一种基于卷积神经网络的尖峰特征分类方法

本发明涉及生物医疗，尤其涉及一种基于卷积神经网络的尖峰特征分类方法。

背景技术：

1、在神经科学领域的深入研究中，大脑神经元之间的交流显得尤为关键。这种交流是通过动作电位，即神经尖峰，来实现的。每一个神经尖峰都承载着特定的信息，因此，在多通道脑机接口系统中，如何从大量的放电神经元中准确识别出特定的神经元，成为了一个核心问题。为了解决这一难题，尖峰分类算法应运而生。

2、尖峰分类的核心任务在于区分不同神经元放电时产生的尖峰形状。由于这些形状的差异，我们可以有效地将它们进行分离。这一过程的关键在于从复杂且充满噪声的数据中，精确提取出单个神经活动的特征。这不仅为后续的神经活动分析提供了坚实的基础，也为神经科学领域的研究带来了更多的可能性。

3、常见的尖峰分类过程包括三步：尖峰检测、特征提取和聚类。首先，通过电极采集得到的原始数据需要进行带通滤波，以去除不必要的噪声和干扰。接着，利用幅度门限法或其他更为先进的方法，精确地确定尖峰的位置。这一步骤的准确性直接影响到后续特征提取的效果。在特征提取阶段，研究人员会采用一系列技术手段来从检测到的尖峰中提取出具有区分度的特征。这些方法包括主成分分析、小波变换等，它们能够深入挖掘尖峰信号中的隐藏信息，为后续的分类工作提供有力的支持。最后，通过聚类算法，如k-means等，可以将相似的尖峰分组到表示不同神经元的聚类中。这样，就可以在大量的数据中快速识别出特定的神经元，为神经科学研究提供了极大的便利。

4、然而，随着深度学习技术的兴起，传统的尖峰分类方法面临着新的挑战和机遇。研究人员开始尝试将深度学习技术应用于尖峰分类中，以期获得更高的分类精度和更好的实时性能。例如，有研究者将多层感知机与模板匹配方法相结合，实现了非监督式的尖峰分类方法。虽然这种方法取得了一定的成果，但其分类性能仍然受到所生成模板的限制，对于复杂多变的尖峰形状识别能力有限。

5、为了进一步提高分类精度和降低计算复杂度，一维卷积神经网络也被引入到尖峰分类任务中。这种方法通过构建深层的神经网络结构，能够自动学习尖峰信号中的复杂特征，并取得了较高的分类精确度。然而，由于其网络结构的复杂性，导致计算复杂度较高，不利于实时处理和资源受限的应用场景。

6、此外，随着神经信号采集技术的快速发展，同时采集数千个通道的数据已成为现实。这虽然为神经科学研究提供了更多的数据支持，但也带来了数据量的急剧增长和传输的挑战。为了解决这个问题，无线神经信号采集系统应运而生。然而，面对巨大数据发送量所带来的高带宽和高功耗需求，无线传输仍然面临着巨大的挑战。

7、为了降低尖峰分类中所需传输的数据量并满足实时性要求，片上尖峰分类技术成为了研究的热点。通过在片上直接进行尖峰分类并将结果传输到外部，而非整个原始信号，可以有效降低无线传输时的功耗和带宽需求。然而，现有的片上分类方法在计算复杂度和分类精确度之间往往难以取得平衡，难以满足实际应用的需求。因此，提出一种针对片上尖峰分类，同时兼顾高精确度和硬件可行性的深度学习算法成为一个重要的需求。

技术实现思路

1、有鉴于此，本发明提出一种基于卷积神经网络的尖峰特征分类方法，以解决现有技术中存在的尖峰分类的精度与效率难以兼顾的问题。

2、本发明具体的技术方案如下：

3、一种基于卷积神经网络的尖峰特征分类方法，包括：

4、步骤1，将原始尖峰波形输入到scn特征提取器中，scn特征提取器通过小波散射变换从原始波形中提取出特征向量；

5、步骤2，将scn特征提取器输出的特征向量拼接成二维特征图，并将拼接后的二维特征图输入到cnn分类器中；

6、步骤3，cnn分类器对输入的二维特征图进行分类处理；

7、步骤4，cnn分类器输出最终的尖峰分类结果。

8、具体地，步骤1中，scn特征提取器包括至少三层散射变换。

9、具体地，步骤1中，在scn特征提取过程中，每层散射系数的计算都基于前一层的结果，通过级联小波变换、模运算和低通滤波操作，逐层提取尖峰波形在不同尺度和频率下的特征信息。

10、具体地，步骤1中，scn特征提取器使用morlet小波作为滤波器基础，以保证小波散射变换能够有效地捕捉尖峰波形数据的时频局部化特性。

11、具体地，步骤3中，cnn分类器包括三个卷积层，每个卷积层使用不同大小的卷积核进行特征提取。

12、具体地，步骤3中，cnn分类器还包括一个池化层，用于降低特征维度。

13、具体地，步骤4中，cnn分类器的输出层使用softmax激活函数，用于输出尖峰波形的分类概率，实现多类别分类。

14、具体地，方法还包括对scn特征提取器和cnn分类器进行联合训练，通过反向传播算法优化网络参数，提高分类性能。

15、具体地，步骤1中，scn特征提取器中的滤波器组配置，包括改变小波滤波器的中心频率、每倍频程的小波数以及滤波器的类型，以优化特征提取效果。

16、具体地，在训练cnn分类器时，使用adam优化器和交叉熵损失函数，优化网络参数。

17、本发明的有益效果在于：

18、(1)本发明将scn(散射卷积网络)与cnn(卷积神经网络)进行有机结合，通过scn对尖峰波形进行精准的特征提取，随后将得到的特征向量拼接为特征图，进而输入到二维cnn中进行分类。这种创新的结合方式不仅实现了较高的分类精确度，而且在面对不同的噪声水平和不同相似程度的尖峰组合时，依然能够保持稳定的分类性能，展现出了出色的鲁棒性。

19、(2)本发明采用scn进行特征提取的优势在于，scn在进行卷积运算时所使用的卷积核均为预设好的小波滤波器。这种设计在减少训练时间的同时，也降低了运算的复杂度，进一步减少了硬件开销。因此，本发明不仅提升了分类的精确度，还优化了运算效率，使得片上尖峰分类的实现更为便捷和高效。

技术特征：

1.一种基于卷积神经网络的尖峰特征分类方法，其特征在于，包括：

2.如权利要求1所述的基于卷积神经网络的尖峰特征分类方法，其特征在于，所述步骤1中，scn特征提取器包括至少三层散射变换。

3.如权利要求2所述的基于卷积神经网络的尖峰特征分类方法，其特征在于，所述步骤1中，在scn特征提取过程中，每层散射系数的计算都基于前一层的结果，通过级联小波变换、模运算和低通滤波操作，逐层提取尖峰波形在不同尺度和频率下的特征信息。

4.如权利要求1所述的基于卷积神经网络的尖峰特征分类方法，其特征在于，所述步骤1中，scn特征提取器使用morlet小波作为滤波器基础，以保证小波散射变换能够有效地捕捉尖峰波形数据的时频局部化特性。

5.如权利要求1所述的基于卷积神经网络的尖峰特征分类方法，其特征在于，所述步骤3中，cnn分类器包括三个卷积层，每个卷积层使用不同大小的卷积核进行特征提取。

6.如权利要求1所述的基于卷积神经网络的尖峰特征分类方法，其特征在于，所述步骤3中，cnn分类器还包括一个池化层，用于降低特征维度。

7.如权利要求1所述的基于卷积神经网络的尖峰特征分类方法，其特征在于，所述步骤4中，cnn分类器的输出层使用softmax激活函数，用于输出尖峰波形的分类概率，实现多类别分类。

8.如权利要求1所述的基于卷积神经网络的尖峰特征分类方法，其特征在于，所述方法还包括对scn特征提取器和cnn分类器进行联合训练，通过反向传播算法优化网络参数，提高分类性能。

9.如权利要求1所述的基于卷积神经网络的尖峰特征分类方法，其特征在于，所述步骤1中，scn特征提取器中的滤波器组配置，包括改变小波滤波器的中心频率、每倍频程的小波数以及滤波器的类型，以优化特征提取效果。

10.如权利要求8所述的基于卷积神经网络的尖峰特征分类方法，其特征在于，在训练cnn分类器时，使用adam优化器和交叉熵损失函数，优化网络参数。

技术总结本发明公开了一种基于卷积神经网络的尖峰特征分类方法，该方法包括：步骤1，将原始尖峰波形输入到SCN特征提取器中，SCN特征提取器通过小波散射变换从原始波形中提取出特征向量；步骤2，将SCN特征提取器输出的特征向量拼接成二维特征图，并将拼接后的二维特征图输入到CNN分类器中；步骤3，CNN分类器对输入的二维特征图进行分类处理；步骤4，CNN分类器输出最终的尖峰分类结果。本发明在保持较高精确度和鲁棒性的基础上，通过降低运算复杂度，特别适用于片上尖峰分类任务。技术研发人员：赵阳,孙瑞泽,连勇受保护的技术使用者：上海交通大学技术研发日：技术公布日：2024/8/20