[发明专利]一种基于神经拟态计算的在线神经元分类方法

权利要求书

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；高斯感受野编码方式如下：

其中，为感受野神经元中心位置，为感受野神经元宽度，为在时间的信号序列，为感知层神经元在时间的脉冲发放，为高斯感受野的泊松过程；

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；

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：

其中，为选定的执行更新的认知层神经元，为认知层神经元在时间的电压值；

在初始状态下，所有权重值都被初始化，利用赫布学习规则，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：

其中，为更新后时间的突触权重，为更新前在时间的突触权重，为后突发放常数，为前突发放常数，为突触权重最大值，为突触权重最小值；

（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：

其中，是时间波形的采样点。

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。