神经元峰电位分类方法、装置、电子设备及存储介质

本技术涉及生物医学工程，特别涉及一种神经元峰电位分类方法、装置、电子设备及存储介质。

背景技术：

1、随着体电生理技术的不断发展，神经元信号记录电极的数量和记录精度都得到了很大提高，目前，高密度电极的广泛使用造成神经元信号记录电极的通道不断增加，而随之带来的峰电位分类却遭受到巨大的挑战，传统的峰电位分类方法已无法满足信号处理通道不断增加的状况。

2、在相关技术中，可以基于kilosort的峰电位分类系统，通过图形处理器技术并行地将模型拓展到384信道立体探针采集的峰电位信号上，然后基于神经网络的峰电位分类方法，可以用来处理最多500信道的高密度探针所采集的峰电位信号，但是随着通道数的增加，其计算的空间复杂度也会增加，同时峰电位信号的特征占比较低，并且峰电位检测的准确度受信号噪声的影响较大，峰电位信号的特征聚类效果不佳。

技术实现思路

1、本技术提供一种神经元峰电位分类方法、装置、电子设备及存储介质，以解决相关技术中对于峰电位信号检测的准确度较差，且数据处理的复杂度高，导致分类的准确性和鲁棒性较差等问题。

2、本技术第一方面实施例提供一种神经元峰电位分类方法，包括以下步骤：获取神经元放电形成的原始信号；对所述原始信号进行降噪处理得到降噪信号，提取所述降噪信号中每个电极捕捉峰电位信号的放电时间序列，按照所述峰电位信号预设有效传播距离对所述每个电极进行空间切片，得到多个电极集合；根据所述放电时间序列和所述电极集合生成波形矩阵，对所述波形矩阵进行特征降维和密度聚类得到聚类结果，基于所述根据聚类结果产生信号模板集合，利用所述信号模板集合对所述降噪信号进行匹配追踪得到神经元峰电位的分类结果。

3、可选地，在本技术的一个实施例中，所述利用所述信号模板集合对所述降噪信号进行匹配追踪得到神经元峰电位的分类结果，包括：定义所述降噪信号的损失函数；对所述降噪信号进行时间切片，基于所述损失函数和所述信号模板集合对每个时间片进行迭代计算，得到所述神经元峰电位的分类结果。

4、可选地，在本技术的一个实施例中，所述基于所述损失函数和所述信号模板对每个时间片进行迭代计算，得到所述神经元峰电位的分类结果，包括：轮流计算所述信号模板集合中每个信号模板在所述降噪信号上的卷积；卷积最大的信号模板和所述降噪信号计算神经元峰电位的第一幅度系数，若所述第一幅度系数处于预设系数区间，则根据所述第一幅度系数计算所述神经元峰电位的第二幅度系数，否则切片迭代结束；基于所述第一幅度系数重建的信号更新信号残差，利用所述信号残差继续计算卷积进行迭代计算，直到所述损失函数计算的损失值小于损失阈值，停止迭代计算，得到所述神经元峰电位的幅度系数，基于所述幅度系数确定所述时间片的分类；在完成任意时间片的峰电位检测和分类之后，更新所述信号模板集合，基于更新后的信号模板集合进行下一个时间片的峰电位检测和分类，直到所有时间片均完成检测和分类，得到所述神经元峰电位的分类结果。

5、可选地，在本技术的一个实施例中，所述对所述波形矩阵进行特征降维和密度聚类得到聚类结果，包括：对所述波形矩阵进行特征降维，得到协方差矩阵，并选取所述协方差矩阵中特征值大于预设值的目标元素进行密度聚类；计算每个目标元素的密度比率，将所述密度比率大于预设比率的元素作为聚类中心，基于所述聚类中心对所述协方差矩阵中的元素进行聚类，得到聚类结果。

6、可选地，在本技术的一个实施例中，所述原始信号由神经元信号和噪声叠加形成，所述对所述原始信号进行降噪处理得到降噪信号，包括：对所述原始信号进行小波变换，得到所述神经元信号的第一小波系数和噪声的第二小波系数，其中，所述第一小波系数大于所述第二小波系数；根据设置的过滤阈值过滤所述第二小波系数的噪声，得到所述降噪信号。

7、可选地，在本技术的一个实施例中，所述基于所述根据聚类结果产生信号模板集合，还包括：根据聚类结果任意电极上任意分类的波形集合；根据所述波形集合计算对应分类特征波形的电压值中位数，根据所述电压值中位数和所述电压值中位数的正交分量确定信号模板的预设系数区间，得到信号模板集合。

8、可选地，在本技术的一个实施例中，在利用所述信号模板集合对所述降噪信号进行匹配追踪得到神经元峰电位的分类结果之前，还包括：对所述信号模板集合中所有信号模板进行特征降维度，得到压缩模板。

9、本技术第二方面实施例提供一种神经元峰电位分类装置，包括：获取模块，用于获取神经元放电形成的原始信号；处理模块，用于对所述原始信号进行降噪处理得到降噪信号，提取所述降噪信号中每个电极捕捉峰电位信号的放电时间序列，按照所述峰电位信号预设有效传播距离对所述每个电极进行空间切片，得到多个电极集合；生成模块，用于根据所述放电时间序列和所述电极集合生成波形矩阵，对所述波形矩阵进行特征降维和密度聚类得到聚类结果，基于所述根据聚类结果产生信号模板集合，利用所述信号模板集合对所述降噪信号进行匹配追踪得到神经元峰电位的分类结果。

10、可选地，在本技术的一个实施例中，所述生成模块进一步用于：定义所述降噪信号的损失函数；对所述降噪信号进行时间切片，基于所述损失函数和所述信号模板集合对每个时间片进行迭代计算，得到所述神经元峰电位的分类结果。

11、可选地，在本技术的一个实施例中，所述生成模块进一步用于：轮流计算所述信号模板集合中每个信号模板在所述降噪信号上的卷积；卷积最大的信号模板和所述降噪信号计算神经元峰电位的第一幅度系数，若所述第一幅度系数处于预设系数区间，则根据所述第一幅度系数计算所述神经元峰电位的第二幅度系数，否则切片迭代结束；基于所述第一幅度系数重建的信号更新信号残差，利用所述信号残差继续计算卷积进行迭代计算，直到所述损失函数计算的损失值小于损失阈值，停止迭代计算，得到所述神经元峰电位的幅度系数，基于所述幅度系数确定所述时间片的分类；在完成任意时间片的峰电位检测和分类之后，更新所述信号模板集合，基于更新后的信号模板集合进行下一个时间片的峰电位检测和分类，直到所有时间片均完成检测和分类，得到所述神经元峰电位的分类结果。

12、可选地，在本技术的一个实施例中，所述生成模块还可以用于：对所述波形矩阵进行特征降维，得到协方差矩阵，并选取所述协方差矩阵中特征值大于预设值的目标元素进行密度聚类；计算每个目标元素的密度比率，将所述密度比率大于预设比率的元素作为聚类中心，基于所述聚类中心对所述协方差矩阵中的元素进行聚类，得到聚类结果。

13、可选地，在本技术的一个实施例中，所述原始信号由神经元信号和噪声叠加形成，其中，所述处理模块进一步用于：对所述原始信号进行小波变换，得到所述神经元信号的第一小波系数和噪声的第二小波系数，其中，所述第一小波系数大于所述第二小波系数；根据设置的过滤阈值过滤所述第二小波系数的噪声，得到所述降噪信号。

14、可选地，在本技术的一个实施例中，所述生成模块还可以用于：根据聚类结果任意电极上任意分类的波形集合；根据所述波形集合计算对应分类特征波形的电压值中位数，根据所述电压值中位数和所述电压值中位数的正交分量确定信号模板的预设系数区间，得到信号模板集合。

15、可选地，在本技术的一个实施例中，本技术实施例的装置还包括：压缩模块，用于在利用所述信号模板集合对所述降噪信号进行匹配追踪得到神经元峰电位的分类结果之前，对所述信号模板集合中所有信号模板进行特征降维度，得到压缩模板。

16、本技术第三方面实施例提供一种电子设备，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，以实现如上述实施例所述的神经元峰电位分类方法。

17、本技术第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的神经元峰电位分类方法。

18、由此，本技术至少具有如下有益效果：

19、本技术实施例可以通过对原始信号进行降噪处理，从而提高峰电位信号检测的准确度，利用空间切片的方法对降噪信号中的每个电极进行处理，可以有效降低数据处理的复杂度，提高峰电位的特征占比，其次通过特征降维对波形矩阵进行处理，可以大幅减少后续的计算量，最后利用密度聚类方法进行峰电位特征聚类，从而使得聚类效果更佳，并具有良好的适应性和鲁棒性，提高神经元峰电位的分类准确性。

20、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。