基于并行超顺磁聚类算法的神经元峰电位分类方法、装置、存储介质及计算机设备制造方法及图纸

本申请实施例公开了一种基于并行超顺磁聚类算法的神经元峰电位分类方法、装置、存储介质及计算机设备，涉及信号分类领域。本申请采用可并行实现的生成系统状态，使得对算法需求的系统状态数目的运算可同时进行，新状态的产生不需要用概率运算来遍历系统内的所有磁子，而是通过查表来完成，查表的过程也经过了算法上的优化；因此可以极大提高分类过程的运行速度。行速度。行速度。

【技术实现步骤摘要】
基于并行超顺磁聚类算法的神经元峰电位分类方法、装置、存储介质及计算机设备


[0001]本申请涉及信号分类领域，尤其涉及一种基于并行超顺磁聚类算法的神经元峰电位分类方法、装置、存储介质及计算机设备。

技术介绍

[0002]神经元信号记录技术的发展使得神经科学家可以记录到大脑单个神经元的电生理活动信息，这些信息是以峰电位(spike)或动作电位(action potential)的形式存在。通过对记录到的群体的神经元电生理活动进行分析，可以解码神经电路或神经网络的功能，从而为理解大脑的功能提供了可能性。在体的神经元信号记录系统一般采用细胞外记录(extracellular recording)方式。然而细胞外记录测量到的是电极周围几个神经元电生理活动的集合，分析这些活动需要算法分类出记录到的神经元信号(spike)到底是由哪一个神经元所发出的。
[0003]超顺磁聚类(Superparamagnetic clustering，SPC)算法是一种无监督，参数依赖性弱的数据聚类算法，由于算法具备的这些优良的特性，该算法通常应用到神经元峰电位的分类。超顺磁聚类算法将物理学的现象与理论引入信息领域，将数据聚类过程抽象为非均匀Potts模型中磁子的热力学聚集运动。在Potts模型中，待聚类的数据被当作磁力系统中的磁子，通过在不同温度下磁子之间自旋(spin)状态的改变而自发形成的系统状态来表征聚类结果：当温度改变时，根据磁子之间耦合力的强弱，磁子之间自发同步自旋而形成不同的“磁团”；这样由温度变换引起的磁子之间自发形成的“磁团”，可以看作系统对输入数据的一种分类结果。因此，SPC聚类结果和温度紧密相关，在不同的温度下会呈现不同的分类结果。这一特性使得SPC算法可以处理一些有等级结构的分类数据：通过使用不同的温度，可以展现数据在不同层级的分类构成；而传统的聚类算法通常只存在一种分类结果。同时和传统的聚类算法相比，SPC算法是根据数据自身结构的特点，自发产生的聚类结果，因此对输入数据的结构没有特殊假设(如K
‑
means算法假设数据结构服从高斯分布)，同时对各种参数的依赖性也不强。SPC算法的实现是根据Potts模型来量化分析。
[0004]在现有技术中，利用SPC算法对神经元峰电位进行分类是一个构建马尔科夫链的过程，该过程中下一个状态的生成依赖于上一个状态的结果，这种顺序执行过程极大降低分类效率；尤其是面对海量的神经元峰电位时，其计算缓慢、低效的缺点被更加放大。

技术实现思路

[0005]本申请实施例提供了基于并行超顺磁聚类算法的神经元峰电位分类方法、装置、存储介质及计算机设备，可以解决现有技术分类效率低和速度慢的问题。所述技术方案如下：
[0006]第一方面，本申请实施例提供了一种基于并行超顺磁聚类算法的神经元峰电位分类方法，所述方法包括：
[0007]获取待分类的N个神经元峰电位，并作为N个磁子输入磁子系统；其中，每个神经元峰电位对应一个磁子，N为大于1的整数；
[0008]计算各个磁子与最近的K个邻居磁子之间的相互作用力，得到第一矩阵；其中，K为小于N
‑
1的整数，所述第一矩阵由于N行K列的元素组成，每个元素为一个相互作用力；
[0009]将所述第一矩阵中各个元素按照从小到大的顺序进行排列得到第二矩阵；其中，所述第二矩阵由1行N
×
K列的元素组成；
[0010]对所述第二矩阵中的各个元素进行累计求和得到预估矩阵；
[0011]并行的生成符合波茨曼概率分布的Y个哈密尔顿能量；
[0012]并行的在所述预估矩阵中查找与各个哈密尔顿能量最接近的元素；
[0013]确定所述最接近的元素之前的各个元素的二维索引；
[0014]筛选出所述第一矩阵对应的索引集合中除确定的二维索引之外的二维索引；
[0015]将筛选的二维索引对应的磁子对进行绑定；
[0016]根据Y次绑定结果，统计任意两个磁子之间的概率值；
[0017]根据所述概率值对所述N个神经元峰电位进行聚类。
[0018]第二方面，本申请实施例提供了一种基于并行超顺磁聚类算法的神经元峰电位分类装置，所述装置包括：
[0019]获取单元，用于获取待分类的N个神经元峰电位，并作为N个磁子输入磁子系统；其中，每个神经元峰电位对应一个磁子，N为大于1的整数；
[0020]计算单元，用于计算各个磁子与最近的K个邻居磁子之间的相互作用力，得到第一矩阵；其中，K为小于N
‑
1的整数，所述第一矩阵由于N行K列的元素组成，每个元素为一个相互作用力；
[0021]排序单元，用于将所述第一矩阵中各个元素按照从小到大的顺序进行排列得到第二矩阵；其中，所述第二矩阵由1行N
×
K列的元素组成；
[0022]求和单元，用于对所述第二矩阵中的各个元素进行累计求和得到预估矩阵；
[0023]生成单元，用于并行的生成符合波茨曼概率分布的Y个哈密尔顿能量；
[0024]绑定单元，用于并行的在所述预估矩阵中查找与各个哈密尔顿能量最接近的元素；确定所述最接近的元素之前的各个元素的二维索引；筛选出所述第一矩阵对应的索引集合中除确定的二维索引之外的二维索引；将筛选的二维索引对应的磁子对进行绑定；
[0025]聚类单元，用于根据Y次绑定结果，统计任意两个磁子之间的概率值；根据所述概率值对所述N个神经元峰电位进行聚类。
[0026]第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
[0027]第四方面，本申请实施例提供一种计算机设备，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
[0028]本申请一些实施例提供的技术方案带来的有益效果至少包括：
[0029]分类方法中采用可并行实现的生成系统状态，使得对算法需求的系统状态数目的运算可同时进行，新状态的产生不需要用概率运算来遍历系统内的所有磁子，而是通过查表来完成，查表的过程也经过了算法上的优化；因此可以极大提高分类过程的运行速度。
附图说明
[0030]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0031]图1是本申请实施例提供的基于并行超顺磁聚类算法的神经元峰电位分类方法的流程示意图；
[0032]图2是本申请实施例提供的分类方法的性能示意图；
[0033]图3是本申请提供的一种基于并行超顺磁聚类算法的神经元峰电位分类装置的结构示意图；
[0034]图4是本申请提供的一种计算机设备的结构示意图。...

【技术保护点】

【技术特征摘要】
1.一种基于并行超顺磁聚类算法的神经元峰电位分类方法，其特征在于，包括：获取待分类的N个神经元峰电位，并作为N个磁子输入磁子系统；其中，每个神经元峰电位对应一个磁子，N为大于1的整数；计算各个磁子与最近的K个邻居磁子之间的相互作用力，得到第一矩阵；其中，K为小于N
‑
1的整数，所述第一矩阵由于N行K列的元素组成，每个元素为一个相互作用力；将所述第一矩阵中各个元素按照从小到大的顺序进行排列得到第二矩阵；其中，所述第二矩阵由1行N
×
K列的元素组成；对所述第二矩阵中的各个元素进行累计求和得到预估矩阵；并行的生成符合波茨曼概率分布的Y个哈密尔顿能量；并行的在所述预估矩阵中查找与各个哈密尔顿能量最接近的元素；确定所述最接近的元素之前的各个元素的二维索引；筛选出所述第一矩阵对应的索引集合中除确定的二维索引之外的二维索引；将筛选的二维索引对应的磁子对进行绑定；根据Y次绑定结果，统计任意两个磁子之间的概率值；根据所述概率值对所述N个神经元峰电位进行聚类。2.根据权利要求1所述的方法，其特征在于，所述并行的生成符合波茨曼概率分布的Y个哈密尔顿能量，包括：并行的采用逆变换采样法生成Y个符合波茨曼概率分布的哈密尔顿能量：H(S
i
)＝
‑
T*ln[1
‑
r
i
]，i＝1...Y；其中，Y为大于1的整数，r
i
为0～1之间的随机数，T为温度，ln是以10为底的对数。3.根据权利要求1或2所述的...

【专利技术属性】
技术研发人员：王攀科，陈常浩，吴应江，
申请(专利权)人：广东医科大学，
类型：发明
国别省市：