CN112971813A - 一种用于神经信号的峰电位分类系统及分类方法 - Google Patents
一种用于神经信号的峰电位分类系统及分类方法 Download PDFInfo
- Publication number
- CN112971813A CN112971813A CN202110131919.4A CN202110131919A CN112971813A CN 112971813 A CN112971813 A CN 112971813A CN 202110131919 A CN202110131919 A CN 202110131919A CN 112971813 A CN112971813 A CN 112971813A
- Authority
- CN
- China
- Prior art keywords
- data
- component
- signal
- channel
- classification
- 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
- 230000001537 neural effect Effects 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000001914 filtration Methods 0.000 claims abstract description 50
- 210000002569 neuron Anatomy 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000002474 experimental method Methods 0.000 claims abstract description 18
- 238000012805 post-processing Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000007635 classification algorithm Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 22
- 230000008030 elimination Effects 0.000 claims description 15
- 238000003379 elimination reaction Methods 0.000 claims description 15
- 230000002087 whitening effect Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000013501 data transformation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 210000004556 brain Anatomy 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种用于神经信号的峰电位分类系统及分类方法,涉及峰电位信号处理技术领域。本发明包括如下步骤:数据读取:上传由实验采集到的神经元电极信号,拿到神经元的电通路信号数据后,读取通道数与电极数,根据后续实验的具体要求选择电信号类型;前处理组件库:对选择后的电信号进行处理,过滤掉通道中不符合条件的数据;分类:对前面处理的数据进行分类;后处理组件库:将分类完的结果根据实验具体需求的范围来进一步的筛选;文件导出:将处理过的数据生成可供进一步分析的文件。本发明利用本地电信号处理平台,基于更高性能的麓联峰电位分类算法及电脑工作站来自动化聚类,支持处理高达1024通道数的数据,提高了分类效率。
Description
技术领域
本发明属于峰电位信号处理技术领域,特别是涉及一种用于神经信号的峰电位分类系统及分类方法。
背景技术
神经元峰电位信号(Spike)具有时空分辨率高、信息量大的特点,是对复杂任务的实时精确控制的重要手段,峰电位分类是峰电位信号处理的重要步骤之一,但目前的方法主要依赖于人工或半人工处理。随着多通道神经集群记录技术的发展,同步记录的神经元通道数急剧增加,从原有的几十个通道向上千个通道发展,目前的人工和半人工方法已经无法应对。另一方面,记录通道数的增加对于数据的传输和存储也提出了巨大的挑战,高通量神经数据的约简可提高数据处理的实时性,推动在线脑-机接口等技术的发展。
此外,现有的流程是通过Offline Sorter手动聚类,效率不高,可处理数据一般不超过64通道。因此,亟需实现一种更高性能的麓联峰电位分类算法。
发明内容
本发明的目的在于提供一种用于神经信号的峰电位分类系统及分类方法,通过本地电信号处理平台,基于更高性能的麓联峰电位分类算法及电脑工作站来自动化聚类,解决了现有的峰电位信号分类效率不高的问题。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明为一种用于神经信号的峰电位分类系统,包括神经信号采集器、神经信号接收器、前处理组件库、分类器、后处理组件库和文件导出模块,
所述神经信号采集器,用于采集神经元电极信号、通道数和电机数;
所述神经信号接收器,用于接收神经信号采集器获取的数据并储存;
所述前处理组件库包括带通滤波组件、带阻滤波组件、通道数据差分组件、移除通道数据组件、空白饱和度组件、偏离消除组件、归一化组件、移除人工事件组件、数据变换组件和数据白化组件;
所述带通滤波组件,用于根据实验参数将杂波过滤;所述带阻滤波组件,用于去除指定频率的波对实验数据造成的干扰;所述通道数据差分组件,用于在构建波形时选择取点标准;所述移除通道数据组件,用于移除通道数据会删除对实验产生干扰的通道;所述空白饱和度组件,用于空白饱和度查找并删除信号中具有外部噪音的部分;所述偏离消除组件,用于移除每个通道的轨迹偏移,缩小实验结果的方差;所述归一化组件,用于通过一个标量对给定的记录提取器的轨迹和偏移量进行重新标度;所述移除人工事件组件,用于从数据记录痕迹中去除人为的不稳定因素,将被影响到的周期清除;所述数据变换组件,用于将给定的数据记录中的痕迹和偏移量用标量进行转换;所述数据白化组件,用于使用数据白化算法对数据进行优化;
所述分类器,用于对前处理组件库处理后的数据进行分类;
所述后处理组件库包括峰电位数量过滤组件和最小信噪比过滤组件;所述峰电位数量过滤组件,用于规定分类后阀值峰值的数量,通过将数据的峰值限定来优化图像,减少数据上的杂波干扰;所述最小信噪比过滤组件,用于限定信噪比阈值的最小值,筛选出符合实验标准的数据;
所述文件导出模块,用于将处理过的数据生成可供进一步分析的文件。
本发明为一种用于神经信号的峰电位分类方法,包括如下步骤:
步骤一、数据读取:上传由实验采集到的神经元电极信号,拿到神经元的电通路信号数据后,读取通道数与电极数,根据后续实验的具体要求选择电信号类型;
步骤二、前处理组件库:对选择后的电信号进行处理,过滤掉通道中不符合条件的数据;
步骤三、分类:对前面处理的数据进行分类;
步骤四、后处理组件库:将分类完的结果根据实验具体需求的范围来进一步的筛选;
步骤五、文件导出:将处理过的数据生成可供进一步分析的文件。
优选地,所述步骤一中,实验数据通过神经元信号收集器进行采集,采集目标区域进行神经元电信号采集并存储;读取数据时会分析上传数据,通过更改信号类型选择目标数据源,然后将数据的通道与其对应的波形展示出来。
优选地,所述步骤二中,前处理组件库由带通滤波组件、带阻滤波组件、通道数据差分组件、移除通道数据组件、空白饱和度组件、偏离消除组件、归一化组件、移除人工事件组件、数据变换组件和数据白化组件组成;所述前处理组件根据科研需求进行自由组合。
优选地,所述步骤三中,前处理后的数据由麓联峰电位分类算法计算,然后显示相对应的散点图与折线图;所述散点图能够显示出脑区域电信号分布的相对位置;所述折线图能够根据研究人员选择的算法给出的分类的结果来显示出对应的信号源的电信号波形图。
优选地,所述步骤四中,后处理包括峰电位数量过滤组件和最小信噪比过滤组件;所述峰电位数量过滤组件,用于规定分类后阀值峰值的数量,通过将数据的峰值限定来优化图像,减少数据上的杂波干扰;所述最小信噪比过滤组件,用于限定信噪比阈值的最小值,筛选出符合实验标准的数据。
本发明具有以下有益效果:
(1)本发明通过将实验采集到的神经元电极信号,拿到神经元的电通路信号数据,根据选择电信号类型进行前处理去除不符合条件的数据,再进行分类,将分类完成的数据进行后处理最终得到想要的数据并生成可供进一步分析的文件,提高峰电位分类的效率;
(2)本发明利用本地电信号处理平台,基于更高性能的麓联峰电位分类算法及电脑工作站来自动化聚类,支持处理高达1024通道数的数据,提高了分类效率。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种用于神经信号的峰电位分类方法步骤图;
图2为神经电生理研究中的结构示意图;
图3为前处理组件库结构示意图;
图4为后处理组件库结构示意图;
图5为第一步处理得到的运行结果界面图;
图6为第二步处理得到的运行结果界面图;
图7为第三步处理得到的运行结果界面图;
图8为第四步处理得到的运行结果界面图;
图9为第五步峰电位数量过滤处理得到的运行结果界面图;
图10为第六步最小信噪比过滤处理得到的运行结果界面图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-4所示,本发明为一种用于神经信号的峰电位分类系统,包括神经信号采集器、神经信号接收器、前处理组件库、分类器、后处理组件库和文件导出模块,
神经信号采集器,用于采集神经元电极信号、通道数和电机数;
神经信号接收器,用于接收神经信号采集器获取的数据并储存;
前处理组件库包括带通滤波组件、带阻滤波组件、通道数据差分组件、移除通道数据组件、空白饱和度组件、偏离消除组件、归一化组件、移除人工事件组件、数据变换组件和数据白化组件;
带通滤波组件,用于根据实验参数将杂波过滤;带阻滤波组件,用于去除指定频率的波对实验数据造成的干扰;通道数据差分组件,用于在构建波形时选择取点标准;移除通道数据组件,用于移除通道数据会删除对实验产生干扰的通道;空白饱和度组件,用于空白饱和度查找并删除信号中具有外部噪音的部分;偏离消除组件,用于移除每个通道的轨迹偏移,缩小实验结果的方差;归一化组件,用于通过一个标量对给定的记录提取器的轨迹和偏移量进行重新标度;移除人工事件组件,用于从数据记录痕迹中去除人为的不稳定因素,将被影响到的周期清除;数据变换组件,用于将给定的数据记录中的痕迹和偏移量用标量进行转换;数据白化组件,用于使用数据白化算法对数据进行优化;
分类器,用于对前处理组件库处理后的数据进行分类;
后处理组件库包括峰电位数量过滤组件和最小信噪比过滤组件;峰电位数量过滤组件,用于规定分类后阀值峰值的数量,通过将数据的峰值限定来优化图像,减少数据上的杂波干扰;最小信噪比过滤组件,用于限定信噪比阈值的最小值,筛选出符合实验标准的数据;
文件导出模块,用于将处理过的数据生成可供进一步分析的文件。
本发明为一种用于神经信号的峰电位分类方法,包括如下步骤:
步骤一、数据读取:上传由实验采集到的神经元电极信号,拿到神经元的电通路信号数据后,读取通道数与电极数,根据后续实验的具体要求选择电信号类型;
步骤二、前处理组件库:对选择后的电信号进行处理,过滤掉通道中不符合条件的数据;
步骤三、分类:对前面处理的数据进行分类;
步骤四、后处理组件库:将分类完的结果根据实验具体需求的范围来进一步的筛选;
步骤五、文件导出:将处理过的数据生成可供进一步分析的文件。
其中,步骤一中,实验数据通过神经元信号收集器进行采集,采集目标区域进行神经元电信号采集并存储;读取数据时会分析上传数据,通过更改信号类型选择目标数据源,然后将数据的通道与其对应的波形展示出来。
其中,步骤二中,前处理组件库由带通滤波组件、带阻滤波组件、通道数据差分组件、移除通道数据组件、空白饱和度组件、偏离消除组件、归一化组件、移除人工事件组件、数据变换组件和数据白化组件组成;前处理组件根据科研需求进行自由组合。
其中,带通滤波组件能够从原始信号里提取更易于峰电位检测的信号,带通滤波组件提取300-7500Hz范围的信号,当数据很大的时候(1024路, 4万Hz,int16,294.9GB),计算设备内存放不下,难以完成计算;带通滤波组件采用cache_chunks,把数据分块处理,每次处理一部分chunk, 16核可以同时处理16个chunk;
带阻滤波组件能通过大多数频率分量、但将某些范围的频率分量衰减到极低水平的滤波器,与带通滤波器的概念相对;将输入电压同时作用于低通滤波器和高通滤波器,再将两个电路的输出电压求和,就可以得到带阻滤波器。其中低通滤波器的截止频率应小于高通滤波器的截止频率,因此,电路的阻带为(-)。带阻滤波器分为腔体带阻滤波器、LC带阻滤波器和有源带阻滤波电路实用电路常利用无源低通滤波器和高通滤波器并联构成无源带阻滤波电路,然后接同相比例运算电路,从而得到有源带阻滤波电路;
通道数据差分组件,指数据选择器在通道所连接的设备中选择一个设备进行I/O操作。因为通道价格昂贵,致使机器中所设置的通道数量势必较少,因此为了提高整个系统吞吐量和通道的利用率,一个通道通常连接多个外部设备。例如在数组多路通道(BlockMultiplexorChannel),通道数据选择器就是根据地址代码选择一个设备进行数据传送操作;I/O通道是一种特殊的处理机,它具有执行I/O指令的能力,并通过执行通道(I/O)程序来控制I/O操作。但I/O通道又与一般的处理机不同,主要表现在以下两个方面:一是其指令类型单一,这是由于通道硬件比较简单,其所能执行的命令主要局限于与I/O操作有关的指令;二是通道没有自己的内存,通道所执行的通道程序是放在主机的内存中的,换言之,是通道与CPU共享内存。常见的通道有数组选择通道(BlockSelectorChannel),数组多路通道 (BlockMultiplexorChannel),字节多路通道(ByteMultiplexorChannel),这些通道中都有通道数据选择器。
移除通道数据组件,用于移除数组选择通道(BlockSelectorChannel),数组多路通道(BlockMultiplexorChannel),字节多路通道 (ByteMultiplexorChannel)内的数据;
归一化组件,将有量纲的表达式,经过变换,化为无量纲的表达式,成为标量;归一化组件使物理系统数值的绝对值变成某种相对值关系。简化计算,缩小量值的有效办法。例如,滤波器中各个频率值以截止频率作归一化后,频率都是截止频率的相对值,没有了量纲。阻抗以电源内阻作归一化后,各个阻抗都成了一种相对阻抗值,“欧姆”这个量纲也没有了。等各种运算都结束后,反归一化一切都复原了。信号处理工具箱中经常使用的是nyquist频率,它被定义为采样频率的二分之一,在滤波器的阶数选择和设计中的截止频率均使用nyquist频率进行归一化处理。例如对于一个采样频率为500hz的系统,400hz的归一化频率就为400/500=0.8,归一化频率范围在[0,1]之间。如果将归一化频率转换为角频率,则将归一化频率乘以2*pi,如果将归一化频率转换为hz,则将归一化频率乘以采样频率的一半。
数据白化组件,主要是为了避免在传输过程中出现过长的连续0或1 的位流模式。基带处理器需要从接收到的模拟数据信号中判断数据是0还是1,但是过场的连续0或1位流会造成问题。因为在接收到的模拟数字信号中并不存在直流信号中那样的参考点。因此必须依靠接收到的最后几个传输信号进行校正。任何连续的0或1的长序列位流串都可能导致校正失败。因此需要采用数据白化技术对信号进行扰码处理,以大大降低出现长序列0或1位流串的可能性。
当神经元的电信号过于微弱,通常为毫伏级,经由放大器将信号放大后处理,有时神经元的信号经由放大器放大后会超过放大器处理的极值,这部分数据就无法采集到,通过空白饱和度组件将超过阈值的部分信号,采取用中值信号来代替,由于原来信号的由于超过阈值导致全部数据无法处理,使用中值代替后就可以处理了。
当通过原始的数据获取的点会有特殊值(如其0.01与0.99的分位数的点的电压为-70UV和60UV,其最大最小值为1000UV与-1000UV),其过大的特殊值即为影响实验结果的噪声;通过归一化组件估计分布的中位数和量子数。然后,对分布进行重新标度和偏移,使标度由量子数之间的距离给定(0.01与0.99的分位数的点)设置为标度,中位数设置为给定的中位数;归一化组件能够将数据之间的间隔被归一化处理,消除一部分原始数据的噪声。
其中,步骤三中,前处理后的数据由麓联峰电位分类算法计算,然后显示相对应的散点图与折线图;散点图能够显示出脑区域电信号分布的相对位置;折线图能够根据研究人员选择的算法给出的分类的结果来显示出对应的信号源的电信号波形图。
其中,步骤四中,后处理包括峰电位数量过滤组件和最小信噪比过滤组件;峰电位数量过滤组件,用于规定分类后阀值峰值的数量,通过将数据的峰值限定来优化图像,减少数据上的杂波干扰;最小信噪比过滤组件,用于限定信噪比阈值的最小值,筛选出符合实验标准的数据。
实施例1
参见图5、图6、图7、图8、图9、图10,本发明所述的一种对大文件、多通路的神经科学数据的自动化分类,包括如下步骤:
图5显示的是第一步数据读取(Data Reader),对原始数据进行处理,在左侧的电极组栏(Electrode Group)里面显示出电极信息,在运行结果界面(AFTER RUN)展示其基本波形。
图6为第二步带通滤波(Bandpass Filter),左侧参数栏设定实验频率范围为7500Hz~300Hz,将实验原始数据处理后基本波形就变成了如运行结果界面(AFTER RUN)所示,可以大范围的优化掉无关频率的神经元信号数据。
第三步如图7为通道数据差分(Common Reference),左侧参数取值范围(Reference)选择中位数(median),即以中位数来构建实验波形。
图8为第四步麓联峰电位分类算法(MountainSort 4),运行结果界面(AFTER RUN)左侧的小组(group)栏可以通过点击切换,中间的散点图会显示出信号源的相对分布位置,与右侧经由算法分类出来的信号源 (cluster)一一对应,点击右侧的信号源会在下方的通道栏(channel) 中显示出由算法分类出的该信号源的波形。
图9为峰电位数量过滤(ThresholdNumSpikes),左侧的的参数选择小于100个波峰,即将分类后的数据进行筛选,留下所有波峰数小于100 的实验结果。
图10为最小信噪比过滤,左侧的参数为保留信噪比小于5的数据,过滤完成后右侧的通道(channel)栏中可以明显的看出波峰更加的聚集,也去掉了一些不合格的信号源(cluster)。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
另外,本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种用于神经信号的峰电位分类系统,包括神经信号采集器、神经信号接收器、前处理组件库、分类器、后处理组件库和文件导出模块,其特征在于:
所述神经信号采集器,用于采集神经元电极信号、通道数和电机数;
所述神经信号接收器,用于接收神经信号采集器获取的数据并储存;
所述前处理组件库包括带通滤波组件、带阻滤波组件、通道数据差分组件、移除通道数据组件、空白饱和度组件、偏离消除组件、归一化组件、移除人工事件组件、数据变换组件和数据白化组件;
所述带通滤波组件,用于提取300-7500Hz范围的信号;所述带阻滤波组件,用于去除指定频率的波对实验数据造成的干扰;所述通道数据差分组件,用于在构建波形时选择取点标准;所述移除通道数据组件,用于移除通道数据会删除对实验产生干扰的通道;所述空白饱和度组件,用于空白饱和度查找并删除信号中具有外部噪音的部分;所述偏离消除组件,用于移除每个通道的轨迹偏移,缩小实验结果的方差;所述归一化组件,用于通过一个标量对给定的记录提取器的轨迹和偏移量进行重新标度;所述移除人工事件组件,用于从数据记录痕迹中去除人为的不稳定因素,将被影响到的周期清除;所述数据变换组件,用于将给定的数据记录中的痕迹和偏移量用标量进行转换;所述数据白化组件,用于使用数据白化算法对数据进行优化;
所述分类器,用于对前处理组件库处理后的数据进行分类;
所述后处理组件库包括峰电位数量过滤组件和最小信噪比过滤组件;所述峰电位数量过滤组件,用于规定分类后阀值峰值的数量,通过将数据的峰值限定来优化图像,减少数据上的杂波干扰;所述最小信噪比过滤组件,用于限定信噪比阈值的最小值,筛选出符合实验标准的数据;
所述文件导出模块,用于将处理过的数据生成可供进一步分析的文件。
2.一种用于神经信号的峰电位分类方法,其特征在于,包括如下步骤:
步骤一、数据读取:上传由实验采集到的神经元电极信号,拿到神经元的电通路信号数据后,读取通道数与电极数,根据后续实验的具体要求选择电信号类型;
步骤二、前处理组件库:对选择后的电信号进行处理,过滤掉通道中不符合条件的数据;
步骤三、分类:对前面处理的数据进行分类;
步骤四、后处理组件库:将分类完的结果根据实验具体需求的范围来进一步的筛选;
步骤五、文件导出:将处理过的数据生成可供进一步分析的文件。
3.根据权利要求2所述的一种用于神经信号的峰电位分类方法,其特征在于,所述步骤一中,实验数据通过神经元信号收集器进行采集,采集目标区域进行神经元电信号采集并存储;读取数据时会分析上传数据,通过更改信号类型选择目标数据源,然后将数据的通道与其对应的波形展示出来。
4.根据权利要求2所述的一种用于神经信号的峰电位分类方法,其特征在于,所述步骤二中,前处理组件库由带通滤波组件、带阻滤波组件、通道数据差分组件、移除通道数据组件、空白饱和度组件、偏离消除组件、归一化组件、移除人工事件组件、数据变换组件和数据白化组件组成;所述前处理组件根据科研需求进行自由组合。
5.根据权利要求4所述的一种用于神经信号的峰电位分类方法,其特征在于,所述带通滤波组件设定实验频率的范围为7500Hz~300Hz。
6.根据权利要求4所述的一种用于神经信号的峰电位分类方法,其特征在于,所述通道数据差分组件的参数取值范围选择中位数,以中位数来构建实验波形。
7.根据权利要求2所述的一种用于神经信号的峰电位分类方法,其特征在于,所述步骤三中,前处理后的数据由麓联峰电位分类算法计算,然后显示相对应的散点图与折线图;所述散点图能够显示出脑区域电信号分布的相对位置;所述折线图能够根据研究人员选择的算法给出的分类的结果来显示出对应的信号源的电信号波形图。
8.根据权利要求2所述的一种用于神经信号的峰电位分类方法,其特征在于,所述步骤四中,后处理包括峰电位数量过滤组件和最小信噪比过滤组件;所述峰电位数量过滤组件,用于规定分类后阀值峰值的数量,通过将数据的峰值限定来优化图像,减少数据上的杂波干扰;所述最小信噪比过滤组件,用于限定信噪比阈值的最小值,筛选出符合实验标准的数据。
9.根据权利要求8所述的一种用于神经信号的峰电位分类方法,其特征在于,所述峰电位数量过滤组件参数选择小于100个波峰,即将分类后的数据进行筛选,留下所有波峰数小于100的实验结果。
10.根据权利要求8所述的一种用于神经信号的峰电位分类方法,其特征在于,所述最小信噪比过滤组件参数为保留信噪比小于5的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110131919.4A CN112971813A (zh) | 2021-01-30 | 2021-01-30 | 一种用于神经信号的峰电位分类系统及分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110131919.4A CN112971813A (zh) | 2021-01-30 | 2021-01-30 | 一种用于神经信号的峰电位分类系统及分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112971813A true CN112971813A (zh) | 2021-06-18 |
Family
ID=76345937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110131919.4A Pending CN112971813A (zh) | 2021-01-30 | 2021-01-30 | 一种用于神经信号的峰电位分类系统及分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112971813A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4094307A (en) * | 1977-02-24 | 1978-06-13 | Young Jr David N | Method and apparatus for aiding in the anatomical localization of dysfunction in a brain |
WO2012153965A2 (ko) * | 2011-05-09 | 2012-11-15 | 광주과학기술원 | 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법 |
US20140074761A1 (en) * | 2012-05-30 | 2014-03-13 | Qualcomm Incorporated | Dynamical event neuron and synapse models for learning spiking neural networks |
CN108846346A (zh) * | 2018-06-06 | 2018-11-20 | 浙江大学 | 基于密度峰值聚类算法的神经元峰电位在线分类方法 |
US20200046265A1 (en) * | 2018-08-13 | 2020-02-13 | Ctrl-Labs Corporation | Real-time spike detection and identification |
-
2021
- 2021-01-30 CN CN202110131919.4A patent/CN112971813A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4094307A (en) * | 1977-02-24 | 1978-06-13 | Young Jr David N | Method and apparatus for aiding in the anatomical localization of dysfunction in a brain |
WO2012153965A2 (ko) * | 2011-05-09 | 2012-11-15 | 광주과학기술원 | 뇌-컴퓨터 접속 장치, 그리고 그의 분류 방법 |
US20140074761A1 (en) * | 2012-05-30 | 2014-03-13 | Qualcomm Incorporated | Dynamical event neuron and synapse models for learning spiking neural networks |
CN108846346A (zh) * | 2018-06-06 | 2018-11-20 | 浙江大学 | 基于密度峰值聚类算法的神经元峰电位在线分类方法 |
US20200046265A1 (en) * | 2018-08-13 | 2020-02-13 | Ctrl-Labs Corporation | Real-time spike detection and identification |
Non-Patent Citations (2)
Title |
---|
LUNIONDATA: "《一文看懂为什么Spike Sorting需要LunionSorter(附上详细步骤)》", 《麓联数据LUNIONDATA》 * |
刘作志: "高性能神经元锋电位检测方法的研究", 《中国博士论文学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200237246A1 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
CN113065526B (zh) | 一种基于改进深度残差分组卷积网络的脑电信号分类方法 | |
CN104091172A (zh) | 一种运动想象脑电信号的特征提取方法 | |
CN104809434A (zh) | 一种基于单通道脑电信号眼电伪迹去除的睡眠分期方法 | |
CN113536882B (zh) | 一种多类运动想象脑电信号特征提取及分类方法 | |
CN111616682A (zh) | 基于便携式脑电采集设备的癫痫发作预警系统及应用 | |
CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
CN113486752B (zh) | 基于心电信号的情感识别方法及系统 | |
CN111091074A (zh) | 最优区域共空间模式的运动想象脑电信号分类方法 | |
CN110974219A (zh) | 一种基于侵入式bci的人脑意念识别系统 | |
CN112684891A (zh) | 基于多源流形嵌入迁移的脑电信号分类方法 | |
CN103190904A (zh) | 基于缺项特征的脑电图分类检测装置 | |
Kamboh et al. | On-chip feature extraction for spike sorting in high density implantable neural recording systems | |
CN112465069A (zh) | 一种基于多尺度卷积核cnn的脑电情绪分类方法 | |
CN112971813A (zh) | 一种用于神经信号的峰电位分类系统及分类方法 | |
CN114020593B (zh) | 一种基于轨迹聚类的异质流程日志采样方法与系统 | |
CN112381174B (zh) | 一种针对多电极阵列的神经信号分类方法 | |
Yang et al. | Frequency band separability feature extraction method with weighted Haar wavelet implementation for implantable spike sorting | |
CN114587381A (zh) | 基于多通道脑电智能筛选与加权样本生成的棘波检测方法 | |
CN110703006A (zh) | 一种基于卷积神经网络的三相电能质量扰动检测方法 | |
CN106843509B (zh) | 一种脑机接口系统 | |
CN111870241B (zh) | 基于优化的多维样本熵的癫痫发作信号检测方法 | |
CN113627391A (zh) | 一种考虑个体差异的跨模式脑电信号识别方法 | |
CN109924974B (zh) | 一种基于EcoG癫痫神经信号的解码方法和云端解码系统 | |
CN114795247A (zh) | 脑电信号分析方法、装置、电子设备和存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
RJ01 | Rejection of invention patent application after publication |