一种基于拉普拉斯特征映射的多维神经信号的降维和可视化方法技术

本发明专利技术提供一种基于拉普拉斯特征映射的多维神经信号降维和可视化方法，通过拉普拉斯特征映射对神经数据进行降维，提取有效信息，并在低维空间中绘制出动态图像，实现对神经集群活动模式的直观表征。本发明专利技术在与传统的方法例如广义线性回归模型(GLM)相比，可以处理更大规模更嘈杂的多通道神经信号，因此在多通道神经信号的动态可视化方面具有较为显著的优势。在聚类准确度和可视化图形区分度方面，基于拉普拉斯特征映射的多维神经信号降维及可视化方法也优于其余降维方法，考虑到拉普拉斯特征映射有较低的计算复杂度，因此本发明专利技术在运行耗时方面也具有显著优势。

【技术实现步骤摘要】
一种基于拉普拉斯特征映射的多维神经信号的降维和可视化方法
本专利技术属于神经信号的降维处理领域，涉及研究拉普拉斯特征映射(LaplacianEigenmaps，LE)算法对神经科学实验获取的多通道神经信号进行降维处理，具体涉及一种基于拉普拉斯特征映射的多维神经信号的降维和可视化方法，为神经学实验神经数据的动态表征提供一种有效的降维及可视化方法。
技术介绍
神经集群信号处理是神经科学和神经工程的核心技术之一，随着信号记录、存储技术的发展，神经实验可以采集到的高通量的神经集群信号，具有数量大、信息量大以及内容复杂的特点，如传统的环事件直方图等方法已经无法处理和分析。因此，急需行之有效的信息约简方法，从高维的、有噪声的原始数据最中，提取出有意义的成分，并用合适的可视化方法进行表示。目前，已经有一些方法被应用于神经信息约简并且取得了一定的效果，例如通过测量峰电位计数向量出现的概率，形成离散的概率分布来表征集群活动，这种方法有着显著的缺陷：随着记录神经元数量的增加，峰电位计数向量呈指数增长，所以它仅仅适用于少量神经元，并且涉及大量的数据分析。同时，降维算法也被用于神经信号的约简，从传统的线性算法主成分分析(PCA)，到非线性的流形学习算法等距特征映射(IOSMAP)等，都在神经信号的约简及可视化方面取得了一定的成果。本专利技术为多通道的神经信号设计了一种基于拉普拉斯特征映射的可视化方法，拉普拉斯特征映射是一种反映流形内部结构的降维算法，它可以从原始神经信号中高效的提取有效信息，以便于研究人员分析神经信号的分布特性和动态特性，为研究神经集群编解码和神经环路工作机制提供了一种崭新的信号处理和分析工具。
技术实现思路
本专利技术提供一种基于拉普拉斯特征映射的多维神经信号降维和可视化方法，通过拉普拉斯特征映射对神经数据进行降维，提取有效信息，并在低维空间中绘制出动态图像，实现对神经集群活动模式的直观表征。本方法通过以下步骤实现：(1)数据预处理：对神经信号进行预处理，采用均值平滑的方法，对每个时间区间的信号，根据相邻时间区间取均值。平滑后某个时间点数据的数学表达式为：Fk(t)＝mean(Sk(t-N+1),Sk(t-N+2),...,Sk(t))式中Sk(t)表示t时刻原始数据的值，N表示平滑宽度。(2)LE降维算法：应用拉普拉斯特征映射(LE)对处理后的神经数据进行降维，得到原始神经数据的低维表示。平滑过的神经数据可使用K近邻算法将每个神经元在一次试验中的发放数据作为一个数据点，计算它的K个最近邻，得到邻接图G。其中邻接图G计算神经数据之间的权值矩阵W，计算公式为其中||Xi-Xj||是数据点Xi和Xj之间的欧式距离，Xi表示第i个神经元的活动的特征数据，σ是指数核函数的参数。根据权值矩阵W计算相应的度矩阵D，计算公式为：其中n的值为神经元的个数。计算拉普拉斯矩阵L，公式为L＝D-W。其中D为度矩阵，W为权值矩阵。对拉普拉斯矩阵L进行特征分解，截取最小的m(m为降维目标维度，为了达到可视化的目的，m不大于4)个非零特征值{λ1,λ2,...,λm}对应的特征向量[υ(1),υ(2),...,υ(m)]作为降维后的结果输出。(3)可视化：将降维结果在低维空间可视化：分析降维得到的低维数据，根据每一维的最大值和最小值确定坐标轴的取值范围，建立坐标系。在坐标系中画出数据点，用曲线连接，形成神经轨迹，每一次实验的神经轨迹可以被动态表征。结合实验条件的数据标签，绘制出其在低维空间的神经轨迹，展现降维后的数据在低维空间的动态变化，并可以用多种颜色的线条表征神经元集群的不同活动模式。本专利技术在与传统的方法例如广义线性回归模型(GLM)等方法相比，可以处理更大规模更嘈杂的多通道神经信号，因此在多通道神经信号的动态可视化方面具有较为显著的优势。在聚类准确度和可视化图形区分度方面，基于拉普拉斯特征映射的多维神经信号降维及可视化方法也优于其余降维方法，考虑到拉普拉斯特征映射有较低的计算复杂度，因此本专利技术在运行耗时方面也具有显著优势。附图说明图1为本专利技术方法流程图。图2为拉普拉斯特征映射算法流程图。图3为猴子抓握实验神经信号通过拉普拉斯降维后可视化结果。具体实施方式下面结合附图和实施例，对本专利技术基于拉普拉斯特征映射的多维神经信号的降维和可视化方法做详细描述。实施例1一种基于拉普拉斯特征映射的多维神经信号可视化方法参见图1，本专利技术方法包括以下步骤：(1)对神经信号进行预处理，采用均值平滑的方法，对每个时间区间的信号，根据相邻时间区间取均值。平滑后某个时间点数据的数学表达式为：Fk(t)＝mean(Sk(t-N+1),Sk(t-N+2),...,Sk(t))式中Sk(t)表示t时刻原始数据的值，N表示平滑宽度。(2)应用拉普拉斯特征映射(LE)对处理后的神经数据进行降维，得到原始神经数据的低维表示。在神经数据点之间构建邻接图G，可试用K近邻算法将每个神经元在一次试验中的发放数据作为一个数据点，计算它的K个最近邻，得到邻接图G。其中邻接图G计算神经数据之间的权值矩阵W，计算公式为其中||Xi-Xj||是数据点Xi和Xj之间的欧式距离，Xi表示第i个神经元的活动的特征数据，σ是指数核函数的参数；根据权值矩阵W计算相应的度矩阵D，计算公式为：其中n的值为神经元的个数；计算拉普拉斯矩阵L，公式为L＝D-W。其中D为度矩阵，W为权值矩阵；对拉普拉斯矩阵L进行特征分解，截取最小的m(m为降维目标维度，为了达到可视化的目的，m不大于4)个非零特征值{λ1,λ2,...,λm}对应的特征向量[υ(1),υ(2),...,υ(m)]作为降维后的结果输出。(3)将降维结果在低维空间可视化：分析降维得到的低维数据，根据每一维的最大值和最小值确定坐标轴的取值范围，建立坐标系。在坐标系中画出数据点，用曲线连接，形成神经轨迹，每一次实验的神经轨迹可以被动态表征。结合实验条件的数据标签绘制神经轨迹，可在低维空间对每一次实验中神经集群的活动模式进行可视化展示。结合实验条件的数据标签，绘制出其在低维空间的神经轨迹，展现降维后的数据在低维空间的动态变化，并可以用多种颜色的线条表征神经元集群的不同活动模式。实施例2抓握实验中记录到的猴子运动皮层神经集群活动信号本实例结合抓握实验中记录到的猴子运动皮层神经集群活动信号，对基于拉普拉斯特征映射的多维神经信号的降维和可视化方法做详细描述。利用基于拉普拉斯的方法，处理多达240维的神经数据，将其在三维空间可视化，绘制出神经轨迹。其主要步骤参见图1。具体实施步骤如下：(1)抓握实验中记录到猴子运动皮层PMd脑区240个神经元的放电信息，设置时间区间长度为100毫秒，每一次实验的原始数据可表示为240个神经元在50个连续时间区间上的峰电位计数。(2)对原始数据进行均值平滑处理，平滑后某个时间点数据的数学表达式为：Fk(t)＝mean(Sk(t-N+1),Sk(t-N+2),...,Sk(t))式中S(t)k表示t时刻原始数据的值，N表示平滑宽度。如果平滑宽度N设置为5，即将每5个相邻的时间区间的神经信号取均值，预处理后的数据消除了神经信号峰电位的剧烈变化，使得可视化后的曲线更加平滑。(3)在实验数据点之间构建邻接图G，可使用K近邻算法，如果K取值本文档来自技高网...

【技术保护点】
1.一种基于拉普拉斯特征映射的多维神经信号可视化方法，其特征在于，通过以下步骤实现：(1)数据预处理：对神经信号进行预处理，采用均值平滑的方法，对每个时间区间的信号，根据相邻时间区间取均值。平滑后某个时间点数据的数学表达式为：Fk(t)＝mean(Sk(t‑N+1),Sk(t‑N+2),...,Sk(t))式中S k(t)表示t时刻原始数据的值，N表示平滑宽度；(2)LE降维算法：应用拉普拉斯特征映射(LE)对处理后的神经数据进行降维，得到原始神经数据的低维表示；(3)可视化：结合实验条件的数据标签，绘制出其在低维空间的神经轨迹，展现降维后的数据在低维空间的动态变化，并可以用多种颜色的线条表征神经元集群的不同活动模式。

【技术特征摘要】
1.一种基于拉普拉斯特征映射的多维神经信号可视化方法，其特征在于，通过以下步骤实现：(1)数据预处理：对神经信号进行预处理，采用均值平滑的方法，对每个时间区间的信号，根据相邻时间区间取均值。平滑后某个时间点数据的数学表达式为：Fk(t)＝mean(Sk(t-N+1),Sk(t-N+2),...,Sk(t))式中Sk(t)表示t时刻原始数据的值，N表示平滑宽度；(2)LE降维算法：应用拉普拉斯特征映射(LE)对处理后的神经数据进行降维，得到原始神经数据的低维表示；(3)可视化：结合实验条件的数据标签，绘制出其在低维空间的神经轨迹，展现降维后的数据在低维空间的动态变化，并可以用多种颜色的线条表征神经元集群的不同活动模式。2.根据权利要求1所述的一种基于拉普拉斯特征映射的多维神经信号可视化方法，其特征在于，步骤(2)平滑过的神经数据可使用K近邻算法将每个神经元在一次试验中的发放数据作为一个数据点，计算它的K个最近邻，得到邻接图G。3.根据权利要求1所述的一种基于拉普拉斯特征映射的多维神经信号可视化方法，其特征在于，步骤(2)中邻接图G计算神经数据之间的权值矩阵W，计算公式为其中||Xi-Xj||是数据点Xi和Xj之间的欧式距离，Xi表示第i个神经...

【专利技术属性】
技术研发人员：张韶岷，张奕炜，孙光昊，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33