秒时，检测到的动作电位数量之和为14，在0.11秒时，检测到的动作电位数量之和为8，依次类推，统计0.1秒至0.4秒之内动作电位数量，即可得到动作电位发放频率。
对于散点图，横坐标表示电刺激后时间刻度，纵坐标表示两次电刺激之间的间隔时间刻度，例如同一行点数的表示在一次电刺激之后检测到的动作电位数量。
本实施例的连续小波变换和非线性能量算子实现动作电位的检测，该方法在信号信噪比较小时检测性能依然很好。另外，在大部分检测算法中涉及阈值的设定，目前尚未有标准的方法来确定阈值。而本申请提供了一种方法，即通过不同阈值下检测算法的结果和手动操作结果的比较来得到最佳阈值，从而使检测结果达到最优。本发明的检测算法能够保证检测的准确性以及处理速度。当前科研人员需要有一套系统化的方法去判断视网膜神经节细胞的激活情况，而本实施例一解决了他们的需求问题，提出了一种系统化的判别方法，提高了处理数据的速度，减轻了他们的工作负担。
如图11所示，本实施例二还公开了一种视网膜神经节细胞激活状态的判别装置，其中，所述判别装置包括：
数据获取模块100，用于获取视网膜神经节细胞的原始电刺激信号，并进行预处理；
电位检测模块200，用于采用预设检测算法对预处理后的原始电刺激信号进行检测，以获得动作电位信号；
分类模块300，对所述动作电位信号进行聚类处理，确定细胞的类别；
激活判断模块400，用于统计在预定时间段内每个类别的细胞在电刺激后的动作电位发放频率达到标准阈值的次数，并根据所述次数判别每个类别的细胞的激活状态。
其中，数据获取模块100对原始电刺激数据进行预处理的过程、电位检测模块200的检测过程、分类模块300的检测过程和激活判断模块400的判断过程参考实施例一中的相关描述，在此不进行赘述。
进一步地，本实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有视网膜神经节细胞激活状态的判别程序，所述视网膜神经节细胞激活状态的判别程序被处理器执行时实现上述的视网膜神经节细胞激活状态的判别方法。
进一步地，本申请还公开了一种计算机设备，在硬件层面，如图12所示，该计算机设备包括处理器12、内部总线13、网络接口14、计算机可读存储介质11。处理器12从计算机可读存储介质中读取对应的计算机程序然后运行，在逻辑层面上形成请求处理装置。当然，除了软件实现方式之外，本说明书一个或多个实施例并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。所述计算机可读存储介质11上存储有视网膜神经节细胞激活状态的判别程序，所述视网膜神经节细胞激活状态的判别程序被处理器执行时实现上述的视网膜神经节细胞激活状态的判别方法。
计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上面对本发明的具体实施方式进行了详细描述，虽然已表示和描述了一些实施例，但本领域技术人员应该理解，在不脱离由权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行修改和完善，这些修改和完善也应在本发明的保护范围内。
Claims (10)
1.一种视网膜神经节细胞激活状态的判别方法，其特征在于，所述判别方法包括：
获取视网膜神经节细胞的原始电刺激信号，并进行预处理；
采用预设检测算法对预处理后的原始电刺激信号进行检测，以获得动作电位信号；
对所述动作电位信号进行聚类处理，确定细胞的类别；
统计在预定时间段内每个类别的细胞在电刺激后的动作电位发放频率达到标准阈值的次数，并根据所述次数判别每个类别的细胞的激活状态。
2.根据权利要求1所述的视网膜神经节细胞激活状态的判别方法，其特征在于，采用预设检测算法对预处理后的原始电刺激信号进行检测，以获得动作电位信号的具体方法包括：
对预处理后的原始电刺激信号利用高通滤波器处理，获得第一层近似系数；
利用上采样的高通滤波器处理第一层近似系数中，获得第二层近似系数；
采用非线性能量算子分别对所述第一层近似系数和所述第二层近似系数进行降噪处理，得到第一待检测信号和第二待检测信号；
将所述第一待检测信号和所述第二待检测信号进行叠加并进行尖峰检测，以获得动作电位信号。
3.根据权利要求2所述的视网膜神经节细胞激活状态的判别方法，其特征在于，采用非线性能量算子对所述第一层近似系数进行降噪处理，得到第一待检测信号的方法包括：
采用公式(1)对所述第一层近似系数的每个时刻的值进行重新计算：
ψ(x(t))＝x2(t)-x(t-1)x(t+1) (1)，
x(t)为t时刻的第一层近似系数的值，ψ(x(t))为重新计算后的信号幅值；
采用平滑窗口对重新计算后的信号幅值进行卷积处理；
对卷积处理得到的结果进行求和处理，得到第一待检测信号。
4.根据权利要求2所述的视网膜神经节细胞激活状态的判别方法，其特征在于，将所述第一待检测信号和所述第二待检测信号进行叠加并进行尖峰检测的方法包括：
将相同时刻的所述第一待检测信号的值和所述第二待检测信号的值分别进行相加，获得待检测叠加信号；
将待检测叠加信号中大于或等于阈值的信号幅值进行保留，获得动作电位信号。
5.根据权利要求1所述的视网膜神经节细胞激活状态的判别方法，其特征在于，对所述动作电位信号进行聚类处理，确定细胞的类别的具体方法包括：
对所述动作电位信号进行特征提取，获得小波包系数；
利用轮廓系数方法并根据小波包系数计算得到簇数；
将小波包系数和簇数作为K均值聚类算法的输入进行聚类处理，以确定细胞的类别。
6.根据权利要求1所述的视网膜神经节细胞激活状态的判别方法，其特征在于，每个类别的细胞的动作电位发放频率达到标准阈值的确定方法为：
若在电刺激后的第一预定时间段内的动作电位发放频率为在电刺激前的第二预定时间段内的动作电位发放频率三倍及以上，则确定该次动作电位发放频率达到标准阈值。
7.根据权利要求6所述的视网膜神经节细胞激活状态的判别方法，其特征在于，所述第一预定时间段为电刺激后的300毫秒，所述第二预定时间段为电刺激前的100毫秒。
8.一种视网膜神经节细胞激活状态的判别装置，其特征在于，所述判别装置包括：
数据获取模块，用于获取视网膜神经节细胞的原始电刺激信号，并进行预处理；
电位检测模块，用于采用预设检测算法对预处理后的原始电刺激信号进行检测，以获得动作电位信号；
分类模块，用于对所述动作电位信号进行聚类处理，确定细胞的类别；
激活判断模块，用于统计在预定时间段内每个类别的细胞在电刺激后的动作电位发放频率达到标准阈值的次数，并根据所述次数判别每个类别的细胞的激活状态。
9.一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视网膜神经节细胞激活状态的判别程序，所述视网膜神经节细胞激活状态的判别程序被处理器执行时实现权利要求1至7任一项所述的视网膜神经节细胞激活状态的判别方法。
10.一种计算机设备，其特征在于，所述计算机设备包括计算机可读存储介质、处理器和存储在所述计算机可读存储介质中视网膜神经节细胞激活状态的判别程序，所述视网膜神经节细胞激活状态的判别程序被处理器执行时实现权利要求1至7任一项所述的视网膜神经节细胞激活状态的判别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011451639.3A CN112451857A (zh) | 2020-12-10 | 2020-12-10 | 视网膜神经节细胞激活状态的判别方法、存储介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011451639.3A CN112451857A (zh) | 2020-12-10 | 2020-12-10 | 视网膜神经节细胞激活状态的判别方法、存储介质和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112451857A true CN112451857A (zh) | 2021-03-09 |
Family
ID=74800716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011451639.3A Pending CN112451857A (zh) | 2020-12-10 | 2020-12-10 | 视网膜神经节细胞激活状态的判别方法、存储介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112451857A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114094967A (zh) * | 2021-11-26 | 2022-02-25 | 江苏科技大学 | 一种用于动作电位检测的自适应阈值发生器 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013029008A1 (en) * | 2011-08-25 | 2013-02-28 | Cornell University | Retinal encoder for machine vision |
| WO2016172188A1 (en) * | 2015-04-20 | 2016-10-27 | Cornell University | Machine vision with dimensional data reduction |
| CN109492546A (zh) * | 2018-10-24 | 2019-03-19 | 广东工业大学 | 一种融合小波包与互信息的生物信号特征提取方法 |
| CN109766847A (zh) * | 2019-01-15 | 2019-05-17 | 南京邮电大学 | 一种锋电位分离方法 |
-
2020
- 2020-12-10 CN CN202011451639.3A patent/CN112451857A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013029008A1 (en) * | 2011-08-25 | 2013-02-28 | Cornell University | Retinal encoder for machine vision |
| WO2016172188A1 (en) * | 2015-04-20 | 2016-10-27 | Cornell University | Machine vision with dimensional data reduction |
| CN109492546A (zh) * | 2018-10-24 | 2019-03-19 | 广东工业大学 | 一种融合小波包与互信息的生物信号特征提取方法 |
| CN109766847A (zh) * | 2019-01-15 | 2019-05-17 | 南京邮电大学 | 一种锋电位分离方法 |
Non-Patent Citations (6)
| Title |
|---|
| GÜNTHER M ZECK等: "Spike train signatures of retinal ganglion cell types", 《EUROPEAN JOURNAL OF NEUROSCIENCE》, vol. 26, no. 2, pages 367 - 380, XP071866380, DOI: 10.1111/j.1460-9568.2007.05670.x * |
| 丁巍: "牛蛙视网膜神经节细胞对重复刺激适应过程中的群体活动变化", 《中国优秀硕士学位论文全文数据库（医药卫生科技辑）》, vol. 2015, no. 7, pages 073 - 15 * |
| 宫艳红: "基于遗传算法—支持向量机的锋电位分类及神经元特性分析", 《中国优秀硕士学位论文全文数据库（医药卫生科技辑）》, vol. 2012, no. 4, pages 080 - 5 * |
| 张莹莹: "自然刺激下小鸡视网膜神经节细胞群体放电活动时空特性的研究", 《中国博士学位论文全文数据库（医药卫生科技辑）》, vol. 2011, no. 7, pages 080 - 2 * |
| 牛希娴: "基于时空滤波器的视网膜编码模型", 《中国优秀硕士学位论文全文数据库（医药卫生科技辑）》, vol. 2008, no. 6, pages 073 - 2 * |
| 王光力: "视网膜神经元活动多电极记录信号的处理", 《中国博士学位论文全文数据库（医药卫生科技辑）》, vol. 2008, no. 6, pages 080 - 2 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114094967A (zh) * | 2021-11-26 | 2022-02-25 | 江苏科技大学 | 一种用于动作电位检测的自适应阈值发生器 |
| CN114094967B (zh) * | 2021-11-26 | 2023-08-22 | 江苏科技大学 | 一种用于动作电位检测的自适应阈值发生器 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948647B (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
| CN109165556B (zh) | 一种基于grnn身份识别方法 | |
| Wu et al. | On the adaptive detection of blood vessels in retinal images | |
| CN106108894A (zh) | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 | |
| US20220175287A1 (en) | Method and device for detecting driver distraction | |
| Albasri et al. | EEG electrode selection for person identification thru a genetic-algorithm method | |
| CN113011493B (zh) | 基于多核宽度学习脑电情绪分类方法、装置、介质及设备 | |
| CN117503057B (zh) | 基于高阶张量分解构建脑网络的癫痫发作检测装置及介质 | |
| US20160045120A1 (en) | Systems and methods for spike sorting | |
| Toosi et al. | An automatic spike sorting algorithm based on adaptive spike detection and a mixture of skew-t distributions | |
| CN112451857A (zh) | 视网膜神经节细胞激活状态的判别方法、存储介质和设备 | |
| CN115120248A (zh) | 基于直方图的自适应阈值r峰检测、心律分类方法及装置 | |
| CN113662560A (zh) | 发作间期痫样放电的检测方法、存储介质和设备 | |
| Chen et al. | Automated sleep spindle detection with mixed EEG features | |
| Thilagaraj et al. | Identification of drivers drowsiness based on features extracted from EEG signal using SVM classifier | |
| Hojjatinia et al. | Comparison of different spike sorting subtechniques based on rat brain basolateral amygdala neuronal activity | |
| Balasubramanian et al. | Fuzzy logic-based spike sorting system | |
| CN117171634A (zh) | 基于多尺度特征选择融合残差网络的ecg身份识别方法 | |
| CN111639555A (zh) | 一种指静脉图像噪声精确提取和自适应滤波去噪方法及装置 | |
| CN114861738B (zh) | 一种基于脑电溯源和偶极子选择的运动想象分类方法 | |
| Yildirim et al. | Heartbeat type classification with optimized feature vectors | |
| CN112932431B (zh) | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 | |
| CN112438741B (zh) | 一种基于脑电特征迁移学习的驾驶状态检测方法及系统 | |
| KR102382324B1 (ko) | 신경 파형 분류 장치 및 방법 | |
| Liu et al. | Improvement of facial expression recognition based on filtering and certainty check |
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 |