一种基于格拉姆角和场和制造技术

本发明专利技术公开了一种基于格拉姆角和场和

【技术实现步骤摘要】
一种基于格拉姆角和场和CBAM
‑
Resnet34的重叠尖锋识别方法


[0001]本专利技术涉及重叠尖锋分类领域，具体涉及一种基于格拉姆角和场和
CBAM
‑
Resnet34
的重叠尖锋识别方法
。

技术介绍

[0002]在进行神经科学的研究中，分析获取的神经元细胞外记录是其中的一项关键步骤
。
将电极放置在脑组织中，靠近电极的神经元细胞在和其他神经元细胞进行电信号传递时，电信号被电极尖端所测量，由于电信号呈现尖锋波形而被称为尖锋
。
为了便于研究，通常需要将产生尖锋的神经元种类和尖锋波形记录下来
。
而这种检测和分配尖锋的过程被称为尖锋排序
。
[0003]现在多电极技术可以同时记录上千个神经元的尖锋发放
。
多个神经元在微电极周围同时进行放电，此时所记录的尖锋可能是数个神经元锋电位的叠加
。
这样叠加后的尖锋形状与任意单独的尖锋的形状不同
。
重叠尖锋常常会导致尖锋排序出现偏差，降低尖锋排序的性能
。
因此如何处理重叠尖锋分类问题将会变得尤为重要
。
[0004]目前，模板匹配法
、
稀疏优化法
、
最大后验估计法是相对有效地解决重叠尖锋的方法
。
模板匹配法，通过构建多种重叠模板，对重叠尖锋进行匹配
。
但当由相似模板的神经元发生重叠的时候，自动尖锋分类器仍然容易出错
。
稀疏优化法，为连续值尖锋的时间估计提供了一个统一的过程，即便过程中存在尖锋重叠的情况，也能进行尖锋排序，这样侧面的解决重叠尖锋问题
。
但是该方法很少被使用，主要是因为解决稀疏线性逆问题非常困难
。
最大后验估计法，将尖锋排序的过程表述为统计估计问题，将测量值与估计的数量相关联，并指定相邻的神经元进行线性叠加，便能额外识别出重叠尖锋，已达到处理重叠尖锋的目的
。
[0005]随着深度学习在计算机视觉
、
自然语言处理的蓬勃发展，深度学习方法已在许多复杂应用中证明了它的强大与精准
。
根据现有技术显示，仅有通过一维
CNN+LSTM
的模型对重叠尖锋进行分类，然而，
CNN+LSTM
模型中，
CNN
模型部分随着网络的加深，出现梯度弥散
、
梯度消失这种非常严重的问题，而且由于基于一维
CNN
模型基于时间序列的深度模型均采用一维卷积核，模型的泛化性能和适用性有待进一步提高；而
LSTM
模型会消耗大量计算资源
、
难以进行并行化处理
、
依赖性可能会被忽略或丢失
。
不仅如此，采用深度学习方法对于模型的训练样本有一定要求，需要训练样本尽可能的丰富，而且不同种类样本应该尽可能地分布均匀
。
然而，在尖锋的数据集中，通常非重叠尖锋数量会远远多于重叠尖锋数量，这样将会不利于重叠尖锋分类模型进行训练
。

技术实现思路

[0006]针对现有技术中的上述不足，本专利技术提供了一种基于格拉姆角和场和
CBAM
‑
Resnet34
的重叠尖锋识别方法
。
[0007]为了达到上述专利技术目的，本专利技术采用的技术方案为：
一种基于格拉姆角和场和
CBAM
‑
Resnet34
的重叠尖锋识别方法，包括如下步骤：
S1、
构建基于格拉姆角和场和
CBAM
‑
Resnet34
的重叠尖锋分类模型；
S2、
对原始尖峰数据集分为重叠尖峰和非重叠尖峰，对分类得到的重叠尖峰数据和非重叠尖峰数据进行预处理，得到重叠尖峰数据训练集
、
重叠尖峰数据训练模板以及尖峰数据训练集，并利用重叠尖峰数据构建测试集；
S3、
将重叠尖峰数据训练集中的一维尖峰数据转换为二维图像，并将得到的二维图像作为输入数据传入
S1
所构建的重叠尖锋分类模型进行训练，同时将测试集中的一维尖峰数据转换为二维图像，并输入到训练完毕的重叠尖锋分类模型进行分类；
S4、
对分类结果进行评估
。
[0008]进一步的，所述
S2
中预处理的具体方式为：将非重叠尖锋随机分为三个部分：第一个部分与选出的重叠尖锋组成重叠尖峰数据训练集；第二个部分根据对应的聚类标签，构建不同的重叠尖峰数据训练模板；第三个部分与重叠尖锋训练模板组成尖峰数据训练集
。
[0009]进一步的，所述
S3
中重叠尖峰数据训练集和测试集中的一维尖峰数据转换为二维图像的具体方式为：
S31、
对实际观测的多个尖峰数据时间序列进行编码，并将编码的尖峰数据时间序列进行缩放；
S32、
将缩放后的时间尖峰数据时间序列的值编码为角余弦，并将其对应的时间戳编码为半径映射至极坐标系下；
S33、
定义格拉姆角和场并利用所定义的格拉姆角和场提取缩放后的尖峰数据时间序列中时间间隔之间的相关关系，根据所提取的尖峰数据时间序列中时间间隔之间的相关关系进行重叠尖峰分类
。
[0010]进一步的，所述
S31
中将编码的尖峰数据时间序列进行缩放的具体方式为：其中，为缩放后的尖峰数据时间序列中第
i
个元素，为尖峰数据时间序列中的第
i
个元素，为尖峰数据时间序列
。
[0011]进一步的，所述
S32
中将缩放后的时间尖峰数据时间序列的值编码为角余弦，并将其对应的时间戳编码为半径映射至极坐标系下的具体方式为：其中，为时间序列映射在极坐标中的角度，为极坐标半径，为时间戳，为规范极坐标系跨度的常数因子，为缩放后的尖峰数据时间序列，为缩放后的尖峰数据时间序列元素
。
[0012]进一步的，所述
S33
中格拉姆角和场表示为：
其中，为缩放后的尖峰数据时间序列映射在极坐标中的角度，为每一个格拉姆角和场图像的像素，为缩放后的尖峰数据时间序列的索引
。
[0013]进一步的，所述
S3
中重叠尖锋分类模型包括一个卷积核大小为
11
的卷积层
、
一个批归一化层
、
一个池化层
、
一个
ReLU
激活函数层和四个残差块，每个残差块包含两个卷积核大小为
33
卷积层
、
一个注意力模块
、
和两个卷积层之间的批归一化层和
ReLU
激活函数层
。...

【技术保护点】

【技术特征摘要】
1.
一种基于格拉姆角和场和
CBAM
‑
Resnet34
的重叠尖锋识别方法，其特征在于，包括如下步骤：
S1、
构建基于格拉姆角和场和
CBAM
‑
Resnet34
的重叠尖锋分类模型；
S2、
对原始尖峰数据集分为重叠尖峰和非重叠尖峰，对分类得到的重叠尖峰数据和非重叠尖峰数据进行预处理，得到重叠尖峰数据训练集
、
重叠尖峰数据训练模板以及尖峰数据训练集，并利用重叠尖峰数据构建测试集；
S3、
将重叠尖峰数据训练集中的一维尖峰数据转换为二维图像，并将得到的二维图像作为输入数据传入
S1
所构建的重叠尖锋分类模型进行训练，同时将测试集中的一维尖峰数据转换为二维图像，并输入到训练完毕的重叠尖锋分类模型进行分类；
S4、
对分类结果进行评估
。2.
根据权利要求1所述的基于格拉姆角和场和
CBAM
‑
Resnet34
的重叠尖锋识别方法，其特征在于，所述
S2
中预处理的具体方式为：将非重叠尖锋随机分为三个部分：第一个部分与选出的重叠尖锋组成重叠尖峰数据训练集；第二个部分根据对应的聚类标签，构建不同的重叠尖峰数据训练模板；第三个部分与重叠尖锋训练模板组成尖峰数据训练集
。3.
根据权利要求1所述的基于格拉姆角和场和
CBAM
‑
Resnet34
的重叠尖锋识别方法，其特征在于，所述
S3
中重叠尖峰数据训练集和测试集中的一维尖峰数据转换为二维图像的具体方式为：
S31、
对实际观测的多个尖峰数据时间序列进行编码，并将编码的尖峰数据时间序列进行缩放；
S32、
将缩放后的时间尖峰数据时间序列的值编码为角余弦，并将其对应的时间戳编码为半径映射至极坐标系下；
S33、
定义格拉姆角和场并利用所定义的格拉姆角和场提取缩放后的尖峰数据时间序列中时间间隔之间的相关关系，根据所提取的尖峰数据时间序列中时间间隔之间的相关关系进行重叠尖峰分类
。4.
根据权利要求3所述的基于格拉姆角和场和
CBAM
‑
Resnet34
的重叠尖锋识别方法，其特征在于，所述
S31
...

【专利技术属性】
技术研发人员：王录涛，余海翔，汪曼青，沈艳，王清华，郜东瑞，张永清，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：