神经脉冲信号的特征提取方法及设备

技术领域

本公开涉及神经脉冲信号的机器学习技术领域，尤其涉及一种神经脉冲信号的特征提取方法及设备。

背景技术

现代脑科学研究表明，人体在受到外界刺激时，受刺激部位会产生动作电位，当动作电位超过某一阈值，则出现细胞兴奋或神经冲动。动作电位也称为神经脉冲，信号在人体内的传递就是以神经脉冲的形式进行的，具体地，以神经脉冲发生的时间对不同信息进行编码。因此，动作电位序列，或称为神经脉冲序列，可以看作一系列时间值组成的序列，该序列的许多特征能够对所传递信息进行表征，如首次脉冲发生时间、脉冲间距、一段时间内的脉冲数等。对神经脉冲信号进行解码机制的研究及相关技术的开发，有利于促进生命科学、人工智能技术、灵巧操作机器人以及医学假肢等科学领域和高科技产业的发展。

目前，该领域的相关技术研究，主要分为两个方面。一方面，为了模拟人体神经系统，多种人工神经网络(ANN,Artificial Neural Network)和机器学习模型被开发出来，以实现回归模型拟合、类型区分、异常值检测、数据分析等目的。然而，这些技术只能处理数字信号，无法直接应用于神经脉冲信号的计算。另一方面，许多研究者直接转向开发专门的神经脉冲网络模型(SNN,Spiking Neural Network)或能实现相关计算的神经信号处理芯片。然而，这些专门的神经脉冲网络或芯片，往往需要较高的使用和开发成本，难以得到广泛使用。虽然有研究直接将神经脉冲的统计特征，如脉冲数，作为特征，提取后输入传统的机器学习或神经网络算法进行训练建模，但由于信息利用不充分，其实际效果往往不好，表现为预测精度或识别准确率较低。

此外，针对神经脉冲序列所含信息如何进行度量，近些年有许多学者提出了多种度量标准，如Van Rossum Distance，Victor-Purpura Distance等，适用于神经脉冲序列之间相似性或差异性的评估，其效果已被多数研究证实。而在已有的传统度量领域，针对数字矢量也有多种度量标准，如Euclidean Distance，Cityblock Distance等，适用于具有相同维度的矢量之间距离的计算，广泛应用于结果评估及信号分析领域。但这两种度量标准都要求被提取特征必须基于两个脉冲序列(或矢量)之间，无法处理单个脉冲序列。

发明内容

本公开提供了一种神经脉冲信号的特征提取方法及设备，其技术目的是通过引入脉冲间距序列、标准脉冲序列和时间窗口等，对单个或多个神经元发出的神经脉冲信号进行直接计算，解决传统机器学习或神经网络模型难以应用于神经脉冲信号处理的问题。

本公开的上述技术目的是通过以下技术方案得以实现的：

一种神经脉冲信号的特征提取方法，包括：

通过神经脉冲序列ST计算脉冲间距序列DT，包括：每个神经元产生的神经脉冲序列为ST＝{T(i)}＝{T(1),T(2),...,T(N)},i∈(1,N),N≥2；T(i)表示所述神经脉冲序列中第i个脉冲出现的时间；则脉冲间距序列为:

DT＝{D(1),D(2),...,D(N-1)}＝{T(2)-T(1),T(3)-T(2),...,T(N)-T(N-1)}；

根据时间窗口长度W将所述神经脉冲序列和所述脉冲间距序列都划分为不同的子序列，0

根据所述时间窗口长度W和N

根据所述标准脉冲序列提取每个子序列的统计学特征、脉冲度量特征和矢量度量特征。

一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述的方法。

本公开的有益效果在于：本申请所述的神经脉冲信号的特征提取方法及设备，可以直接对神经脉冲信号进行计算，无需应用特定函数将脉冲信号转换为数字信号以后再输入机器学习或神经网络模型；对于分类模型的使用没有限制，适用于具有分类识别功能的各种机器学习算法和人工神经网络；与已有的直接将脉冲序列的统计特征(如脉冲数或时间平均值等)输入到机器学习模型以实现类型识别的技术相比较，本申请提出的方法可提取更多有效特征，信息利用更加充分，识别精确度更高。

附图说明

图1为本发明所述的特征提取方法的流程图；

图2为本发明实施例的流程图。

具体实施方式

下面将结合附图对本公开技术方案进行详细说明。

图1为本发明所述的特征提取方法的流程图，如图1所示，S1：通过神经脉冲序列ST计算脉冲间距序列DT，包括：每个神经元产生的神经脉冲序列为ST＝{T(i)}＝{T(1),T(2),...,T(N)},i∈(1,N),N≥2；T(i)表示所述神经脉冲序列中第i个脉冲出现的时间；则脉冲间距序列为:

DT＝{D(1),D(2),...,D(N-1)}＝{T(2)-T(1),T(3)-T(2),...,T(N)-T(N-1)}。

S2：根据时间窗口长度W将所述神经脉冲序列和所述脉冲间距序列都划分为不同的子序列，0

S3：根据所述时间窗口长度W和N

具体地，使用j表示所述神经脉冲序列ST的子序列的序号，则所述神经脉冲序列ST的子序列的标准脉冲序列为：

使用k表示所述脉冲间距序列DT的子序列的序号，则所述脉冲间距序列DT的标准脉冲序列RDT

也就是说，所有子序列对应的标准脉冲序列的脉冲数都是一样的，例如，若N

脉冲间距序列的子序列的数量一般根据神经脉冲序列的总脉冲时间和时间窗口长度W来确定。

另外，提取所述矢量度量特征时，被度量的两个矢量应具有相同的维度，若子序列中的脉冲数小于标准脉冲序列中的脉冲数，则采用末端补零的方法进行特征提取，包括：

若N

若N

S4：根据所述标准脉冲序列提取每个子序列的统计学特征、脉冲度量特征和矢量度量特征。

作为具体实施例地，当本发明应用于对同一外界刺激进行感知的多神经元的脉冲信号计算时，以3个神经元为例，如图2所示，对每个神经元产生的神经脉冲序列，首先计算其脉冲间距序列，将神经脉冲序列及脉冲间距序列按照时间窗口长度划分为若干个子序列；再定义标准脉冲序列，提取每个时间长度窗口中子序列的统计学特征、脉冲度量特征和矢量度量特征；将提取的所有特征作为机器学习或神经网络分类模型的输入，待识别类型作为分类模型的输出，经过训练后，可实现基于神经脉冲信号的多类型智能识别。

若有3个神经元，那么就有3个神经脉冲序列和对应的3个脉冲间距序列，共有6个序列，然后对这6个序列按照时间窗口长度划分为若干个子序列，再定义每个子序列的标准脉冲序列，然后根据标准脉冲序列提取神经脉冲序列的特征，最后将提取得到的特征输入到分类模型时，不需要建立多个分类模型，而是建立一个模型，将以上所有特征输入到该模型，训练该模型后，即可实现基于神经脉冲信号的多类型智能识别。

作为具体实施例地，脉冲度量特征包括间隔脉冲距离(ISI Distance)、脉冲距离(Spike Distance)、脉冲同步度(Spike Synchronization)、范罗苏姆距离(Van RossumDistance)、维克多普尔普拉距离(Victor-Purpura Distance)。矢量度量特征包括欧几里得距离(Euclidean Distance)、城市街区距离(Cityblock Distance)、余弦距离(CosineDistance)、相关距离(Correlation Distance)和斯皮尔曼距离(Spearman Distance)。

以上为本发明示范性实施例，本发明的保护范围由权利要求书及其等效物限定。