[发明专利]一种基于神经拟态计算的在线神经元分类方法

说明书

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。

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；