專(zhuān)利名稱(chēng)：一種基于奇異譜熵的神經(jīng)元?jiǎng)幼麟娢惶卣魈崛》椒?br> 技術(shù)領(lǐng)域：
本發(fā)明屬于生物醫(yī)學(xué)工程領(lǐng)域，涉及一種神經(jīng)元?jiǎng)幼麟娢惶卣魈崛》椒?，具體涉 及一種基于奇異譜熵的神經(jīng)元?jiǎng)幼麟娢惶卣魈崛》椒ā?br> 背景技術(shù)：
神經(jīng)元?jiǎng)幼麟娢坏奶卣魈崛〖夹g(shù)是動(dòng)作電位模式分類(lèi)技術(shù)以及動(dòng)作電位序列解 碼等神經(jīng)信息學(xué)研究的前期基礎(chǔ)，且由于植入式多電極陣列技術(shù)的發(fā)展，使得大量神經(jīng)元 動(dòng)作電位的獲取成為可能，因此提取動(dòng)作電位的有效特征，并根據(jù)特征將其劃分至各自對(duì) 應(yīng)的神經(jīng)元，對(duì)于后續(xù)理解神經(jīng)元響應(yīng)與外在刺激之間的關(guān)聯(lián)性，起著非常關(guān)鍵的作用。目前神經(jīng)元?jiǎng)幼麟娢惶卣魈崛〖澳Ｊ椒诸?lèi)方法主要包括模板法和信號(hào)處理方法。 前者需要一定的先驗(yàn)知識(shí)，要求能夠獲取信號(hào)中所隱含的動(dòng)作電位類(lèi)別數(shù)和各自的動(dòng)作電 位模板特征，因此分類(lèi)性能的穩(wěn)定性通常不夠理想；后者則將采樣后的動(dòng)作電位信號(hào)視為 多維的點(diǎn)處理時(shí)間序列，通過(guò)對(duì)其特征的刻畫(huà)，來(lái)實(shí)現(xiàn)信號(hào)的自動(dòng)分類(lèi)。目前被普遍采用的 特征提取方法有主成分分析和小波分析方法。主成分分析通過(guò)樣本協(xié)方差矩陣求取主要特 征值，但由于動(dòng)作電位信號(hào)具有一定的非線(xiàn)性時(shí)變性，因此主成分分析可能無(wú)法反映動(dòng)作 電位信號(hào)的完整信息。小波分析方法通過(guò)對(duì)動(dòng)作電位信號(hào)進(jìn)行多層分解，在時(shí)頻域上對(duì)動(dòng) 作電位的動(dòng)態(tài)特性進(jìn)行有效描述，但是在小波分析中所使用的小波函數(shù)具有多樣性，因此 分析得到的小波分量和小波譜只相對(duì)所選擇的小波基有意義。

發(fā)明內(nèi)容
本發(fā)明針對(duì)現(xiàn)有技術(shù)的不足，提供了一種基于奇異譜熵的神經(jīng)元?jiǎng)幼麟娢惶卣魈?取方法。該方法提取的動(dòng)作電位奇異譜熵特征，能有效地用于后期動(dòng)作電位的分類(lèi)，可解決 傳統(tǒng)方法所提取的特征無(wú)法反映動(dòng)作電位完整信息或是無(wú)法反映動(dòng)作電位非線(xiàn)性非平穩(wěn) 的動(dòng)態(tài)特性等問(wèn)題。本發(fā)明方法包括以下步驟步驟(1)通過(guò)動(dòng)作電位采集系統(tǒng)，以40KHz采樣頻率采集得到多個(gè)時(shí)長(zhǎng)為T(mén)個(gè)采 樣點(diǎn)的動(dòng)作電位信號(hào)；步驟(2)設(shè)定時(shí)間窗寬η的取值，并記錄任一動(dòng)作電位信號(hào)在該時(shí)間窗下的各采 樣點(diǎn)幅值，形成時(shí)間序列X ；步驟(3)設(shè)定嵌入維數(shù)K和延遲時(shí)間τ的取值，對(duì)該時(shí)間序列X進(jìn)行多維相空間 重構(gòu)得到相空間矩陣Y ；所述的多維相空間重構(gòu)的具體方法為首先在時(shí)間序列X中從第一個(gè)動(dòng)作電位采樣點(diǎn)為起始點(diǎn)，提取間隔為τ的連續(xù)K個(gè)采樣點(diǎn)的動(dòng)作電位幅值，組成第一個(gè)子序列 作為相空間的第一個(gè)行向量；其次從第τ+1個(gè)動(dòng)作電位采樣點(diǎn)為起始點(diǎn)，提取間隔為τ 的連續(xù)K個(gè)采樣點(diǎn)的動(dòng)作電位幅值，組成第二個(gè)子序列作為相空間的第二個(gè)行向量；再次 從第2 τ+1個(gè)動(dòng)作電位采樣點(diǎn)為起始點(diǎn)，提取間隔為τ的連續(xù)K個(gè)采樣點(diǎn)的動(dòng)作電位幅值，組成第三個(gè)子序列作為相空間的第三個(gè)行向量，然后從第3 τ +1個(gè)動(dòng)作電位采樣點(diǎn)為 起始點(diǎn)，提取間隔為τ的連續(xù)K個(gè)采樣點(diǎn)的動(dòng)作電位幅值，組成第四個(gè)子序列作為相空間 的第四個(gè)行向量，以此類(lèi)推，從時(shí)間序列X中共可提取L(n-^)/r」+ l個(gè)不同的子序列，記 N = 1(η~Κ)/τ} + 1，則得到一個(gè)NXK階相空間矩陣Y ；
步驟(4)對(duì)相空間矩陣Y進(jìn)行奇異值分解，得到相空間矩陣Y的奇異值，即為非負(fù) 對(duì)角陣Λ的對(duì)角線(xiàn)上的所有特征值，其中UtYV= A，U為NXN階的正交矩陣，V為KXK階 的正交矩陣；步驟(5)分別計(jì)算各非零奇異值與所有奇異值總和之比得到概率，并利用信息熵 計(jì)算方法計(jì)算時(shí)間序列X的奇異譜熵值；步驟(6)移動(dòng)時(shí)間窗，記錄得到下一個(gè)時(shí)間序列，重復(fù)步驟(3)至步驟(5)計(jì)算該 時(shí)間序列的奇異譜熵值；步驟(7)重復(fù)步驟(6)，計(jì)算出該動(dòng)作電位信號(hào)可提取到的所有奇異譜熵值，即為 神經(jīng)元?jiǎng)幼麟娢惶卣?。本發(fā)明方法所具有的有益效果為1、奇異譜熵是一種衡量一維時(shí)間序列復(fù)雜度的平均熵參數(shù)，適用于隨機(jī)信號(hào)或者 確定信號(hào)以及隨機(jī)和確定性信號(hào)混合的信號(hào)。將奇異譜熵應(yīng)用于動(dòng)作電位的特征提取中， 其特征表征了該動(dòng)作電位在奇異值分解下的信息量，可有效實(shí)現(xiàn)動(dòng)作電位的分類(lèi)。2、基于奇異譜熵的神經(jīng)元?jiǎng)幼麟娢惶卣魈崛》椒ǎ瑢?duì)動(dòng)作電位信號(hào)進(jìn)行多維相空 間重構(gòu)，并在重構(gòu)的相空間內(nèi)進(jìn)行奇異值分解，其分解后的奇異值大小反映了該分量在動(dòng) 作電位信號(hào)中的重要程度；且多維相空間重構(gòu)方法，也一定程度上解決了傳統(tǒng)方法在信號(hào) 分解重構(gòu)過(guò)程中丟失信息的問(wèn)題。3、考慮到動(dòng)作電位具有較強(qiáng)的非平穩(wěn)性和非線(xiàn)性，因此基于奇異譜熵的動(dòng)作電位 特征提取方法，在奇異值分解基礎(chǔ)上采用熵值評(píng)價(jià)，即奇異譜熵來(lái)描述在奇異值分解下動(dòng) 作電位的特征，反映了動(dòng)作電位的整體信息以及在奇異譜劃分下的不確定性，是對(duì)動(dòng)作電 位的一種非線(xiàn)性度量。4、奇異譜熵算法，只需較短的序列長(zhǎng)度就能估計(jì)出較為穩(wěn)定的統(tǒng)計(jì)值，能較好地 適用于動(dòng)作電位時(shí)長(zhǎng)較短的特點(diǎn)。5、基于奇異譜熵的神經(jīng)元?jiǎng)幼麟娢惶卣魈崛》椒?，在相空間重構(gòu)過(guò)程中，時(shí)間窗 寬、嵌入維數(shù)和延遲時(shí)間的取值將影響相空間的質(zhì)量以至于影響動(dòng)作電位的奇異譜熵特征 的質(zhì)量。


圖1是神經(jīng)元?jiǎng)幼麟娢徊ㄐ螆D；圖2是神經(jīng)元?jiǎng)幼麟娢黄娈愖V熵圖。
具體實(shí)施例方式以下將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明，本發(fā)明方法利用一維的動(dòng)作電位信號(hào)重 構(gòu)多維相空間，在該相空間內(nèi)進(jìn)行奇異值分解，得到動(dòng)作電位的奇異譜，并采用熵值描述奇 異值分解下的動(dòng)作電位特征。奇異譜熵特征反映了動(dòng)作電位的整體信息以及在奇異譜劃分下的不確定性，可以作為區(qū)分不同動(dòng)作電位的有效依據(jù)。本發(fā)明方法的具體步驟為步驟⑴通過(guò)動(dòng)作電位采集系統(tǒng)可采集到時(shí)長(zhǎng)為T(mén)個(gè)采樣點(diǎn)的動(dòng)作電位信號(hào)。為 使每個(gè)動(dòng)作電位都能提取一定數(shù)量的奇異譜熵特征，以便于后期分類(lèi)時(shí)特征的選擇，且所 提取的特征能反映該動(dòng)作電位的特性，所以設(shè)定合適的時(shí)間窗寬η使η < T，且η個(gè)采樣點(diǎn) 的時(shí)長(zhǎng)應(yīng)包括上升支下降支等神經(jīng)元放電的重要時(shí)段。如圖1所示動(dòng)作電位T = 64，通過(guò) 觀察動(dòng)作電位波形可取η = 12。步驟(2)記錄任一動(dòng)作電位信號(hào)在該時(shí)間窗下的各采樣點(diǎn)幅值，形成第一個(gè)時(shí)間序列X= [Xl，x2，x3，...，xn]，選擇嵌入維數(shù)K和延遲時(shí)間τ重構(gòu)其相空間，則相空間行向 量為 Yi = [Xi, Xi+τ，xi+2τ，· · ·，xi+(K-D τ]，其中 = 1,2,3,.·.,L( -Κ)!τ\ + \。嵌入維數(shù)和延遲時(shí) 間的取值也會(huì)影響最終提取的動(dòng)作電位奇異譜熵特征質(zhì)量。由于動(dòng)作電位時(shí)長(zhǎng)較短，所以 兩者取值一般都較小，但太小會(huì)影響重構(gòu)相空間的質(zhì)量。如圖1所示，本實(shí)施例中K = 6， τ = 1。步驟(3)令# = 夂)/r」+l = L(12-6)/1」+ 1 = 7，則重構(gòu)的多維相空間可表示 為7 =
7，其中1表示矩陣轉(zhuǎn)置。Y為一個(gè)7X6階矩陣。對(duì)Y進(jìn)行奇異值 分解，使得UtYV= Λ，其中U為一個(gè)7X7階正交矩陣，V為一個(gè)6X6階正交矩陣，Λ為
'S 0"
7X6階的非負(fù)對(duì)角陣，Λ = ο ο，S = CliagU1,入2，入3，...，入》。非零的特征值入”
λ2，λ 3, ... , 以及為零的Xrt，λ r+2, . . . , λ 6為多維相空間Y的全部奇異值，其中0 < r 彡 6。步驟(4)定義非零奇異值λ i與所有非零奇異值總和之比為其貢獻(xiàn)率Pi，如式(1) 所示，計(jì)算所有非零奇異值的貢獻(xiàn)率。<formula>formula see original document page 5</formula>
<formula>formula see original document page 5</formula>步驟(5)通過(guò)式⑵求得時(shí)間序列X的奇異譜熵值SSE，移動(dòng)時(shí)間窗截取不同時(shí)間 序列，重復(fù)步驟(2)至步驟(4)可計(jì)算出該動(dòng)作電位的所有時(shí)間序列的奇異譜熵值，作為該 動(dòng)作電位可提取的特征，進(jìn)而可求得所有待分類(lèi)動(dòng)作電位的不同奇異譜熵值，作為后期動(dòng) 作電位分類(lèi)的特征依據(jù)。對(duì)于圖1所示的動(dòng)作電位，其奇異譜熵曲線(xiàn)如圖2所示。
權(quán)利要求
一種基于奇異譜熵的神經(jīng)元?jiǎng)幼麟娢惶卣魈崛》椒ǎ涮卣髟谟谠摲椒òㄈ缦虏襟E步驟(1)通過(guò)動(dòng)作電位采集系統(tǒng)，以40KHz采樣頻率采集得到多個(gè)時(shí)長(zhǎng)為T(mén)個(gè)采樣點(diǎn)的動(dòng)作電位信號(hào)；步驟(2)設(shè)定時(shí)間窗寬n的取值，并記錄任一動(dòng)作電位信號(hào)在該時(shí)間窗下的各采樣點(diǎn)幅值，形成時(shí)間序列X；步驟(3)設(shè)定嵌入維數(shù)K和延遲時(shí)間τ的取值，對(duì)該時(shí)間序列X進(jìn)行多維相空間重構(gòu)得到相空間矩陣Y；所述的多維相空間重構(gòu)的具體方法為首先在時(shí)間序列X中從第一個(gè)動(dòng)作電位采樣點(diǎn)為起始點(diǎn)，提取間隔為τ的連續(xù)K個(gè)采樣點(diǎn)的動(dòng)作電位幅值，組成第一個(gè)子序列作為相空間的第一個(gè)行向量；其次從第τ+1個(gè)動(dòng)作電位采樣點(diǎn)為起始點(diǎn)，提取間隔為τ的連續(xù)K個(gè)采樣點(diǎn)的動(dòng)作電位幅值，組成第二個(gè)子序列作為相空間的第二個(gè)行向量；再次從第2τ+1個(gè)動(dòng)作電位采樣點(diǎn)為起始點(diǎn)，提取間隔為τ的連續(xù)K個(gè)采樣點(diǎn)的動(dòng)作電位幅值，組成第三個(gè)子序列作為相空間的第三個(gè)行向量，然后從第3τ+1個(gè)動(dòng)作電位采樣點(diǎn)為起始點(diǎn)，提取間隔為τ的連續(xù)K個(gè)采樣點(diǎn)的動(dòng)作電位幅值，組成第四個(gè)子序列作為相空間的第四個(gè)行向量，以此類(lèi)推，從時(shí)間序列X中共可提取個(gè)不同的子序列，記則得到一個(gè)N×K階相空間矩陣Y；步驟(4)對(duì)相空間矩陣Y進(jìn)行奇異值分解，得到相空間矩陣Y的奇異值，即為非負(fù)對(duì)角陣Λ的對(duì)角線(xiàn)上的所有特征值，其中UTYV＝Λ，U為N×N階的正交矩陣，V為K×K階的正交矩陣；步驟(5)分別計(jì)算各非零奇異值與所有奇異值總和之比得到概率，并利用信息熵計(jì)算方法計(jì)算時(shí)間序列X的奇異譜熵值；步驟(6)移動(dòng)時(shí)間窗，記錄得到下一個(gè)時(shí)間序列，重復(fù)步驟(3)至步驟(5)計(jì)算該時(shí)間序列的奇異譜熵值；步驟(7)重復(fù)步驟(6)，計(jì)算出該動(dòng)作電位信號(hào)可提取到的所有奇異譜熵值，即為神經(jīng)元?jiǎng)幼麟娢惶卣?。FSA00000103587800011.tif,FSA00000103587800012.tif
全文摘要
本發(fā)明涉及一種基于奇異譜熵的神經(jīng)元?jiǎng)幼麟娢惶卣魈崛》椒ā，F(xiàn)有的方法信息提取不完成、計(jì)算效率低。本發(fā)明方法首先采樣動(dòng)作電位信號(hào)，并在設(shè)定的時(shí)間窗寬動(dòng)作電位信號(hào)形成時(shí)間序列X；其次設(shè)定嵌入維數(shù)K和延遲時(shí)間τ的取值，對(duì)該時(shí)間序列X進(jìn)行多維相空間重構(gòu)得到相空間矩陣Y；然后對(duì)相空間矩陣Y進(jìn)行奇異值分解，得到相空間矩陣Y的奇異值，分別計(jì)算各非零奇異值與所有奇異值總和之比得到概率，并利用信息熵計(jì)算方法計(jì)算時(shí)間序列X的奇異譜熵值；最后移動(dòng)時(shí)間窗，依上述方法計(jì)算所有奇異譜熵值，即得到神經(jīng)元?jiǎng)幼麟娢惶卣?。本發(fā)明方法在計(jì)算過(guò)程中的信息量完整且計(jì)算速度快。
文檔編號(hào)A61B5/04GK101828911SQ20101015903
公開(kāi)日2010年9月15日 申請(qǐng)日期2010年4月27日 優(yōu)先權(quán)日2010年4月27日
發(fā)明者丁穎, 范影樂(lè), 鐘華 申請(qǐng)人:杭州電子科技大學(xué)