一种针对多电极阵列的神经信号分类方法

技术领域

本发明属于针对多电极阵列的神经信号分类技术领域，具体涉及一种基于机器学习和信号处理的神经信号分类方法。

背景技术

采集、破译并理解人类大脑中神经元之间传递的信号对医学研究和脑机接口领域的发展都有着重大意义，得益于近几年迅速发展的集成电路技术和电极技术，以数十微米的间距甚至更高密度集成多个电极的多电极阵列成为了可能，研究者们利用多电极阵列采集到了前所未有的神经信号数据量。但是在破译并理解这些神经信号存在的模式和规律之前，对它们进行分类是一项必须的任务，神经信号分类方法旨在对采集到的神经元动作电位波形进行分类，使它们对应到各自潜在的发射单元。最原始的分类依靠手工实现，极度依赖分类者的经验并且工作量巨大，在面对海量数据依靠人工完成已是不可能。自21世纪初开始，众多自动化的针对单电极的分类算法被开发出来，但是当它们在面对复杂的多电极情形时往往运行缓慢、精度低下，无法胜任如今针对多电极阵列的分类任务。

最近几年，随着机器学习技术和特征工程的迅猛发展，开发针对多电极的神经信号分类算法成为可能。该领域许多研究者提出了自己的方案，Pachitariu等人提出的Kilosort算法通过优化一个关于波形特征的损失函数来得到最佳分类结果，Hilgen等人提出的Herdingspikes2和Chung等人提出的 Mountainsort4算法通过结合波形特征和电极空间位置开发了自己的聚类方法来完成分类，但是上述三种算法都不能对发生多个波形重叠的信号进行分类。Lee等人提出的YASS算法使用“先排除后聚类”的策略，先检测出波形重叠信号，然后完成余下信号的分类，最后解析和恢复波形重叠信号，事实证明这种策略很有效，但是YASS包含一个神经网络需要提前进行模型训练导致它不适用于无监督的场景，同时它使用的原型聚类算法假定了样本的分布符合高斯混合模型，但事实上许多研究证明神经信号的波形样本分布并非总是符合高斯混合模型，比如发生了电极漂移现象的时候。Yger等人提出的SpykingCircus算法中，聚类算法只被用来产生“模板”，模板匹配负责完成全部分类任务，它可以得到较为精确的结果，但是会耗费过多的时间在后处理步骤上。

针对多电极阵列的神经信号分类算法的发展仍处于瓶颈期，如何正确利用和处理多个电极上数据的相关性和冗余性、如何更好的消除背景噪声的干扰、如何对波形发生时空交叠的信号进行分类、如何在保证分类精度的前提下减少算法耗时等问题仍然是该领域发展的难点。

发明内容

为了解决上述背景技术所存在的问题，本发明提供一种针对多电极阵列的神经信号分类方法。

本发明通过带通滤波和阈值检测算法去除一部分背景噪声和提取多电极上的信号波形序列，利用主成分分析法提取波形特性，使用HDBSCAN聚类方法完成信号波形分类和重叠信号波形的检测，再使用模板匹配完成重叠信号波形的分类。

本发明解决其技术问题所采用的技术方案是：

一种针对多电极阵列的神经信号分类方法，包括以下步骤：

步骤1、对从多电极阵列上采集的多路原始信号进行300Hz-3KHz的带通滤波，滤除背景噪声信号、去除干扰。

步骤2、并行地对每路电极通道上的信号执行阈值检测算法，根据阈值判定神经信号的锋电位位置，提取每个锋电位的前0.75毫秒和后0.75毫秒形成长度1.5毫秒的完整神经信号波形，同时在多个电极上被采集和提取的同一个神经信号波形只保留和存储其中信噪比最佳的一个波形序列。

步骤3、对提取出的所有神经信号波形执行主成分分析法，提取出最能表现波形差异的信号特征，同时减少波形序列的特征纬度。

步骤4、使用提取特征以后的神经信号波形作为聚类算法HDBSCAN的输入，依据相互可达距离和单链接算法完成聚类过程，得到神经信号的分类结果和发生波形相互重叠的神经信号。不抛弃相互重叠的神经信号，将在后续步骤被识别和分类。

步骤5、依据第四步骤的分类结果计算每个聚类的中心，将聚类中心代表的信号序列作为一类神经信号波形的模板，根据聚类中心之间的欧式距离和电极的空间排列，两个过于相似的和靠近的模板会被合并成一个模板，将最终的模板存储到标准模板库。

步骤6、使用第五步骤的模板库作为模板匹配算法的标准参考模板，执行模板匹配算法解析和分类第四步骤中的重叠信号，得到重叠的神经信号的分类结果。

本发明的有益效果：本发明通过融合HDBSCAN聚类和模板匹配这两个主要算法的优点和特性，最大程度的提取有效波形特征和去除来自多电极阵列的冗余数据信息，实现完整分类所有的波形重叠和非重叠神经信号，充分利用计算机并发流加快计算过程，在提供高分类精度的前提下，大幅的加快了计算速度。

附图说明

图1为本发明的整体流程图。

图2为本发明使用的HDBSCAN聚类算法与其他聚类算法的比较图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，下面结合附图和实施例对本发明进一步说明。

图1为本发明一种针对多电极阵列的神经信号分类方法流程示意图。如图1所示流程，首先获取到多电极阵列(图中以四电极为例)上采集到的原始神经信号数据，实际的采集环境中存在多种干扰噪声包括来自电极尖端的噪声、来自远端区域神经元的弱信号等，统称背景噪声。根据采集目标区域信号的工作频带，设置一个300Hz-3KHz的带通滤波器滤除一部分背景噪声。

然后从每路电极通道数据上提取出所有单一的信号波形序列。神经信号动作电位具有一个明显的幅值远大于其余部分的锋电位，阈值检测算法根据设定的锋电位阈值来判定当前的数据点是否是一个锋电位，如果是，就提取每个锋电位的前0.75毫秒和后0.75毫秒形成长度1.5毫秒的完整神经信号波形。为了提高运行效率，阈值检测算法在每个电极通道上并行执行以充分利用计算机的并发优势。在多电极阵列中，某时刻激发的一个神经信号会被近邻的多个电极捕获，为了利用多电极的优势和去除数据信息冗余，对于同一个信号波形，最终选择并存储其中信噪比最佳的一个。如果有k个电极，最终得到k个包含波形序列的分组，每个分组对应该波形具有最佳信噪比的电极通道。

波形序列的特征通过主成分分析法提取，主成分分析算法通过分析特征间的方差差异，选择和保留其中最能表现波形差异性的若干特征。该步骤的必要性在于：(1) 进一步去除信息冗余，保留分类的必要特征，利于加快后续算法运行。(2) 降低波形序列的特征维度，维度过长会使后续的聚类算法陷入机器学习中的“维度诅咒”现象，这种现象下聚类算法无论如何调整都会表现很差。

聚类算法HDBSCAN(Hierarchical Density-Based Spatial Clustering ofApplications with Noise) 是一种带噪声识别的基于样本层次和密度的聚类算法，它定义了一种输入样本点间的相互可达距离，首先将样本从原始的特征空间转换到基于相互可达距离的空间，效果是让样本稀疏分布的区域更加稀疏，让样本密集分布的区域更加密集，然后建立此空间的最小生成树，构建集群层次结构，最后压缩层次结构为一颗较小的树，提取出最佳的聚类结果。在图2中是HDBSCAN聚类以及另外两种常用聚类算法KMeans和DBSCAN在两个标准聚类性能测试数据集上聚类效果比较，不同的样本点形状代表聚类后的不同分类，其中圆形代表被算法判定为噪声的样本。在第一行的双月牙形分布的数据集中，KMeans虽然成功将样本分为两类，但是相当一部分样本被错误分类，导致这样的原因是KMeans假设了样本近似于球状原型分布，另外KMeans不支持噪声检测，把周围的一些离异点也进行强行分类，对于离异点更可取的方式是将它们检测出来；DBSCAN没有成功将样本分为两类，导致这样的原因是它的超参数比较敏感，经过多次调整超参数或许可以成功分类，但是更希望默认参数就可以较好的工作，另外DBSCAN至少可以支持噪声检测了，这一特性在某些应用中非常重要。HDBSCAN近乎完美的分类了两个月牙形集群并且也支持噪声检测，得到这样的结果仅仅是使用了默认参数，这得益于HDBSCAN的超参数有较好的鲁棒性，保持默认参数就可以工作在无监督模式下。在第二行的密度变化的三个球状分布数据集中，KMeans将三个球状集群强行分为两类，导致这样的原因是KMeans工作前需要预先知道样本应该被分成几类，而通常情况下当需要聚类算法时并不知晓这个信息，因此KMeans或许不能被称作一种聚类算法而该是一种分割算法；DBSCAN也未能成功分类，因为它的工作原理导致它无法很好的应对样本密度变化的集群；HDBSCAN则是再次近乎完美的完成了分类任务，区分了三个球状集群并且检测出噪声。基于以上的对比，本发明采用HDBSCAN聚类算法的几个原因是：1. 神经信号分类需要真正意义上的无监督自动聚类，HDBSCAN具有合理的超参数要求并且很稳健，使用默认参数就可以工作在无监督方式。2. HDBSCAN不假设任何的样本分布原型，它是基于样本分布的密度和层次来工作的，神经信号波形样本在理想时可能是符合高斯混合模型分布的，但是当发生神经元的爆发和电极漂移等现象时就不会再符合固定的分布模式。3. HDBSCAN支持噪声检测，而当几个神经信号波形发生时空重叠的时候由于波形特征畸变就会在特征空间中表现为离异的噪声样本，HDBSCAN可以帮助检测出重叠信号。将经过特征提取的波形序列输入HDBSCAN后，得到神经信号的聚类分类结果，以及被判定为噪声的波形样本，噪声就是离异的样本，它可能是发生前后波形重叠的多个神经信号的组合或者是被背景噪声严重干扰的单个神经信号，对它们的解析和分类通过后续步骤完成。

在HDBSCAN聚类的结果中，计算已分类波形序列的平均值得到一类波形的聚类中心用来作为该类波形的模板。k组波形序列分组每一组都会产生属于它的多个模板，但是不能把所有的模板直接放入标准模板库中储存，还需要经过模板合并步骤。模板合并的必要性在于，虽然在阈值检测步骤之后每一个波形只在其信噪比最佳的电极通道分组内被保留，但是如果某个神经元等距离的处于两个电极的中间位置，那么结果是它产生的信号波形在两个电极对应的分组内都会有保留，由它们导出的模板应该被合并。模板合并基于两个准则：(1) 产生模板的两个电极在空间位置分布上确实是近邻电极。(2) 作为模板的聚类中心之间的欧式距离应该足够小。完成模板合并步骤后，所有模板被存储到标准模板库。

最后的模板匹配步骤目的是根据标准模板库解析和分类发生了波形重叠的神经信号，算法每次将当前的待解析波形匹配并减去一个最佳的模板波形，直到残余波形不满足阈值检测的阈值，说明残余波形不再存在有效神经信号波形，结果得到该波形重叠的神经信号的构成类别，成功解析和分类重叠的神经信号波形。至此整个流程输出了所有波形样本的分类结果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。