【技术实现步骤摘要】
本申请涉及神经系统信号处理，更具体地说，涉及一种基于脉冲神经网络的神经系统信号处理方法。
技术介绍
1、精确识别和处理神经系统信号对于诊断神经疾病以及研发相关治疗方法都具有重要意义。然而，传统的数字信号处理和机器学习方法在处理这类脉冲型信号时，往往忽略了其时序结构特征，识别精度难以满足临床应用要求。
2、但是传统方法主要采用傅里叶变换等频域分析方法处理脑电信号，但难以提取时间结构信息。卷积神经网络能提取局部时间特征，但无法捕获全局时序依赖关系。
3、中国专利申请，申请号cn202111085707.3，公开日2021年11月9日，公开了一种神经系统信号处理系统及方法，包括脑电信号采集模块，脑电信号分段模块，特征信息提取模块，特征滤波处理模块，特征矩阵生成模块以及神经系统信号处理模块。但是该方案仅依据脑电信号的频率进行简单分段，而神经系统发作的脑电信号变化更多体现在时序模式上，仅依据频率得到处理精度有待进一步提高。
4、本申请内容
5、1.要解决的技术问题
6、针对现有技术中存在的神经系统信号处理精度低的问题，本申请提供了一种基于脉冲神经网络的神经系统信号处理方法，通过脉冲编码和神经网络的结合等，提高了对神经系统信号处理的精度。
7、2.技术方案
8、本申请的目的通过以下技术方案实现。
9、本说明书实施例提供一种基于脉冲神经网络的神经系统信号处理方法，包括：采集并存储脑电信号；将存储的脑电信号分割成多个片段，并对片段进行脉冲编码，得到脉
10、其中，脑电信号(brain electrical signals)：指人体脑部生理活动产生的微弱电流信号，是研究和检测脑神经功能的重要生理参数。记录的脑电信号包括脑电图(eeg)信号。在本申请中，通过头戴型脑电信号采集设备(如eeg头箍)置于被试头部，采集被试实时产生的脑电信号。采集设备将脑电信号数字化后通过数据线传输到数据记录和处理设备(如计算机)。数据记录和处理设备对采集到的数字化脑电信号进行初次处理(如过滤、放大等)，并将其以数字信号的形式长时间存储于计算机内存或硬盘中，为后续处理提供源数据。存储期间，脑电信号以时间序列的形式按某一采样频率(如256hz)和采样精度(如16bit)作为离散点的数值序列被记录存储下来。
11、其中，脉冲编码(pulse encoding)：是一种将持续性模拟信号转换为脉冲形式数字信号的方法，模拟生物神经系统中的脉冲传递模式。在本申请中，将长时间采集存储的脑电信号按时间长度t0进行切分，分割为多个短时间片段。对每个时间片段，将其幅值采用脉冲参数(如脉冲幅度、频率、时差)进行数学描述的编码算法对信号进行编码。例如，将信号强大的片段对应更高频率和幅度的脉冲序列；将信号弱的片段对应低频低幅的脉冲序列。这样每一个时间片段就对应一个脉冲序列，形成脉冲形式的编码后的脑电信号片段。这种脉冲编码方法能更好地模拟和表达脑电信号的时空特征，为后续网络处理提供便利。
12、具体的，采集待处理对象的脑电信号，并将其数字化后存储在计算机中；将存储的脑电信号根据时间长度t0进行分割，将整个信号分割成多个长度为t0的时间片段；对每个时间片段进行脉冲编码，将时间片段内信号幅值的变化转化为对应的脉冲强度及频率，形成脉冲编码后的脑电信号片段；利用包含一维卷积网络和lstm网络的脉冲神经网络对脉冲编码后的多个脑电信号片段进行处理：一维卷积网络由脉冲神经元构成，对每个编码后的脑电信号片段进行卷积操作，提取其频域和时域特征；lstm网络由脉冲神经元构成，对一维卷积网络提取的特征进行分类判断，识别特征是否来源于目标神经信号，实现分类；实现对原始脑电信号的特征提取和分类处理。
13、进一步的，将存储的脑电信号分割成多个时间长度为t0的片段。
14、进一步的，脉冲神经网络包括：一维卷积网络和lstm神经网络；一维卷积网络，提取脉冲编码后的脑电信号的特征；lstm神经网络，对一维卷积网络提取的特征进行分类。
15、其中，一维卷积网络通过对脉冲编码后的脑电信号时间片段进行重复的卷积relu池化操作，可以提取以下时间和频率域特征：时间域特征，脉冲序列的时序模式，如脉冲出现的先后顺序及间隔时间等。频率域特征，脉冲序列出现的频率，可以反映信号的频率成分。脉冲序列出现位置，可以表示信号在某些时间带的幅值变化。统计特征，脉冲数目，可以表征信号强弱程度。脉冲平均间隔，可以表征信号的节律性。时频特征，不同时间段内脉冲序列频率的变化状态，可以捕获信号在时间频率域的分布状态。
16、进一步的，一维卷积网络，包括n个卷积层，每个卷积层后连接一个relu激活函数和一个最大池化层，一维卷积神经网络通过对脉冲编码后的脑电信号进行n次一维卷积进行特征提取。
17、其中，relu激活函数(rectified linear unit activation function)，在本申请中，每个一维卷积层提取特征后的输出，需要通过非线性激活来增加非线性。relu函数将负输入值变为0，正输入值保持不变。它简化了网络计算，加速收敛。接受卷积层feature map输出的relu函数对其进行非线性映射转换：当feature map元素大于0时，保持不变；当feature map元素小于0时，将其置0。这一非线性转换使网络能够学习更复杂的非线性关系。一维卷积网络通过n次卷积relu池化得到的特征收敛于更优良的优化方向。
18、进一步的，lstm神经网络，包括正向lstm神经网络和反向lstm神经网络；正向lstm神经网络，包含多个正向lstm神经元，以脉冲编码后的脑电信号作为输入序列，每个正向lstm神经元按时间顺序处理输入序列，并传递状态到下一个正向lstm神经元，以提取输入序列的过去上下文特征；反向lstm神经网络，包含多个反向lstm神经元，以脉冲编码后的脑电信号作为输入序列，每个反向lstm神经元按相反时间顺序处理输入序列，并传递状态到下一个反向lstm神经元，以提取输入序列的未来上下文特征；利用提取的过去上下文特征和未来上下文特征，对一维卷积网络提取的特征进行分类。
19、其中，过去上下文特征(past context features)指在lstm神经网络处理输入序列数据的过程中，每个时间步对上一时间步和更早时间步数据所编码得到的隐含状态信息。在本申请中，正向lstm神经网络按时间顺序处理一系列脉冲编码后的脑电信号片段。每个正向lstm单元不仅使用当前时间片段作为输入，还访问前一时间步和更早时间步的隐含状态信息。通过state to state和输入到state的更新机制，正向lstm可以编码这些过去时间步的上下文信息。上下文信息包括时间步之间的依赖关系、模式和变化规律等特征。这些过去上下文特征将编码在每个正向lstm单元的隐含状态中传递给下一个时间步，帮助对当前输入进行更好的本文档来自技高网...
【技术保护点】
1.一种基于脉冲神经网络的神经系统信号处理方法，包括：
2.根据权利要求1所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
3.根据权利要求1所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
4.根据权利要求3所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
5.根据权利要求4所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
6.根据权利要求3所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
7.根据权利要求6所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
8.根据权利要求7所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
9.根据权利要求7所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
10.根据权利要求7所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
【技术特征摘要】
1.一种基于脉冲神经网络的神经系统信号处理方法，包括：
2.根据权利要求1所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
3.根据权利要求1所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
4.根据权利要求3所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
5.根据权利要求4所述的基于脉冲神经网络的神经系统信号处理方法，其特征在于：
6.根...
【专利技术属性】
技术研发人员：李丽，张恒，孙浩瀚，傅玉祥，何书专，
申请(专利权)人：南京宁麒智能计算芯片研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。