[發(fā)明專利]一種基于拉普拉斯特征映射的多維神經(jīng)信號(hào)的降維和可視化方法

在審

• 申請?zhí)枺?/td>: 201810885034.1
• 申請日: 2018-08-06
• 公開（公告）號(hào): CN109033415A
• 公開（公告）日: 2018-12-18
• 發(fā)明（設(shè)計(jì)）人: 張韶岷;張奕煒;孫光昊
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 趙杭麗

本發(fā)明提供一種基于拉普拉斯特征映射的多維神經(jīng)信號(hào)降維和可視化方法，通過拉普拉斯特征映射對(duì)神經(jīng)數(shù)據(jù)進(jìn)行降維，提取有效信息，并在低維空間中繪制出動(dòng)態(tài)圖像，實(shí)現(xiàn)對(duì)神經(jīng)集群活動(dòng)模式的直觀表征。本發(fā)明在與傳統(tǒng)的方法例如廣義線性回歸模型(GLM)相比，可以處理更大規(guī)模更嘈雜的多通道神經(jīng)信號(hào)，因此在多通道神經(jīng)信號(hào)的動(dòng)態(tài)可視化方面具有較為顯著的優(yōu)勢。在聚類準(zhǔn)確度和可視化圖形區(qū)分度方面，基于拉普拉斯特征映射的多維神經(jīng)信號(hào)降維及可視化方法也優(yōu)于其余降維方法，考慮到拉普拉斯特征映射有較低的計(jì)算復(fù)雜度，因此本發(fā)明在運(yùn)行耗時(shí)方面也具有顯著優(yōu)勢。

技術(shù)領(lǐng)域

本發(fā)明屬于神經(jīng)信號(hào)的降維處理領(lǐng)域，涉及研究拉普拉斯特征映射(LaplacianEigenmaps，LE)算法對(duì)神經(jīng)科學(xué)實(shí)驗(yàn)獲取的多通道神經(jīng)信號(hào)進(jìn)行降維處理，具體涉及一種基于拉普拉斯特征映射的多維神經(jīng)信號(hào)的降維和可視化方法，為神經(jīng)學(xué)實(shí)驗(yàn)神經(jīng)數(shù)據(jù)的動(dòng)態(tài)表征提供一種有效的降維及可視化方法。

背景技術(shù)

神經(jīng)集群信號(hào)處理是神經(jīng)科學(xué)和神經(jīng)工程的核心技術(shù)之一，隨著信號(hào)記錄、存儲(chǔ)技術(shù)的發(fā)展，神經(jīng)實(shí)驗(yàn)可以采集到的高通量的神經(jīng)集群信號(hào)，具有數(shù)量大、信息量大以及內(nèi)容復(fù)雜的特點(diǎn)，如傳統(tǒng)的環(huán)事件直方圖等方法已經(jīng)無法處理和分析。因此，急需行之有效的信息約簡方法，從高維的、有噪聲的原始數(shù)據(jù)最中，提取出有意義的成分，并用合適的可視化方法進(jìn)行表示。目前，已經(jīng)有一些方法被應(yīng)用于神經(jīng)信息約簡并且取得了一定的效果，例如通過測量峰電位計(jì)數(shù)向量出現(xiàn)的概率，形成離散的概率分布來表征集群活動(dòng)，這種方法有著顯著的缺陷：隨著記錄神經(jīng)元數(shù)量的增加，峰電位計(jì)數(shù)向量呈指數(shù)增長，所以它僅僅適用于少量神經(jīng)元，并且涉及大量的數(shù)據(jù)分析。

同時(shí)，降維算法也被用于神經(jīng)信號(hào)的約簡，從傳統(tǒng)的線性算法主成分分析(PCA)，到非線性的流形學(xué)習(xí)算法等距特征映射(IOSMAP)等，都在神經(jīng)信號(hào)的約簡及可視化方面取得了一定的成果。本發(fā)明為多通道的神經(jīng)信號(hào)設(shè)計(jì)了一種基于拉普拉斯特征映射的可視化方法，拉普拉斯特征映射是一種反映流形內(nèi)部結(jié)構(gòu)的降維算法，它可以從原始神經(jīng)信號(hào)中高效的提取有效信息，以便于研究人員分析神經(jīng)信號(hào)的分布特性和動(dòng)態(tài)特性，為研究神經(jīng)集群編解碼和神經(jīng)環(huán)路工作機(jī)制提供了一種嶄新的信號(hào)處理和分析工具。

發(fā)明內(nèi)容

本發(fā)明提供一種基于拉普拉斯特征映射的多維神經(jīng)信號(hào)降維和可視化方法，通過拉普拉斯特征映射對(duì)神經(jīng)數(shù)據(jù)進(jìn)行降維，提取有效信息，并在低維空間中繪制出動(dòng)態(tài)圖像，實(shí)現(xiàn)對(duì)神經(jīng)集群活動(dòng)模式的直觀表征。

本方法通過以下步驟實(shí)現(xiàn)：

(1)數(shù)據(jù)預(yù)處理：對(duì)神經(jīng)信號(hào)進(jìn)行預(yù)處理，采用均值平滑的方法，對(duì)每個(gè)時(shí)間區(qū)間的信號(hào)，根據(jù)相鄰時(shí)間區(qū)間取均值。平滑后某個(gè)時(shí)間點(diǎn)數(shù)據(jù)的數(shù)學(xué)表達(dá)式為：

F_k(t)＝mean(S_k(t-N+1),S_k(t-N+2),...,S_k(t))

式中S k(t)表示t時(shí)刻原始數(shù)據(jù)的值，N表示平滑寬度。

(2)LE降維算法：應(yīng)用拉普拉斯特征映射(LE)對(duì)處理后的神經(jīng)數(shù)據(jù)進(jìn)行降維，得到原始神經(jīng)數(shù)據(jù)的低維表示。

平滑過的神經(jīng)數(shù)據(jù)可使用K近鄰算法將每個(gè)神經(jīng)元在一次試驗(yàn)中的發(fā)放數(shù)據(jù)作為一個(gè)數(shù)據(jù)點(diǎn)，計(jì)算它的K個(gè)最近鄰，得到鄰接圖G。

其中鄰接圖G計(jì)算神經(jīng)數(shù)據(jù)之間的權(quán)值矩陣W，計(jì)算公式為

其中||Xi-Xj||是數(shù)據(jù)點(diǎn)Xi和Xj之間的歐式距離，Xi表示第i個(gè)神經(jīng)元的活動(dòng)的特征數(shù)據(jù)，σ是指數(shù)核函數(shù)的參數(shù)。

根據(jù)權(quán)值矩陣W計(jì)算相應(yīng)的度矩陣D，計(jì)算公式為：

其中n的值為神經(jīng)元的個(gè)數(shù)。