CN113627599B - 神经元信号的处理方法、处理装置以及可读存储介质 - Google Patents
神经元信号的处理方法、处理装置以及可读存储介质 Download PDFInfo
- Publication number
- CN113627599B CN113627599B CN202110692081.6A CN202110692081A CN113627599B CN 113627599 B CN113627599 B CN 113627599B CN 202110692081 A CN202110692081 A CN 202110692081A CN 113627599 B CN113627599 B CN 113627599B
- Authority
- CN
- China
- Prior art keywords
- membrane potential
- potential data
- data
- reference membrane
- value
- 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
- 210000002569 neuron Anatomy 0.000 title claims abstract description 104
- 238000012545 processing Methods 0.000 title claims abstract description 43
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 239000012528 membrane Substances 0.000 claims abstract description 353
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000010304 firing Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims description 30
- 239000012634 fragment Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 10
- 239000000758 substrate Substances 0.000 claims 3
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 29
- 108090000862 Ion Channels Proteins 0.000 description 12
- 102000004310 Ion Channels Human genes 0.000 description 12
- 210000000170 cell membrane Anatomy 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 8
- 210000004556 brain Anatomy 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007831 electrophysiology Effects 0.000 description 5
- 238000002001 electrophysiology Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000001727 in vivo Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 210000003061 neural cell Anatomy 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 210000000225 synapse Anatomy 0.000 description 2
- 108091006146 Channels Proteins 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 230000023402 cell communication Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000001087 myotubule Anatomy 0.000 description 1
- 210000000287 oocyte Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012402 patch clamp technique Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及神经元信号处理技术领域,公开了神经元信号的处理方法、处理装置以及可读存储介质。该方法包括:获取神经元信号,神经元信号包括膜电位数据;对膜电位数据进行求导处理,以得到导数数据;根据导数数据确定神经元信号的脉冲位置、单脉冲发放时间范围、连续脉冲发放时间范围中的至少一种。通过上述方式,能够提升从神经元信号中提取脉冲位置、单脉冲发放时间范围以及连续脉冲发放时间范围的提取速度以及准确性。
Description
技术领域
本申请涉及神经元信号处理技术领域,特别是涉及神经元信号的处理方法、处理装置以及可读存储介质。
背景技术
电生理学是研究通过某细胞膜的电流或电压变化的研究领域。电生理学技术广泛应用于各种神经系统科学和生理学应用中,从了解某细胞膜中的单个离子通道行为到某细胞中膜电位数据的全细胞变化,再到体外脑片或体内大脑区域内场电位的较大范围变化。离子通道由于其在很多神经和心血管疾病中发挥的关键作用及生理机能,而成为研究人员的主要靶标,而膜片钳(使用最广泛的电生理学技术之一)是研究离子通道活动的最佳工具。
相关技术中对膜片钳采集的神经元信号的处理存在缺陷,会导致提取的数据不够准确。
发明内容
本申请主要解决的技术问题是提供神经元信号的处理方法、处理装置以及可读存储介质,能够提升从神经元信号中提取脉冲位置、单脉冲发放时间范围以及连续脉冲发放时间范围的提取速度以及准确性。
为了解决上述问题,本申请采用的一种技术方案是提供一种神经元信号的处理方法,该方法包括:获取神经元信号,神经元信号包括膜电位数据;对膜电位数据进行求导处理,以得到导数数据;根据导数数据确定神经元信号的脉冲位置、单脉冲发放时间范围、连续脉冲发放时间范围中的至少一种。
其中,对膜电位数据进行求导处理,以得到导数数据,包括:获取神经元信号中相邻的第一膜电位数据与第二膜电位数据;第二膜电位数据在第一膜电位数据之后;利用第一膜电位数据与第二膜电位数据的差值作为参考膜电位数据;基于多个参考膜电位数据得到导数数据。
其中,基于多个参考膜电位数据得到导数数据,包括:对多个参考膜电位数据进行二值化操作;将满足第一预设条件的参考膜电位数据的值转换为第一预设值;将满足第二预设条件的参考膜电位数据的值作为第二预设值;基于多个第一预设值和多个第二预设值得到导数数据。
其中,根据导数数据确定神经元信号的连续脉冲发放时间范围,包括:获取导数数据中的目标参考膜电位数据以及在目标参考膜电位数据左邻域的第一数量个参考膜电位数据和右邻域的第二数量个参考膜电位数据,以得到多个第一膜电位数据片段;按照从左到右的顺序确定每个第一膜电位数据片段中所有参考膜电位数据的平均值,作为每个第一膜电位数据片段中目标参考膜电位数据的第一数值;其中,在左邻域的第一数量个范围内的目标参考膜电位数据的第一数值将会参与当前第一膜电位数据片段的计算;按照从右到左的顺序确定每个第一膜电位数据片段中所有参考膜电位数据的平均值,作为每个第一膜电位数据片段中目标参考膜电位数据的第二数值;其中,在右邻域的第二数量个范围内的目标参考膜电位数据的第二数值将会参与当前第一膜电位数据片段的计算;根据多个第一数值和多个第二数值确定连续脉冲发放时间范围。
其中,根据多个第一数值和多个第二数值确定连续脉冲发放时间范围,包括:将连续满足预设条件的第一数值或第二数值对应的时间范围确定为连续脉冲发放时间范围。
其中,根据导数数据确定神经元信号的脉冲位置,包括:获取导数数据中相邻的第一参考膜电位数据与第二参考膜电位数据;第二参考膜电位数据在第一参考膜电位数据之后;若第一参考膜电位数据大于第二参考膜电位数据且大于0,第二参考膜电位数据小于0,则将第一参考膜电位数据对应的时刻作为脉冲位置。
其中,根据导数数据确定神经元信号的单脉冲发放时间范围之前,包括:将对应脉冲位置的参考膜电位数据的值转换为第一预设值;将不对应脉冲位置的参考膜电位数据的值转换为第二预设值;基于多个第一预设值和多个第二预设值得到导数数据。
其中,根据导数数据确定神经元信号的脉冲位置、单脉冲发放时间范围、连续脉冲发放时间范围中的至少一种的单脉冲发放时间范围,包括:获取导数数据中的目标参考膜电位数据以及在目标参考膜电位数据左邻域的第一数量个参考膜电位数据和右邻域的第二数量个参考膜电位数据,以得到多个第二膜电位数据片段;确定每个第二膜电位数据片段所有参考膜电位数据的平均值,作为目标参考膜电位数据的值;根据多个目标参考膜电位数据的值确定单脉冲发放时间范围。
其中,根据多个目标参考膜电位数据的值确定单脉冲发放时间范围,包括:将连续满足预设条件的多个目标参考膜电位数据对应的时间范围确定为单脉冲发放时间范围。
为了解决上述问题,本申请采用的另一种技术方案是提供一种神经元信号的处理装置,该处理装置包括处理器以及与处理器耦接的存储器,存储器中存储有计算机程序,处理器用于执行计算机程序以实现如上述技术方案提供的处理方法。
为了解决上述问题,本申请采用的另一种技术方案是提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,计算机程序在被处理器执行时,实现如上述技术方案提供的处理方法。
本申请的有益效果是:区别于现有技术的情况,本申请提供的神经元信号的处理方法、处理装置以及可读存储介质。该方法通过对膜电位数据进行求导处理能够使离散的膜电位数据之间产生关联,进而能够从关联的导数数据中确定神经元信号的脉冲位置、单脉冲发放时间范围、连续脉冲发放时间范围中的至少一种,能够提升从神经元信号中提取脉冲位置、单脉冲发放时间范围以及连续脉冲发放时间范围的提取速度以及准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中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申请的一些实施例,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。其中:
图1是本申请提供的神经元信号的处理方法一实施例的流程示意图;
图2是本申请提供的神经元信号一实施例的示意图;
图3是本申请提供的图1中步骤12一实施例的流程示意图;
图4是本申请提供的神经元信号的处理方法另一实施例的流程示意图;
图5是本申请提供的脉冲位置一实施例的示意图;
图6是本申请提供的图2和图5对比后的局部示意图;
图7是本申请提供的神经元信号的处理方法另一实施例的流程示意图;
图8是本申请提供的神经元信号的处理方法另一实施例的流程示意图;
图9是本申请提供的单脉冲发放时间范围一实施例的示意图;
图10是本申请提供的图2和图9对比后的局部示意图;
图11是本申请提供的神经元信号的处理方法另一实施例的流程示意图;
图12是本申请提供的连续脉冲发放时间范围一实施例的示意图;
图13是本申请提供的图2和图12对比后的局部示意图;
图14是本申请提供的神经元信号的处理装置一实施例的结构示意图;
图15是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
电生理学是研究通过某细胞膜的电流或电压变化的研究领域。电生理学技术广泛应用于各种神经系统科学和生理学应用中,从了解某细胞膜中的单个离子通道行为到某细胞中膜电位数据的全细胞变化,再到体外脑片或体内大脑区域内场电位的较大范围变化。离子通道由于其在很多神经和心血管疾病中发挥的关键作用及生理机能,而成为研究人员的主要靶标,而膜片钳(使用最广泛的电生理学技术之一)是研究离子通道活动的最佳工具。
膜片钳技术是一种用于了解离子通道行为的通用型电生理学工具。每个细胞都表达离子通道,但通过膜片钳技术进行研究的最常见细胞包括神经细胞、肌纤维、心肌细胞和高表达单一离子通道的卵母细胞。为了评估单个离子通道的传导性,微电极与细胞膜会形成高电阻封接,并移除包含目标离子通道的细胞膜片。或者,当微电极密封至细胞膜上时,此细胞膜片会破裂,从而使电极能够与整个细胞进行电学上的连通。之后施加电压,形成电压钳,并测量膜电流。电流钳也可用于测量细胞膜内外电压(称为膜电位数据)的变化。可以通过添加化合物阻断或激活通道来改变细胞膜内的电压或电流变化。这些技术使研究人员能够了解离子通道在正常和疾病状态下如何表现,以及不同的药物、离子或其他分析物如何改变这些状态。
膜电位数据通常是指以膜相隔的两溶液之间产生的电位差。一般是指细胞生命活动过程中伴随的电现象,存在于细胞膜两侧的电位差。膜电位数据在神经细胞通讯的过程中起着重要的作用。
神经元是生物大脑计算的基本单元,它通过脉冲交换和传递信息,通过突触来记忆和学习。生物大脑中包含数十亿个神经元组成的网络,神经元之间通过数万亿个突触相互连接。在这个网络中,基于脉冲的时间处理机制使得稀疏而有效的信息在人脑中传递。
而膜片钳采集的膜电位数据往往是杂乱无序的,如何从这些杂乱无序的膜电位数据中找到有效信息,是目前需要解决的问题。
基于此,本申请采用以下方式进行信号处理。
参阅图1,图1是本申请提供的神经元信号的处理方法一实施例的流程示意图。该方法包括:
步骤11:获取神经元信号,神经元信号包括膜电位数据。
其中,神经元信号可以是通过上述的膜片钳在预设时间内采集的膜电位数据。可以理解,每一膜电位数据对应一采集时刻。
此时,可以采用图2的形式对神经元信号进行表示。在图2中,横坐标为采集时刻,纵坐标为神经元信号的膜电位数据。
步骤12:对膜电位数据进行求导处理,以得到导数数据。
结合图2进行说明:
因膜电位数据均是杂乱无序的,则需要对该神经元信号进行求导处理,以将离散的膜电位数据进行关联。
在一些实施例中,可以对膜电位数据进行一阶求导,以得到导数数据。其中,每一导数数据与膜电位数据对应。
如,参阅图3,步骤12可以是如下流程:
步骤121:获取神经元信号中相邻的第一膜电位数据与第二膜电位数据。
其中,第二膜电位数据在第一膜电位数据之后。
步骤122:利用第一膜电位数据与第二膜电位数据的差值作为参考膜电位数据。
其中,可以利用第一膜电位数据减去第二膜电位数据,得到的第一差值作为参考膜电位数据,该参考膜电位数据可以对应表示第一膜电位数据。也可以利用第二膜电位数据减去第一膜电位数据,得到的第二差值作为参考膜电位数据,该参考膜电位数据可以对应表示第二膜电位数据。
步骤123:基于多个参考膜电位数据得到导数数据。
因神经元信号有多个膜电位数据,则可以对应生成多个参考膜电位数据,则可以将参考膜电位数据按照神经元信号的方式,形成导数数据。其中,每一参考膜电位数据的时刻对应神经元信号中膜电位数据的时刻。
此时,离散的神经元信号则可以用导数数据表示。
步骤13:根据导数数据确定神经元信号的脉冲位置、单脉冲发放时间范围、连续脉冲发放时间范围中的至少一种。
如,对导数数据中相邻的参考膜电位数据进行判断,能够确定相邻的参考膜电位数据中是否存在脉冲位置。
又如,对导数数据中的每个参考膜电位数据进行邻域点的获取,并根据邻域点来判断该参考膜电位数据是否处于单脉冲发放时间范围。
又如,对导数数据中的每个参考膜电位数据进行邻域点的获取,并根据邻域点来判断该参考膜电位数据是否处于连续脉冲发放时间范围。
在本实施例中,通过对膜电位数据进行求导处理能够使离散的膜电位数据之间产生关联,进而能够从关联的导数数据中确定神经元信号的脉冲位置、单脉冲发放时间范围、连续脉冲发放时间范围中的至少一种,能够提升从神经元信号中提取脉冲位置、单脉冲发放时间范围以及连续脉冲发放时间范围的提取速度以及准确性。
申请人在长期研究发现,在神经元发放脉冲时,对应时刻的膜电位数据为该时刻前后的一定时间段内的最大值。以及神经元在发放脉冲时,单个脉冲的发放时间范围也是可以采集的,以及连续脉冲的发放也是可以采集的。这些脉冲数据对进一步进行神经元模型的建模,神经元电生理性质的仿真,以及脉冲神经网络的研究有重要意义。
因此,神经元信号的脉冲位置、单脉冲发放时间范围、连续脉冲发放时间范围的准确性也很重要。基于此,本申请提供一下实施例进行说明:
参阅图4,图4是本申请提供的神经元信号的处理方法另一实施例的流程示意图。该方法包括:
步骤41:获取神经元信号。
步骤42:获取神经元信号中相邻的第一膜电位数据与第二膜电位数据。
其中,第二膜电位数据在第一膜电位数据之后。
步骤43:利用第一膜电位数据与第二膜电位数据的差值作为参考膜电位数据。
步骤44:基于多个参考膜电位数据得到导数数据。
步骤41-44与上述实施例具有相同或相似的技术方案,这里不做赘述。
本实施例中,步骤43可以为利用第二膜电位数据减去第一膜电位数据,得到第一差值,将第一差值作为对应第二膜电位数据的参考膜电位数据。
步骤45:获取导数数据中相邻的第一参考膜电位数据与第二参考膜电位数据。
其中,第二参考膜电位数据在第一参考膜电位数据之后。
因导数数据可近似表达神经元信号,则可以利用导数数据来确定脉冲位置。
步骤46:若第一参考膜电位数据大于第二参考膜电位数据且大于0,第二参考膜电位数据小于0,则将第一参考膜电位数据对应的时刻作为脉冲位置。
可以理解,若第一参考膜电位数据大于第二参考膜电位数据,则说明第一参考膜电位数据对应的神经元信号上的膜电位数据大于第二参考膜电位数据对应的膜电位数据。
且,导数数据中的参考膜电位数据是神经元信号中相邻的膜电位数据之间的差值,说明导数数据上的参考膜电位数据会出现两种情况,大于0或小于0。
参考膜电位数据大于0,则说明参考膜电位数据对应的神经元信号上的膜电位数据大于神经元信号上该时刻的前一时刻的膜电位数据。
第一参考膜电位数据大于第二参考膜电位数据且大于0,第二参考膜电位数据小于0,说明第一参考膜电位数据对应的神经元信号上的膜电位数据大于神经元信号上该时刻的后一时刻的膜电位数据。可以确定该时刻进行了脉冲发放,可以将第一参考膜电位数据对应的时刻确定为脉冲位置。
在其他实施例中,可以通过以下条件进行判断:
将满足第一预设条件的参考膜电位数据转化为第一预设值,将满足第二预设条件的参考膜电位数据转化为第二预设值。如,通过以下公式进行转化。
其中,S(j)为导数数据转化后的函数表达式,表示导数数据的函数表达式,即第j时刻的参考膜电位数据,j表示对应参考膜电位数据的采集时刻,即神经元中膜电位数据的采集时刻。
通过上式可以知晓,S(j)=1对应的时刻为脉冲位置,即此时刻神经元进行了脉冲发放。
在一应用场景中,参阅图2、图5和图6进行说明:
图5为使用本实施例的方法确定的脉冲位置的示意图,可以将图5的脉冲位置与图2的神经元信号进行比较,得到如图6所示图像。因此,可以确定根据两者之间的误差,若误差满足阈值,则可以将图5得到的脉冲位置进行神经元模型的建模,神经元电生理性质的仿真,以及脉冲神经网络的研究。
在本实施例中,通过比较导数数据中参考膜电位之间的大小,以及参考膜电位的正负,能够精准确定神经元信号中的脉冲位置,进而提高对脉冲位置采集的准确性及全面性,由此方法采集的脉冲位置更能够准确反映出神经元的活动。
在一些实施例中,在上述实施例求得脉冲位置后,可依据脉冲位置进而确定单脉冲发放时间范围。具体地,参阅图7,该方法包括:
步骤71:将对应脉冲位置的参考膜电位数据的值转换为第一预设值。
步骤72:将不对应脉冲位置的参考膜电位数据的值转换为第二预设值。
步骤73:基于多个第一预设值和多个第二预设值得到导数数据。
在一些实施例中,可以按照公式进行转换,公式如下:
此时,导数数据则变为了0或1的数值,便于后续的计算。
步骤74:获取导数数据中的目标参考膜电位数据以及在目标参考膜电位数据左邻域的第一数量个参考膜电位数据和右邻域的第二数量个参考膜电位数据,以得到多个第二膜电位数据片段。
其中,第一数量和第二数量相同,这样可以保证目标参考膜电位数据左右的数据均衡。则第二膜电位数据片段中的参考膜电位数据数量为奇数。
其中,第一数量可以为10到20。如可以选择12、15、17或19。
可以理解,导数数据中存在多个参考膜电位数据,则目标参考膜电位数据的选择也是依次进行的,即下一目标参考膜电位数据与当前目标参考膜电位数据相邻。
步骤75:确定每个第二膜电位数据片段中所有参考膜电位数据的平均值,作为目标参考膜电位数据的值。
对每个第二膜电位数据片段中目标参考膜电位数据、第一数量个参考膜电位数据和第二数量个参考膜电位数据进行求和,然后再求平均值。该平均值可以表示第二膜电位数据片段中任一参考膜电位数据的值,也即可以作为目标参考膜电位数据的值。
步骤76:根据多个目标参考膜电位数据的值确定单脉冲发放时间范围。
在一些实施例中,可以将连续满足预设条件的多个目标参考膜电位数据对应的时间范围确定为单脉冲发放时间范围。
若按照导数数据为0或1的数值进行计算,则步骤55中目标参考膜电位数据的值则会是等于0或者不等于0。
在等于0时,说明第二膜电位数据片段中的参考膜电位数据没有对应脉冲位置,在不等于0时,说明第二膜电位数据片段中存在参考膜电位数据对应脉冲位置。
举例说明:
如,导电数据中参考膜电位数据共100个,第7个参考膜电位数据为1,其余皆为0。第一数量为10,则将出现以下结果。
在执行步骤55时,目标参考膜电位数据的值为以下情况:
第一个目标参考膜电位数据的值不等于0,第二个目标参考膜电位数据的值不等于0,第三个目标参考膜电位数据的值不等于0,第四个目标参考膜电位数据的值不等于0,第五个目标参考膜电位数据的值不等于0,第六个目标参考膜电位数据的值不等于0,第七个目标参考膜电位数据的值不等于0,第八个目标参考膜电位数据至第九十个目标参考膜电位数据的值等于0。
则第一个目标参考膜电位数据至第七个目标参考膜电位数据对应的时间范围确定为单脉冲发放时间范围。
可以理解,单脉冲发放时间范围可以表示出脉冲发放前的准备到脉冲发放后的衰减整个过程。
在本实施例中,对目标参考膜电位数据采用左右邻域的方式确定膜电位数据片段,并将该片段内参考膜电位数据的均值作为目标参考膜电位的值,因此每一参考膜电位数据均会存在一均值,满足预设值的均值所在的范围,则可以确定为单脉冲发放范围,因目标参考膜电位数据是基于脉冲位置,确定的单脉冲发放范围能够更加精准,进而提高了对单脉冲发放时间范围采集的准确性及全面性,由此方法采集的单脉冲发放时间范围更能够准确反映出神经元的活动。
参阅图8,图8是本申请提供的神经元信号的处理方法另一实施例的流程示意图。该方法包括:
步骤801:获取神经元信号,神经元信号包括膜电位数据。
步骤802:获取神经元信号中相邻的第一膜电位数据与第二膜电位数据。
其中,第二膜电位数据在第一膜电位数据之后。
步骤803:利用第一膜电位数据与第二膜电位数据的差值作为参考膜电位数据。
步骤801-803与上述实施例具有相同或相似的技术方案,这里不做赘述。
步骤804:对多个参考膜电位数据进行二值化操作。
步骤805:将满足第一预设条件的参考膜电位数据的值转换为第一预设值。
步骤806:将满足第二预设条件的参考膜电位数据的值作为第二预设值。
通过二值化操作,能够对参考膜电位数据进行去除噪声,以提高后续计算的准确性。
在一些实施例中,步骤804-步骤806可以用以下公式进行表示:
其中,第一预设值为0,第二预设值为参考膜电位数据本身,A和B为预设条件。可选的,A可以为-0.5,B可以为0.5。
步骤807:基于多个第一预设值和多个第二预设值得到导数数据。
若按照上述公式,则导数数据成为了0和对应满足第二预设条件的参考膜电位数据的值的集合。
步骤808:获取导数数据中的目标参考膜电位数据以及在目标参考膜电位数据左邻域的第一数量个参考膜电位数据和右邻域的第二数量个参考膜电位数据,以得到多个第二膜电位数据片段。
其中,第一数量和第二数量相同,这样可以保证目标参考膜电位数据左右的数据均衡。则第二膜电位数据片段中的参考膜电位数据数量为奇数。
其中,第一数量可以为5到20。如可以选择7、8、9、10、12、15、17或19。
可以理解,导数数据中存在多个参考膜电位数据,则目标参考膜电位数据的选择也是依次进行的,即下一目标参考膜电位数据与当前目标参考膜电位数据相邻。
步骤809:确定每个第二膜电位数据片段中所有参考膜电位数据的平均值,作为目标参考膜电位数据的值。
步骤810:根据多个目标参考膜电位数据的值确定单脉冲发放时间范围。
其中,步骤807-810与上述实施例的技术方案相同或相似,这里不做赘述。
在一应用场景中,参阅图2、图9和图10进行说明:
图9为使用本实施例的方法确定的单脉冲发放时间范围,可以将图9的脉冲位置与图2的神经元信号进行比较,得到如图10所示图像。因此,从图10中可以发现,本方法得到的单脉冲发放时间范围与图2中的神经元信号中的数据吻合。则可以将图9得到的单脉冲发放时间范围进行神经元模型的建模,神经元电生理性质的仿真,以及脉冲神经网络的研究。
在本实施例中,对目标参考膜电位数据采用左右邻域的方式确定膜电位数据片段,并将该片段内参考膜电位数据的均值作为目标参考膜电位的值,因此每一参考膜电位数据均会存在一均值,满足预设值的均值所在的范围,则可以确定为单脉冲发放范围,这样能够精准确定出单脉冲发放时间范围,进而提高对单脉冲发放时间范围采集的准确性及全面性,由此方法采集的单脉冲发放时间范围更能够准确反映出神经元的活动。
参阅图11,图11是本申请提供的神经元信号的处理方法另一实施例的流程示意图。该方法包括:
步骤101:获取导数数据中的目标参考膜电位数据以及在目标参考膜电位数据左邻域的第一数量个参考膜电位数据和右邻域的第二数量个参考膜电位数据,以得到多个第一膜电位数据片段。
其中,本实施例中的导数数据是按照上述任一实施例中的技术方案求得,这里不做赘述。
如,按照如下公式求得导数数据:
若按照上述公式,则导数数据成为了0和对应满足第二预设条件的参考膜电位数据的值的集合。
在一些实施例中,还可以将按照如下公式求得导数数据:
若按照上述公式,则导数数据成为了0和1的集合。
步骤102:按照从左到右的顺序确定每个第一膜电位数据片段中所有参考膜电位数据的平均值,作为每个第一膜电位数据片段中目标参考膜电位数据的第一数值;其中,目标参考膜电位数据的第一数值将会参与下一第一膜电位数据片段的计算。
在一些实施例中,在得到平均值后,对平均值进行判断,若平均值小于设定阈值,则将平均值改为0,然后作为每个第一膜电位数据片段中目标参考膜电位数据的第一数值。如,设定阈值为0.0001、0.0002。
在一应用场景中,因使用电子设备进行计算,因硬件限制,则可以将硬件限制存储的最小的小数作为设定阈值。
如,在连续的第一膜电位数据片段中除了第一数值外,其他参考膜电位数据没有数值存在的情况下,从开始参与计算的第一数值将急速按照第一膜电位数据片段中的参考膜电位数据的数量为倍数减小。同时,在连续的第一膜电位数据片段中除了第一数值外,其他参考膜电位数据没有数值存在的情况对应的是无脉冲的情况。
在其他实施例中,在左邻域的第一数量个范围内的目标参考膜电位数据的第二数值将会参与当前第一膜电位数据片段的计算。
对步骤101和102进行举例说明:
在对第一个第一膜电位数据片段进行平均值计算后,得到目标参考膜电位数据的第一数值,接下来对第二个第一膜电位数据片段进行平均值计算,此时第二个第一膜电位数据片段中包括了第一个第一膜电位数据片段中的目标参考膜电位数据,则在第二个第一膜电位数据片段进行平均值计算时,该目标参考值使用第一数值参与计算。
因此,按照从左到右的顺序进行计算时,左边已经计算的每个第一膜电位数据片段中目标参考值均会得到第一数值,后一第一膜电位数据片段计算时,在左邻域的第一数量个范围内的目标参考膜电位数据的第一数值将会参与当前第一膜电位数据片段的计算。
通过这种方式,可以按照获取到从左到右的方向上的连续脉冲发放时间范围。
可以理解,因参考膜电位数据的值为0或正数或负数,因此在第一膜电位数据片段进行平均值计算时,平均值会出现为0的情况。出现为0的情况时,说明该时刻未产生脉冲,也为处于脉冲发放时间范围。
但是这样存在遗漏问题,因为参与下一第一膜电位数据片段的计算为左邻域的参考膜电位数据,因此,右邻域的参考膜电位数据是被遗漏的,因此,执行步骤103。
步骤103:按照从右到左的顺序确定每个第一膜电位数据片段中所有参考膜电位数据的平均值,作为每个第一膜电位数据片段中目标参考膜电位数据的第二数值;其中,目标参考膜电位数据的第二数值将会参与下一第一膜电位数据片段的计算。
在一些实施例中,在得到平均值后,对平均值进行判断,若平均值小于设定阈值,则将平均值改为0,然后作为每个第一膜电位数据片段中目标参考膜电位数据的第二数值。
步骤103与步骤102相似,不同之处在于此时的计算顺序为从右到左,通过这种方式能够确定右邻域的参考膜电位数据是否为连续脉冲发放时间范围中的膜电位数据。
在其他实施例中,在右邻域的第二数量个范围内的目标参考膜电位数据的第二数值将会参与当前第一膜电位数据片段的计算。
在对第一个第一膜电位数据片段进行平均值计算后,得到目标参考膜电位数据的第二数值,接下来对第二个第一膜电位数据片段进行平均值计算,此时第二个第一膜电位数据片段中包括了第一个第一膜电位数据片段中的目标参考膜电位数据,则在第二个第一膜电位数据片段进行平均值计算时,该目标参考值使用第二数值参与计算。
按照从右到左的顺序进行计算时,右边已经计算的每个第一膜电位数据片段中目标参考值均会得到第二数值,下一第一膜电位数据片段计算时,在左邻域的第二数量个范围内的目标参考膜电位数据的第一数值将会参与当前第一膜电位数据片段的计算。
通过这种方式,可以按照获取到从右到左的方向上的连续脉冲发放时间范围。
可以理解,因参考膜电位数据的值为0或正数或负数,因此在第一膜电位数据片段进行平均值计算时,平均值会出现为0的情况。出现为0的情况时,说明该时刻未产生脉冲,也为处于脉冲发放时间范围。
步骤104:根据多个第一数值和多个第二数值确定连续脉冲发放时间范围。
将满足预设条所述第一数值或第二数值对应的时间范围确定为所述连续脉冲发放时间范围。
在一些实施例中,可以按照以下公式进行连续脉冲发放时间范围的确定。
首先,利用以下公式求出表示第一数值:
其中,表示第一数值对应的函数,H表示第一数量,L表示参考膜电位数据的长度或者数量,P表示第一膜电位数据片段中参考膜电位数据的总数,P=2H+1,/>在求解/>时,按照k1=0,1…N的方式取值,即从左到右。其中,在/>小于设定阈值,则将/>对应的值改为0,然后作为的值,即第一数值。
然后,利用以下公式求出多个第二数值:
其中,表示第二数值对应的函数,H表示第二数量,L表示参考膜电位数据的长度或者数量。P表示第一膜电位数据片段中参考膜电位数据的总数,P=2H+1,在求解/>时,按照k2=N,N-1,…1,0的方式取值,即从右到左。其中,在/>小于设定阈值,则将/>对应的值改为0,然后作为/>的值,即第二数值。
然后在得到和/>后,因两者的取值顺序是相反的,则需要将两者进行顺序统一,如,统一从右到左,或从左到右,则可以得到/>和/>然后按照以下公式进行计算:
此时,D(k)=1对应的时间则为连续脉冲发放时间范围。
在一应用场景中,参阅图2、图12和图13进行说明:
图12为使用本实施例的方法确定的连续脉冲发放时间范围,可以将图12的脉冲位置与图2的神经元信号进行比较,得到如图13所示图像。因此,从图13中可以发现,本方法得到的单脉冲发放时间范围与图2中的神经元信号中的数据吻合。则可以将图13得到的单脉冲发放时间范围进行神经元模型的建模,神经元电生理性质的仿真,以及脉冲神经网络的研究。
在本实施例中,对目标参考膜电位数据采用左右邻域的方式确定膜电位数据片段,并将该片段内参考膜电位数据的均值作为目标参考膜电位的值,并使该目标参考膜电位的值参与下一膜电位数据片段的计算,这样能够使与脉冲发放相对应的时刻之间进行关联,进而确定出连续脉冲发放时间范围,能够提高对连续脉冲发放时间范围采集的准确性,并且按照从左到右和从右到左的方式进行连续脉冲发放时间范围的确定,能够使采集的连续脉冲发放时间范围更加全面,更能够反映出神经元的活动。
参阅图14,图14是本申请提供的神经元信号的处理装置一实施例的结构示意图。该处理装置140包括处理器141以及与所述处理器141耦接的存储器142,所述存储器142中存储有计算机程序,所述处理器141用于执行所述计算机程序以实现如下方法:
获取神经元信号,神经元信号包括膜电位数据;对膜电位数据进行求导处理,以得到导数数据;根据导数数据确定神经元信号的脉冲位置、单脉冲发放时间范围、连续脉冲发放时间范围中的至少一种。
可以理解的,本实施例中的处理器141还可以实现上述任一实施例的方法,其具体的实施步骤可以参考上述实施例,这里不再赘述。
可以理解,该处理装置140还可以通信接口(图未示),该通信接口与处理器141连接,并用于连接膜片钳。其中,该膜片钳可以为在体膜片钳,用于对目标生物的神经元进行信号采集。如该目标生物可以为老鼠、兔子等。
参阅图15,图15是本申请提供的计算机可读存储介质一实施例的结构示意图。该计算机可读存储介质150存储有计算机程序151,所述计算机程序151在被处理器执行时,实现如下方法:
获取神经元信号,神经元信号包括膜电位数据;对膜电位数据进行求导处理,以得到导数数据;根据导数数据确定神经元信号的脉冲位置、单脉冲发放时间范围、连续脉冲发放时间范围中的至少一种。
可以理解的,本实施例中的计算机可读存储介质150应用于处理装置140,其具体的实施步骤可以参考上述实施例,这里不再赘述。
另外,图2、图5、图6、图9、图10和图13中的原始数据为本申请中的神经元信号。
本申请提供的神经元信号的处理方法、处理装置以及可读存储介质。该方法通过对膜电位数据进行求导处理,得到导数数据,一方面通过比较导数数据中参考膜电位之间的大小,以及参考膜电位的正负能够精准确定神经元信号中的脉冲位置,另一方面,对导数数据中的目标参考膜电位数据采用左右邻域的方式确定膜电位数据片段,并将该片段内参考膜电位数据的均值作为目标参考膜电位的值,因此每一参考膜电位数据均会存在一均值,满足预设值的均值所在的范围,则可以确定为单脉冲发放范围,另一方面,对导数数据中目标参考膜电位数据采用左右邻域的方式确定膜电位数据片段,并将该片段内参考膜电位数据的均值作为目标参考膜电位的值,并使该目标参考膜电位的值参与下一膜电位数据片段的计算,这样能够使与脉冲发放相对应的时刻之间进行关联,进而确定出连续脉冲发放时间范围。
综上,本申请提供的神经元信号的处理方法、处理装置以及可读存储介质,能够提高对脉冲位置、单脉冲发放范围以及连续脉冲发放时间范围采集的准确性,能够使采集的脉冲位置、单脉冲发放范围以及连续脉冲发放时间范围更加全面,更能够反映出神经元的活动,便于进一步进行神经元模型的建模,神经元电生理性质的仿真,以及脉冲神经网络的研究。
在本申请所提供的几个实施方式中,应该理解到,所揭露的方法以及设备,可以通过其它的方式实现。例如,以上所描述的设备实施方式仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种神经元信号的处理方法,其特征在于,所述方法包括:
获取神经元信号,所述神经元信号包括膜电位数据;
对所述膜电位数据进行求导处理,以得到导数数据;
根据所述导数数据确定所述神经元信号的脉冲位置、单脉冲发放时间范围、连续脉冲发放时间范围中的至少一种;
所述对所述膜电位数据进行求导处理,以得到导数数据,包括:
获取所述神经元信号中相邻的第一膜电位数据与第二膜电位数据;所述第二膜电位数据在所述第一膜电位数据之后;
利用所述第一膜电位数据与第二膜电位数据的差值作为参考膜电位数据;
基于多个所述参考膜电位数据得到所述导数数据;
所述基于多个所述参考膜电位数据得到所述导数数据,包括:
对多个所述参考膜电位数据进行二值化操作;
将满足第一预设条件的参考膜电位数据的值转换为第一预设值;
将满足第二预设条件的参考膜电位数据的值作为第二预设值;
基于多个所述第一预设值和多个所述第二预设值得到所述导数数据。
2.根据权利要求1所述的方法,其特征在于,
所述根据所述导数数据确定所述神经元信号的连续脉冲发放时间范围,包括:
获取所述导数数据中的目标参考膜电位数据以及在所述目标参考膜电位数据左邻域的第一数量个参考膜电位数据和右邻域的第二数量个参考膜电位数据,以得到多个第一膜电位数据片段;
按照从左到右的顺序确定每个所述第一膜电位数据片段中所有参考膜电位数据的平均值,作为每个所述第一膜电位数据片段中所述目标参考膜电位数据的第一数值;其中,所述目标参考膜电位数据的第一数值将会参与下一所述第一膜电位数据片段的计算;
按照从右到左的顺序确定每个所述第一膜电位数据片段中所有参考膜电位数据的平均值,作为每个所述第一膜电位数据片段中所述目标参考膜电位数据的第二数值;其中,所述目标参考膜电位数据的第二数值将会参与下一所述第一膜电位数据片段的计算;
根据多个所述第一数值和多个所述第二数值确定所述连续脉冲发放时间范围。
3.根据权利要求2所述的方法,其特征在于,
所述根据多个所述第一数值和多个所述第二数值确定所述连续脉冲发放时间范围,包括:
将满足预设条件的所述第一数值或所述第二数值对应的时间范围确定为所述连续脉冲发放时间范围。
4.根据权利要求1所述的方法,其特征在于,
所述根据所述导数数据确定所述神经元信号的脉冲位置,包括:
获取所述导数数据中相邻的第一参考膜电位数据与第二参考膜电位数据;所述第二参考膜电位数据在所述第一参考膜电位数据之后;
若所述第一参考膜电位数据大于所述第二参考膜电位数据且大于0,所述第二参考膜电位数据小于0,则将所述第一参考膜电位数据对应的时刻作为所述脉冲位置。
5.根据权利要求4所述的方法,其特征在于,
所述根据所述导数数据确定所述神经元信号的单脉冲发放时间范围之前,包括:
将对应脉冲位置的参考膜电位数据的值转换为第一预设值;
将不对应脉冲位置的参考膜电位数据的值转换为第二预设值;
基于多个所述第一预设值和多个所述第二预设值得到所述导数数据。
6.根据权利要求1或5所述的方法,其特征在于,
所述根据所述导数数据确定所述神经元信号的脉冲位置、单脉冲发放时间范围、连续脉冲发放时间范围中的至少一种的单脉冲发放时间范围,包括:
获取所述导数数据中的目标参考膜电位数据以及在所述目标参考膜电位数据左邻域的第一数量个参考膜电位数据和右邻域的第二数量个参考膜电位数据,以得到多个第二膜电位数据片段;
确定每个所述第二膜电位数据片段所有参考膜电位数据的平均值,作为所述目标参考膜电位数据的值;
根据多个所述目标参考膜电位数据的值确定所述单脉冲发放时间范围。
7.根据权利要求6所述的方法,其特征在于,
所述根据多个所述目标参考膜电位数据的值确定所述单脉冲发放时间范围,包括:
将连续满足预设条件的多个所述目标参考膜电位数据对应的时间范围确定为所述单脉冲发放时间范围。
8.一种神经元信号的处理装置,其特征在于,所述处理装置包括处理器以及与所述处理器耦接的存储器,所述存储器中存储有计算机程序,所述处理器用于执行所述计算机程序以实现如权利要求1-7任一项所述的处理方法。
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计算机程序,所述计算机程序在被处理器执行时,实现如权利要求1-7任一项所述的处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110692081.6A CN113627599B (zh) | 2021-06-22 | 2021-06-22 | 神经元信号的处理方法、处理装置以及可读存储介质 |
PCT/CN2021/138077 WO2022267385A1 (zh) | 2021-06-22 | 2021-12-14 | 神经元信号的处理方法、处理装置以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110692081.6A CN113627599B (zh) | 2021-06-22 | 2021-06-22 | 神经元信号的处理方法、处理装置以及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627599A CN113627599A (zh) | 2021-11-09 |
CN113627599B true CN113627599B (zh) | 2023-11-24 |
Family
ID=78378216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110692081.6A Active CN113627599B (zh) | 2021-06-22 | 2021-06-22 | 神经元信号的处理方法、处理装置以及可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113627599B (zh) |
WO (1) | WO2022267385A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627599B (zh) * | 2021-06-22 | 2023-11-24 | 深圳微灵医疗科技有限公司 | 神经元信号的处理方法、处理装置以及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764464A (zh) * | 2018-04-12 | 2018-11-06 | 清华大学 | 神经元信息发送方法、装置和存储介质 |
CN110717590A (zh) * | 2019-09-08 | 2020-01-21 | 天津大学 | 基于单指数核及神经膜电位状态的高效多脉冲算法 |
CN112101535A (zh) * | 2020-08-21 | 2020-12-18 | 中国科学院深圳先进技术研究院 | 脉冲神经元的信号处理方法及相关装置 |
CN112734012A (zh) * | 2021-01-07 | 2021-04-30 | 北京灵汐科技有限公司 | 脉冲神经网络训练方法、数据处理方法、电子设备和介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5217351B2 (ja) * | 2007-10-15 | 2013-06-19 | セイコーエプソン株式会社 | パルス発生回路およびuwb通信装置 |
CN105929825B (zh) * | 2016-05-16 | 2019-02-15 | 哈尔滨工程大学 | 一种基于神经动态模型的船舶动力定位反步控制方法 |
US11551074B2 (en) * | 2017-01-20 | 2023-01-10 | Tsinghua University | Self-adaptive threshold neuron information processing method, self-adaptive leakage value neuron information processing method, system computer device and readable storage medium |
CN110991602A (zh) * | 2019-09-08 | 2020-04-10 | 天津大学 | 基于单指数核的事件驱动脉冲神经元仿真算法 |
CN110751067B (zh) * | 2019-10-08 | 2022-07-26 | 艾特城信息科技有限公司 | 一种结合生物形态神经元模型的动态表情识别方法 |
CN112529176A (zh) * | 2020-12-03 | 2021-03-19 | 鹏城实验室 | 一种加速脉冲神经网络的训练方法、终端及存储介质 |
CN113627599B (zh) * | 2021-06-22 | 2023-11-24 | 深圳微灵医疗科技有限公司 | 神经元信号的处理方法、处理装置以及可读存储介质 |
-
2021
- 2021-06-22 CN CN202110692081.6A patent/CN113627599B/zh active Active
- 2021-12-14 WO PCT/CN2021/138077 patent/WO2022267385A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764464A (zh) * | 2018-04-12 | 2018-11-06 | 清华大学 | 神经元信息发送方法、装置和存储介质 |
CN110717590A (zh) * | 2019-09-08 | 2020-01-21 | 天津大学 | 基于单指数核及神经膜电位状态的高效多脉冲算法 |
CN112101535A (zh) * | 2020-08-21 | 2020-12-18 | 中国科学院深圳先进技术研究院 | 脉冲神经元的信号处理方法及相关装置 |
CN112734012A (zh) * | 2021-01-07 | 2021-04-30 | 北京灵汐科技有限公司 | 脉冲神经网络训练方法、数据处理方法、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113627599A (zh) | 2021-11-09 |
WO2022267385A1 (zh) | 2022-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104771163B (zh) | 基于csp和r‑csp算法的脑电信号特征提取方法 | |
Koulakov et al. | Correlated connectivity and the distribution of firing rates in the neocortex | |
Liu et al. | Long short-term memory recurrent neural network for pharmacokinetic-pharmacodynamic modeling | |
CN107203700B (zh) | 一种基于连续血糖监测的方法及装置 | |
Weaver et al. | Neuronal firing sensitivity to morphologic and active membrane parameters | |
CN113627599B (zh) | 神经元信号的处理方法、处理装置以及可读存储介质 | |
Anders et al. | Evidence accumulation as a model for lexical selection | |
Zaletel et al. | Modified Richardson's method versus the box-counting method in neuroscience | |
CN112992267B (zh) | 一种单细胞的转录因子调控网络预测方法及装置 | |
CN112783327A (zh) | 基于表面肌电信号进行手势识别的方法及系统 | |
Aghasafari et al. | A deep learning algorithm to translate and classify cardiac electrophysiology | |
Kyritsis et al. | End-to-end Learning for Measuring in-meal Eating Behavior from a Smartwatch | |
CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
CN105726023A (zh) | 一种脑电信号质量实时判定系统 | |
CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
CN111261283B (zh) | 基于金字塔型卷积层的心电信号深度神经网络建模方法 | |
CN117219223A (zh) | 一种医用存储柜的药剂监控方法及系统 | |
Ronchini et al. | NET-TEN: a silicon neuromorphic network for low-latency detection of seizures in local field potentials | |
Lindsey et al. | Two enhancements of the gravity algorithm for multiple spike train analysis | |
Wang et al. | Training state and performance evaluation of working memory based on task-related EEG | |
Wen et al. | Classification of ERP signals from mild cognitive impairment patients with diabetes using dual input encoder convolutional neural network | |
CN108968958A (zh) | 一种基于电极抽样校验的动态电阻抗成像方法 | |
Uragun et al. | Developing an appropriate data normalization method | |
CN108542381A (zh) | 一种数据处理方法和装置 | |
Wójcik et al. | Deep learning assisted distinguishing of honey seasonal changes using quadruple voltammetric electrodes |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230725 Address after: 518000 c1902p, building 1, Shenzhen software industry base, No. 81, 83 and 85, Gaoxin South 10th Road, Binhai community, Yuehai street, Nanshan District, Shenzhen, Guangdong Applicant after: Shenzhen Weiling Medical Technology Co.,Ltd. Address before: 1068 No. 518055 Guangdong city of Shenzhen province Nanshan District Shenzhen University city academy Avenue Applicant before: SHENZHEN INSTITUTES OF ADVANCED TECHNOLOGY CHINESE ACADEMY OF SCIENCES |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |