CN114925734A - 一种基于神经拟态计算的在线神经元分类方法 - Google Patents

一种基于神经拟态计算的在线神经元分类方法 Download PDF

Info

Publication number
CN114925734A
CN114925734A CN202210849758.7A CN202210849758A CN114925734A CN 114925734 A CN114925734 A CN 114925734A CN 202210849758 A CN202210849758 A CN 202210849758A CN 114925734 A CN114925734 A CN 114925734A
Authority
CN
China
Prior art keywords
neuron
layer
neurons
online
pulse
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.)
Granted
Application number
CN202210849758.7A
Other languages
English (en)
Other versions
CN114925734B (zh
Inventor
祁玉
余航
潘纲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210849758.7A priority Critical patent/CN114925734B/zh
Publication of CN114925734A publication Critical patent/CN114925734A/zh
Application granted granted Critical
Publication of CN114925734B publication Critical patent/CN114925734B/zh
Priority to PCT/CN2022/141216 priority patent/WO2024016590A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Psychology (AREA)
  • Computing Systems (AREA)
  • Power Engineering (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于神经拟态计算的在线神经元分类方法，将大脑皮层采集的神经元锋电位信号通过场编码转换成脉冲信号，借助脉冲神经网络分类不同波形及对应时间戳，实现在线神经元锋电位信号分类；同时，通过脉冲神经网络在线更新方法，适应神经元锋电位波形的在线变化，提升长时在线神经元锋电位分类准确性。本方法具有较快计算速度，可以提升锋电位分类流程的速度，在不同数据集上的分类保持较高的一致性，且有助于植入芯片的部署。

Description

一种基于神经拟态计算的在线神经元分类方法
技术领域
本发明涉及脑电信号锋电位分类解码领域，尤其是涉及一种基于神经拟态计算的在线神经元分类方法。
背景技术
锋电位分类是神经信号数据处理和分析中一个复杂但必不可少的步骤。监测单个神经元活动有助于我们更好地了解与分析大脑行为机制。通常用电极记录的神经信号包含来自附近几个神经元的放电活动以及背景噪声，因此锋电位分类的任务是将单个神经元的放电活动从彼此之间以及背景噪声中分离出来，然后可以将单个神经元活动用于神经科学进行进一步分析。
为了解决锋电位分类问题，几十年来科学家提出了各种方法，从人工分类，到计算机辅助半自动分类方法，再到完全自动算法。
通常人工分类从视觉分类角度区分锋电位。随着采集设备的发展，大规模集成电极阵列的出现，人工锋电位分类变得愈发费时费力。一些电极设备甚至包含上万个电极通道，这完全超出了人工分类的极限。此外，人工锋电位分类的结果受分类专家主观性影响，不同专家得到的结果一致性存在差异。
为了缓解上述的问题，神经科学家借助自动化软件和算法，以提高锋电位分类的准确性与一致性。
从机器学习的角度来看，锋电位分类模仿人类专家的行为，通过区分波形来对不同神经元活动进行分类。目前大量基于特征的方法用以强化锋电位波形特征，例如：主成分分析，小波分解，拉普拉斯特征图等。然而考虑到锋电位波形的变化与噪声干扰，其中大多数通常是不准确的，因此他们主要用作辅助步骤，提供粗略的分类结果以加速人工分类过程，即半自动锋电位排序方法。
理想情况下，锋电位分类应该是一个自动、即插即用、并且具有强鲁棒性的过程，能够纠正探针偏移或细胞变形带来的分类错误，可以用于长期记录。目前神经科学家已经能够在脑内放入上千通道的探针用以同时记录神经元活动。但随着电极通道数目的爆发式增长，如何通过有限的带宽传输海量的信号也成为一个瓶颈。一个理想的解决方案是直接在大脑附近进行锋电位分类，并只将分类结果进行传输。然而大脑对温度非常敏感，传统芯片运行产生的热量会对组织造成不可逆转的伤害。因此，低功耗的神经芯片是一个可行的选择，基于神经芯片形态的锋电位分类算法有望解决这个问题，并实现颅内脑机接口。
发明内容
本发明提供了一种基于神经拟态计算的在线神经元分类方法，针对锋电位信号分类中信号中手工分类速度慢，不同专家分类结果不一致且需要花费较长时间的问题，一定程度上提升了锋电位分类流程的速度，在不同数据集上的分类保持较高的一致性，且有助于植入芯片的部署。
一种基于神经拟态计算的在线神经元分类方法，包括以下步骤：
（1）获取原始多通道神经信号，经过带通滤波去除低频的局部场电位，对每个通道的神经信号进行白化预处理和伪迹去除；
（2）在每一个信号通道上检测并对齐候选锋电位，具体为：使用非线性能量算子计算离散信号每个位置的能量强度，超过阈值的一段时间窗被判定为候选锋电位，然后根据尖峰位置对齐候选锋电位；
（3）构建脉冲神经网络，脉冲神经网络的第一层为感知层，第二层为认知层，认知层上的每个神经元以全连接的方式连接感知层神经元并动态更新连接突触；
（4）利用脉冲神经网络的感知层对候选锋电位进行脉冲编码，将输入的候选锋电位每个时间点的离散信号以高斯感受野编码方式映射到一组脉冲序列；
认知层上的神经元响应不同的脉冲序列输入，并根据赢者通吃机制更新被激活神经元与对应感知层神经元之间的连接突触；当认知层神经元累计电压超过电压阈值，认知层神经元将脉冲序列输出为响应不同细胞动作电位的时间戳序列；
（5）对于时间戳序列对应的原始神经信号，根据预先设定阈值划分锋电位与噪声，各个通道根据脉冲神经网络输出的时间戳序列重构来自不同细胞发放的波形。
进一步地，步骤（1）中，带通滤波采用3阶Butterworth滤波器，带通频率为300~3000Hz。
步骤（2）中，使用非线性能量算子计算离散信号每个位置的能量强度，公式为：
Figure 583996DEST_PATH_IMAGE001
其中，
Figure 235557DEST_PATH_IMAGE002
是
Figure 749715DEST_PATH_IMAGE003
时间波形的采样点。
根据尖峰位置对齐候选锋电位时，尖峰最大值位置先通过升采样插值，重新对齐后，波形被下采样至原始长度。
步骤（4）中，高斯感受野编码方式如下：
Figure 627148DEST_PATH_IMAGE004
其中，
Figure 175941DEST_PATH_IMAGE005
为感受野神经元中心位置，
Figure 467245DEST_PATH_IMAGE006
为感受野神经元宽度，
Figure 468699DEST_PATH_IMAGE007
为在时间
Figure 136441DEST_PATH_IMAGE008
的信号序列，
Figure 539740DEST_PATH_IMAGE009
为感知层神经元
Figure 516792DEST_PATH_IMAGE010
在时间
Figure 5543DEST_PATH_IMAGE008
的脉冲发放，
Figure 742554DEST_PATH_IMAGE011
为高斯感受野的泊松过程。
所述的赢者通吃机制具体为：当一个神经元被激活时，其他神经元被抑制并且不会被更新，只有被激活神经元增强或削减与感知层神经元连接突触的权重。
更新被激活神经元与对应感知层之间的连接突触，神经元选择方法如下：
Figure 360DEST_PATH_IMAGE012
其中，
Figure 164626DEST_PATH_IMAGE013
为选定的执行更新的认知层神经元，
Figure 140672DEST_PATH_IMAGE014
为认知层神经元在
Figure 884637DEST_PATH_IMAGE008
时间的电压值。
在初始状态下，所有权重值都被初始化。利用了赫布学习规则，强制神经元找到感兴趣的波形。每个认知层神经元都完全连接到感知层，这些突触的权重被初始化为零。每次输出神经元触发时，赫布学习规则都会应用于其传入的突触。
更新被激活神经元与对应感知层神经元之间的连接突触时，两层之间的连接突触的权重更新方式如下：
Figure 262529DEST_PATH_IMAGE015
其中，
Figure 82848DEST_PATH_IMAGE016
为更新后
Figure 546191DEST_PATH_IMAGE017
时间的突触权重，
Figure 359426DEST_PATH_IMAGE018
为更新前在
Figure 591824DEST_PATH_IMAGE019
时间的突触权重，
Figure 97892DEST_PATH_IMAGE020
为后突发放常数，
Figure 782951DEST_PATH_IMAGE021
为前突发放常数，
Figure 134298DEST_PATH_IMAGE022
为突触权重最大值，
Figure 470470DEST_PATH_IMAGE023
为突触权重最小值。
由于探头和机体组织之间的位移，神经元波形可能会轻微且永久地变形。在本发明的方法假设中，连续波形的变形发生在相邻输入神经元之间，因此连续变形能够反映在认知层的权重图上。
与现有技术相比，本发明具有以下有益效果：
1、本发明不需要预先训练或提供模板，能够即插即用。
2、本发明在线分类过程中不需要人工介入干预。
3、本发明能够部署在拟态神经芯片上，实现超低功耗锋电位分类。
附图说明
图1为本发明一种基于神经拟态计算的在线神经元分类方法的范式流程图。
图2为在真实数据集中采用本发明方法与对比方法的效果对比图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
本实例采用的是一段从小鼠海马体采集的数据集，它们包含来自同一神经元的细胞内和细胞外记录。该数据集的一部分已经通过各个实验室的测试，以测试不同的神经聚类算法。
在其中的一个数据集中，发现有段数据随着时间的推移真实标签的波形逐渐缩放，猜测这是由于在采集过程中细胞外电极和神经元之间的距离逐渐增加造成的。但从波形的角度观察，同一真实标签不同时间点的锋电位很难被聚类为同一个标签。
赫布学习规则被应用于从感知层到认知层的每个突触后尖峰发生的突触，这意味着如果突触前尖峰单独发生，则不会发生任何变化。尽管网络可以自动学习出现和转换的尖峰，但在运行之前需要设置一些超参数供赫布学习过程设置。一组合理的参数可以让整个网络从不同的波形中快速学习特征，而不会过度聚类。本发明在一些公共数据集上尝试了不同的可塑性参数比率，综合考虑识别速度和识别准确率，最终选择了参数
Figure 147439DEST_PATH_IMAGE024
和
Figure 319794DEST_PATH_IMAGE025
。
此外，还决定使用以下参数：
Figure 474832DEST_PATH_IMAGE026
：感受野上界200；
Figure 681823DEST_PATH_IMAGE027
：感受野下界-200；
Figure 529693DEST_PATH_IMAGE028
：场神经元形状因子2；
Figure 189344DEST_PATH_IMAGE029
：平均相邻感受野距离13；
Figure 148073DEST_PATH_IMAGE030
：短期可塑性时间突触前常数0.2；
Figure 691794DEST_PATH_IMAGE031
：短期可塑性时间突触后常数0.1；
Figure 710565DEST_PATH_IMAGE032
：神经元放电阈值3。
如图1所示，一种基于神经拟态计算的在线神经元分类方法，包括以下步骤：
1、脑电信号预处理：获取原始脑电信号，进行带通滤波去除低频的局部场电位，这里使用的是3阶的Butterworth滤波器带通滤波，带通频率为
Figure 857513DEST_PATH_IMAGE033
；由于这个数据集中只有一个通道带有真实标签，因此不需要进行白化操作；随后去除伪迹。信号最后被标准化至范围[-1,1]。
2、候选锋电位检测：在每一个信号通道上分别进行候选锋电位的检测，本发明使用非线性能量算子（NEO）
Figure 619932DEST_PATH_IMAGE034
来检测离散信号每个位置的能量强度，公式为：
Figure 535936DEST_PATH_IMAGE035
其中，
Figure 194450DEST_PATH_IMAGE002
是
Figure 828694DEST_PATH_IMAGE003
时间波形的采样点。这里阈值设置为0.05，超过阈值的能量算子前31个和后32个，共64个时间点被截下窗口视为候选锋电位。
3、锋电位对齐：尖峰对齐是将每个尖峰对准其最大幅度的点（在某些情况下，尖峰的最大值可能是波形的最小值）。由于波峰的峰值只达到非常短的时间，并且通常位于信号采样的时间点之间，因此波形的峰值无法准确测量。为了避免由于低采样导致的尖峰错位，尖峰最大值位置通过使用三次样条插值波形。重新对齐后，为后续计算方便，以峰值位置为100，截取256长度的信号，并且所有点缩放100倍作为网络输入。
4、输入信号场编码：在当前时间点之前的滑动时间窗口内传入的神经信号经过编码变成脉冲信号，传递到后续脉冲神经网络。这一层的网络层被称为“感知层”，该层将连续的输入信号以高斯感受野的编码方式映射到一组脉冲序列。这种特定的神经编码技术是一种排序编码器的扩展，它允许将实值元素的向量映射到一系列脉冲序列。 感受野允许通过使用具有重叠灵敏度配置文件的神经元集合来编码连续值。
假设预处理后在时间
Figure 378493DEST_PATH_IMAGE008
的信号序列
Figure 414582DEST_PATH_IMAGE007
，
Figure 509577DEST_PATH_IMAGE036
是从时间
Figure 631117DEST_PATH_IMAGE037
到时间
Figure 735339DEST_PATH_IMAGE038
的时间点。神经元
Figure 360355DEST_PATH_IMAGE010
在时间
Figure 891831DEST_PATH_IMAGE008
的发放
Figure 235087DEST_PATH_IMAGE039
为：
Figure 893733DEST_PATH_IMAGE040
其中，P是高斯感受野的泊松过程。
每个输入变量由一组
Figure 373256DEST_PATH_IMAGE041
一维感受野独立编码。为每个
Figure 75633DEST_PATH_IMAGE042
定义一个区间
Figure 906185DEST_PATH_IMAGE043
，这里区间为[-200,200]。高斯感受野中神经元
Figure 352210DEST_PATH_IMAGE044
的中心位置
Figure 951819DEST_PATH_IMAGE045
计算为：
Figure 825097DEST_PATH_IMAGE046
宽度
Figure 392213DEST_PATH_IMAGE047
计算为：
Figure 110771DEST_PATH_IMAGE048
其中，
Figure 830465DEST_PATH_IMAGE049
控制每个高斯感受野的宽度。这里基于该数据集，我们设置宽度
Figure 874644DEST_PATH_IMAGE050
为10，因此M=22。
5、脉冲神经网络分类：包含两层，第一层为感知层神经元，这里只截取输入信号部分
Figure 679789DEST_PATH_IMAGE051
，因此感知层尺寸为
Figure 467617DEST_PATH_IMAGE052
。第二层为认知层，以全连接的方式连接第一层神经元并动态更新，这里手动设定认知层尺寸为
Figure 41818DEST_PATH_IMAGE053
。认知层遵循赢者通吃 (WTA) 机制，当一个神经元被激活时，其他神经元被抑制并且不会被更新。
神经元
Figure 4701DEST_PATH_IMAGE054
是一个积分发放 (IF) 神经元，其在时间
Figure 31563DEST_PATH_IMAGE008
的膜电位由以下等式控制：
Figure 623081DEST_PATH_IMAGE055
其中，
Figure 51789DEST_PATH_IMAGE056
是来自感知层的输入尖峰序列，即感知层神经元
Figure 437770DEST_PATH_IMAGE010
在时间
Figure 217508DEST_PATH_IMAGE008
的脉冲发放；
Figure 347138DEST_PATH_IMAGE057
是从感知层到认知层的神经元
Figure 614040DEST_PATH_IMAGE058
的全连接权重。
认知层中的神经元基于赢者通吃机制的选择是：
Figure 436502DEST_PATH_IMAGE059
这里
Figure 437956DEST_PATH_IMAGE013
是选定的执行更新的神经元。
开始时，所有权重被初始化为0。每个认知层神经元都完全连接到感知层。每次输出神经元触发超过阈值，赫布学习规则都会被应用于其传入的突触。使用这个规则，两层之间的连接突触权重
Figure 371277DEST_PATH_IMAGE060
用常数值
Figure 508998DEST_PATH_IMAGE061
或
Figure 502361DEST_PATH_IMAGE062
更新：
Figure 991112DEST_PATH_IMAGE063
其中，
Figure 462544DEST_PATH_IMAGE064
=0.2，
Figure 471083DEST_PATH_IMAGE065
=0.1，
Figure 635348DEST_PATH_IMAGE066
=1，
Figure 345815DEST_PATH_IMAGE067
=0。
当认知层神经元累计电压超过阈值
Figure 620938DEST_PATH_IMAGE068
，认知层神经元将获得的脉冲序列输出为响应不同细胞动作电位的时间戳序列。
6、将得到的时间戳序列与真实标签进行对比，验证方法性能。
为了说明本方法能够追溯同一神经元，即使随着时间产生波形变化，我们筛选了特定的真实数据集进行实验，如图2，在该数据中，根据细胞内发放标注细胞外发放结果，随着时间的推移，波形幅值总体上在不断收缩。取前100个与后100个标签标注的锋电位绘制平均波形，两者的差异通常不会被视为由同一个神经元产生。在前100个带相同标签的锋电位，本方法与对比方法性能类似，但在后100个相同标签的锋电位上，由于该神经元在时间跨度上存在波形上的缩放，因此开始的波形与结束的波形存在差异，对比方法通常不能够很好的抓住类内波形的变化。通过降维后的染色结果可以看出，本方法找到的锋电位结果更接近于真实标签，说明本方法能够在一定范围内追踪同一个神经元的波形变化。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于神经拟态计算的在线神经元分类方法，其特征在于，包括以下步骤：
（1）获取原始多通道神经信号，经过带通滤波去除低频的局部场电位，对每个通道的神经信号进行白化预处理和伪迹去除；
（2）在每一个信号通道上检测并对齐候选锋电位，具体为：使用非线性能量算子计算离散信号每个位置的能量强度，超过阈值的一段时间窗被判定为候选锋电位，然后根据尖峰位置对齐候选锋电位；
（3）构建脉冲神经网络，脉冲神经网络的第一层为感知层，第二层为认知层，认知层上的每个神经元以全连接的方式连接感知层神经元并动态更新连接突触；
（4）利用脉冲神经网络的感知层对候选锋电位进行脉冲编码，将输入的候选锋电位每个时间点的离散信号以高斯感受野编码方式映射到一组脉冲序列；
认知层上的神经元响应不同的脉冲序列输入，并根据赢者通吃机制更新被激活神经元与对应感知层神经元之间的连接突触；当认知层神经元累计电压超过电压阈值，认知层神经元将脉冲序列输出为响应不同细胞动作电位的时间戳序列；
（5）对于时间戳序列对应的原始神经信号，根据预先设定阈值划分锋电位与噪声，各个通道根据脉冲神经网络输出的时间戳序列重构来自不同细胞发放的波形。
2.根据权利要求1所述的基于神经拟态计算的在线神经元分类方法，其特征在于，步骤（1）中，带通滤波采用3阶Butterworth滤波器，带通频率为300~3000Hz。
3.根据权利要求1所述的基于神经拟态计算的在线神经元分类方法，其特征在于，步骤（2）中，使用非线性能量算子计算离散信号每个位置的能量强度，公式为：
Figure 714849DEST_PATH_IMAGE001
其中，
Figure 784436DEST_PATH_IMAGE002
是
Figure 982199DEST_PATH_IMAGE003
时间波形的采样点。
4.根据权利要求1所述的基于神经拟态计算的在线神经元分类方法，其特征在于，步骤（2）中，根据尖峰位置对齐候选锋电位时，尖峰最大值位置先通过升采样插值，重新对齐后，波形被下采样至原始长度。
5.根据权利要求1所述的基于神经拟态计算的在线神经元分类方法，其特征在于，步骤（4）中，高斯感受野编码方式如下：
Figure 513543DEST_PATH_IMAGE004
其中，
Figure 480362DEST_PATH_IMAGE005
为感受野神经元中心位置，
Figure 720851DEST_PATH_IMAGE006
为感受野神经元宽度，
Figure 671489DEST_PATH_IMAGE007
为在时间
Figure 288415DEST_PATH_IMAGE008
的信号序列，
Figure 375320DEST_PATH_IMAGE009
为感知层神经元
Figure 803022DEST_PATH_IMAGE010
在时间
Figure 975377DEST_PATH_IMAGE008
的脉冲发放，
Figure 130415DEST_PATH_IMAGE011
为高斯感受野的泊松过程。
6.根据权利要求1所述的基于神经拟态计算的在线神经元分类方法，其特征在于，步骤（4）中，所述的赢者通吃机制具体为：当一个神经元被激活时，其他神经元被抑制并且不会被更新，只有被激活神经元增强或削减与感知层神经元连接突触的权重。
7.根据权利要求1所述的基于神经拟态计算的在线神经元分类方法，其特征在于，步骤（4）中，更新被激活神经元与对应感知层之间的连接突触，神经元选择方法如下：
Figure 337405DEST_PATH_IMAGE012
其中，
Figure 919696DEST_PATH_IMAGE013
为选定的执行更新的认知层神经元，
Figure 579348DEST_PATH_IMAGE014
为认知层神经元在
Figure 272497DEST_PATH_IMAGE015
时间的电压值。
8.根据权利要求1所述的基于神经拟态计算的在线神经元分类方法，其特征在于，步骤（4）中，更新被激活神经元与对应感知层神经元之间的连接突触时，两层之间的连接突触的权重更新方式如下：
Figure 583262DEST_PATH_IMAGE016
其中，
Figure 602033DEST_PATH_IMAGE017
为更新后
Figure 483402DEST_PATH_IMAGE018
时间的突触权重，
Figure 980242DEST_PATH_IMAGE019
为更新前在
Figure 896245DEST_PATH_IMAGE015
时间的突触权重，
Figure 85918DEST_PATH_IMAGE020
为后突发放常数，
Figure 214104DEST_PATH_IMAGE021
为前突发放常数，
Figure 514636DEST_PATH_IMAGE022
为突触权重最大值，
Figure 285145DEST_PATH_IMAGE023
为突触权重最小值。
CN202210849758.7A 2022-07-20 2022-07-20 一种基于神经拟态计算的在线神经元分类方法 Active CN114925734B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210849758.7A CN114925734B (zh) 2022-07-20 2022-07-20 一种基于神经拟态计算的在线神经元分类方法
PCT/CN2022/141216 WO2024016590A1 (zh) 2022-07-20 2022-12-23 一种基于神经拟态计算的在线神经元分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210849758.7A CN114925734B (zh) 2022-07-20 2022-07-20 一种基于神经拟态计算的在线神经元分类方法

Publications (2)

Publication Number Publication Date
CN114925734A true CN114925734A (zh) 2022-08-19
CN114925734B CN114925734B (zh) 2022-11-25

Family

ID=82816118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210849758.7A Active CN114925734B (zh) 2022-07-20 2022-07-20 一种基于神经拟态计算的在线神经元分类方法

Country Status (2)

Country Link
CN (1) CN114925734B (zh)
WO (1) WO2024016590A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115429293A (zh) * 2022-11-04 2022-12-06 之江实验室 一种基于脉冲神经网络的睡眠类型分类方法和装置
CN116304676A (zh) * 2023-02-01 2023-06-23 瑞鞍星医疗科技(苏州)有限公司 脑活动状态分类模型训练方法、装置和设备
WO2024016590A1 (zh) * 2022-07-20 2024-01-25 浙江大学 一种基于神经拟态计算的在线神经元分类方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102394844A (zh) * 2011-08-11 2012-03-28 浙江大学 基于fpga的锋电位信号并行检测装置和方法
CN103733209A (zh) * 2011-08-16 2014-04-16 高通股份有限公司 用于神经时间编码、学习和识别的方法和装置
CN106062669A (zh) * 2014-01-30 2016-10-26 莱斯特大学 用于脑机接口的系统
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
CN109376651A (zh) * 2018-10-24 2019-02-22 广东工业大学 一种基于cuda架构的gpu加速锋电位分类的系统
CN109460785A (zh) * 2018-10-24 2019-03-12 广东工业大学 一种基于gpu加速的锋电位实时分类的方法
CN109766847A (zh) * 2019-01-15 2019-05-17 南京邮电大学 一种锋电位分离方法
US20200352520A1 (en) * 2019-05-09 2020-11-12 Tim Chifong Lei Process and hardware implementation of adaptive real-time neural spike sorting
CN112764526A (zh) * 2020-12-29 2021-05-07 浙江大学 一种基于多模型动态集成的自适应脑机接口解码方法
CN113057656A (zh) * 2021-03-29 2021-07-02 浙江大学 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统
CN113378737A (zh) * 2021-06-18 2021-09-10 河北大学 植入式脑机接口神经元锋电位分类方法
CN113679395A (zh) * 2021-07-30 2021-11-23 浙江大学 一种多通道并行实时脑神经锋电位信号检测方法、装置和系统
CN114081494A (zh) * 2022-01-21 2022-02-25 浙江大学 一种基于大脑外侧缰核信号的抑郁状态检测系统
CN114403899A (zh) * 2022-02-08 2022-04-29 浙江浙大西投脑机智能科技有限公司 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190197406A1 (en) * 2017-12-22 2019-06-27 Microsoft Technology Licensing, Llc Neural entropy enhanced machine learning
CN114925734B (zh) * 2022-07-20 2022-11-25 浙江大学 一种基于神经拟态计算的在线神经元分类方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102394844A (zh) * 2011-08-11 2012-03-28 浙江大学 基于fpga的锋电位信号并行检测装置和方法
CN103733209A (zh) * 2011-08-16 2014-04-16 高通股份有限公司 用于神经时间编码、学习和识别的方法和装置
CN106062669A (zh) * 2014-01-30 2016-10-26 莱斯特大学 用于脑机接口的系统
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
CN109376651A (zh) * 2018-10-24 2019-02-22 广东工业大学 一种基于cuda架构的gpu加速锋电位分类的系统
CN109460785A (zh) * 2018-10-24 2019-03-12 广东工业大学 一种基于gpu加速的锋电位实时分类的方法
CN109766847A (zh) * 2019-01-15 2019-05-17 南京邮电大学 一种锋电位分离方法
US20200352520A1 (en) * 2019-05-09 2020-11-12 Tim Chifong Lei Process and hardware implementation of adaptive real-time neural spike sorting
CN112764526A (zh) * 2020-12-29 2021-05-07 浙江大学 一种基于多模型动态集成的自适应脑机接口解码方法
CN113057656A (zh) * 2021-03-29 2021-07-02 浙江大学 一种基于自适应阈值在线脑神经锋电位信号检测方法、装置和系统
CN113378737A (zh) * 2021-06-18 2021-09-10 河北大学 植入式脑机接口神经元锋电位分类方法
CN113679395A (zh) * 2021-07-30 2021-11-23 浙江大学 一种多通道并行实时脑神经锋电位信号检测方法、装置和系统
CN114081494A (zh) * 2022-01-21 2022-02-25 浙江大学 一种基于大脑外侧缰核信号的抑郁状态检测系统
CN114403899A (zh) * 2022-02-08 2022-04-29 浙江浙大西投脑机智能科技有限公司 一种大脑神经元锋电位与局部场电位结合的抑郁检测方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
ANAND KUMAR MUKHOPADHYAY: "Power-efficient Spike Sorting Scheme Using Analog Spiking Neural Network Classifier", 《ACM JOURNAL ON EMERGING TECHNOLOGIES IN COMPUTING SYSTEMS》 *
DANIEL VALENCIA等: "Neural Spike Sorting Using Binarized Neural Networks", 《 IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING》 *
HONGGE LI等: "An efficient spike-sorting for implantable neural recording microsystem using hybrid neural network", 《34TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE EMBS》 *
JIANHUA DAI: "Neuronal Spike Sorting based on 2-stage RBF Networks", 《2008 SECOND INTERNATIONAL CONFERENCE ON FUTURE GENERATION COMMUNICATION AND NETWORKING》 *
KYUNG HWAN KIM: "Neural Spike Sorting Under Nearly 0-dB Signal-to-Noise Ratio Using Nonlinear Energy Operator and Artificial Neural-Network Classifier", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 *
THILO WERNER: "SpikingNeuralNetworksBasedonOxRAMSynapsesforReal-TimeUnsupervisedSpikeSorting", 《FRONTIERSINNEUROSCIENCE》 *
WEIHAN LI等: "Efficient Point-Process Modeling of Spiking Neurons for Neuroprosthesis", 《2021 43RD ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE & BIOLOGY SOCIETY (EMBC)》 *
YANCHEN LIU等: "Application of Deep Compression Technique in Spiking Neural Network Chip", 《 IEEE TRANSACTIONS ON BIOMEDICAL CIRCUITS AND SYSTEMS》 *
朱政飞: "神经元锋电位检测与分类算法的研究", 《中国优秀硕士学位论文全文库》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024016590A1 (zh) * 2022-07-20 2024-01-25 浙江大学 一种基于神经拟态计算的在线神经元分类方法
CN115429293A (zh) * 2022-11-04 2022-12-06 之江实验室 一种基于脉冲神经网络的睡眠类型分类方法和装置
CN116304676A (zh) * 2023-02-01 2023-06-23 瑞鞍星医疗科技(苏州)有限公司 脑活动状态分类模型训练方法、装置和设备
CN116304676B (zh) * 2023-02-01 2023-11-17 瑞鞍星医疗科技(苏州)有限公司 脑活动状态分类模型训练方法、装置和设备

Also Published As

Publication number Publication date
WO2024016590A1 (zh) 2024-01-25
CN114925734B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN114925734B (zh) 一种基于神经拟态计算的在线神经元分类方法
Lewicki A review of methods for spike sorting: the detection and classification of neural action potentials
US20200367800A1 (en) Method for identifying driving fatigue based on cnn-lstm deep learning model
Maccione et al. A novel algorithm for precise identification of spikes in extracellularly recorded neuronal signals
CN108960182B (zh) 一种基于深度学习的p300事件相关电位分类识别方法
Oliynyk et al. Automatic online spike sorting with singular value decomposition and fuzzy C-mean clustering
CN109214395A (zh) 一种基于脉冲神经网络的图像特征描述方法
CN110251124B (zh) 一种有效性脑网络的确定方法及系统
CN113662560B (zh) 发作间期痫样放电的检测方法、存储介质和设备
CN111067513B (zh) 一种特征权重自学习的睡眠质量检测关键脑区判定方法
CN114159079A (zh) 基于特征提取和gru深度学习模型的多类型肌肉疲劳检测方法
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
Wang et al. One and two dimensional convolutional neural networks for seizure detection using eeg signals
Jasira et al. DyslexiScan: a dyslexia detection method from handwriting using CNN LSTM model
CN110200624A (zh) 基于卷积神经网络-循环神经网络-支持向量机混合模型的疾病识别算法
CN113143275B (zh) 一种样本与特征质量联合量化评估的脑电疲劳检测方法
Sato et al. Fast automatic template matching for spike sorting based on Davies-Bouldin validation indices
CN112274154B (zh) 基于脑电样本权重调整的跨被试疲劳驾驶分类方法
Ouelli et al. Epilepsy seizure detection using autoregressive modelling and multiple layer perceptron neural network
CN108564105A (zh) 一种针对肌电个体差异问题的在线手势识别方法
Farashi Spike detection using a multiresolution entropy based method
CN111783857A (zh) 基于非线性网络信息图的运动想象脑机接口
CN111012343A (zh) 基于Pearson相关性系数加权的跨个体脑-机接口
Dai et al. Experimental study on neuronal spike sorting methods
Shojaedini et al. Sparse Representation-Based Classification (SRC): A Novel Method to Improve the Performance of Convolutional Neural Networks in Detecting P300 Signals

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
GR01 Patent grant
GR01 Patent grant