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ǎ唧w涉及一種基于排列組合熵的神經(jīng)元?jiǎng)幼麟娢惶卣魈崛》椒ā?/p>

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?jiǎng)幼麟娢坏墨@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椒诸惙椒ㄖ饕０宸ê托盘?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)作電位類別數(shù)和各自的動(dòng)作電位模板特征，因此分類性能的穩(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，來(lái)實(shí)現(xiàn)信號(hào)的自動(dòng)分類。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，提供了一種基于排列組合熵的神經(jīng)元?jiǎng)幼麟娢惶卣魈崛》椒āＴ摲椒ㄌ崛〉膭?dòng)作電位排列組合熵特征，能有效地用于后期動(dòng)作電位的分類，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計(jì)算速度較慢等問(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)間窗寬參數(shù)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，則共可記錄(T-n+1)個(gè)時(shí)間序列；

步驟(3)設(shè)定嵌入維數(shù)參數(shù)m的取值，從時(shí)間序列X中以連續(xù)m個(gè)采樣點(diǎn)的動(dòng)作電位幅值數(shù)據(jù)為一個(gè)子序列X_l，則共可從X中提取到(n-m+1)個(gè)子序列；

步驟(4)將子序列X_l中的元素按照動(dòng)作電位幅值數(shù)據(jù)的從小到大順序依次標(biāo)記為1，2，...，m，并記錄標(biāo)記順序；

步驟(5)通過(guò)步驟(4)求得所有(n-m+1)個(gè)X_l的標(biāo)記順序，并進(jìn)行統(tǒng)計(jì)，將相同的標(biāo)記順序歸為一種排列組合，計(jì)算各種排列組合出現(xiàn)的概率；

步驟(6)利用信息熵計(jì)算方法計(jì)算時(shí)間序列X的排列組合熵值，并將其歸一化；

步驟(7)移動(dòng)時(shí)間窗截取動(dòng)作電位信號(hào)下一個(gè)時(shí)間序列，重復(fù)步驟(3)至步驟(6)，得到下一個(gè)時(shí)間序列的排列組合熵歸一化后的值；直到計(jì)算出(T-n+1)個(gè)時(shí)間序列歸一化后的熵值，即為神經(jīng)元?jiǎng)幼麟娢惶卣鳌?/p>

本發(fā)明方法所具有的有益效果為：

1、排列組合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)。將排列組合熵應(yīng)用于動(dòng)作電位的特征提取中，其特征表征了該動(dòng)作電位的復(fù)雜性以及所含信息量，可有效實(shí)現(xiàn)動(dòng)作電位的分類。

2、動(dòng)作電位排列組合熵特征能刻畫非同源動(dòng)作電位在波形形狀以及幅值波動(dòng)等方面存在的差異，可達(dá)到將動(dòng)作電位按不同神經(jīng)元發(fā)放歸類的目的。

3、基于排列組合熵的動(dòng)作電位特征提取方法，因其算法較為簡(jiǎn)單，在計(jì)算動(dòng)作電位的排列組合熵時(shí)只涉及累加和比較操作，因此計(jì)算速度快。與傳統(tǒng)的特征提取方法相比，速度明顯提高。

4、排列組合熵算法，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)，且抗噪能力強(qiáng)。

5、基于排列組合熵的動(dòng)作電位特征提取方法直接將動(dòng)作電位信號(hào)作為熵源計(jì)算其排列組合熵特征，解決了某些傳統(tǒng)方法在信號(hào)分解重構(gòu)過(guò)程中丟失信息的問(wèn)題。

附圖說(shuō)明

圖1是神經(jīng)元?jiǎng)幼麟娢徊ㄐ螆D；

圖2是神經(jīng)元?jiǎng)幼麟娢慌帕薪M合熵圖。

具體實(shí)施方式

以下結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明，本發(fā)明通過(guò)提取動(dòng)作電位的排列組合熵特征，來(lái)表征各動(dòng)作電位的復(fù)雜度及信息量等特性，可以作為區(qū)分不同動(dòng)作電位的有效依據(jù)。本發(fā)明方法的具體步驟如下：