一种节点规模自适应的神经拟态计算神经元分类方法

本发明涉及脑电信号锋电位分类解码领域，尤其是涉及一种节点规模自适应的神经拟态计算神经元分类方法。

背景技术：

1、锋电位排序在神经科学研究中发挥着重要作用，通过准确分类信号通道记录的单个神经元生成的锋电位事件。通过准确识别和分类这些神经元，锋电位排序技术为特定神经元类型的功能特性、连接模式和时间动态提供了有价值的洞见。这些信息对于理解神经回路和解开大脑功能的复杂性至关重要。

2、传统的锋电位排序方法主要依赖于手动检查或半自动流程。然而，微电子学和纳米尺度结构的最新发展使得神经记录可以使用数千个通道进行大规模记录，几乎不可能进行手动锋电位排序。大规模记录还会导致计算和信号传输方面的关键问题。数据规模的增加导致了更多的信号处理和传输成本，使得脑植入设备几乎无法实现。

3、对于主要需要锋电位训练信号的应用来说，基于芯片的锋电位排序被认为是减少传输带宽的潜在解决方案。顾名思义，这些排序方法位于脑植入设备内部，仅将锋电位事件传输到下游任务中。通过这种方式，传输的数据规模可以大大减少，有望实现无线传输。因此，关键问题在于能够适用于大规模记录的低成本自动锋电位排序方法，以用于脑植入计算。

4、尽管看似并不复杂，以低成本完全自动化进行锋电位排序仍然是一项具有挑战性的任务。之前已经采取了一些方法来传输整个或部分排序结果。这些方法从分析独立的动作电位到尝试锋电位提取和分类。如公开号为cn115844422a的中国专利文献公开了一种神经元锋电位分类方法，包括获取原始锋电位信号，对获取的锋电位信号进行预处理；由启发自适应阈值将预处理后的数据集进行锋电位检测，得到锋电位信号数据集；将锋电位数据由主成分分析法降维，得到特征值和特征向量，并把锋电位点映射到特征向量构建的特征空间中；把特征值和锋电位数据作为k均值聚类的输入，不断进行迭代使聚类中心不再变化的同时保证每个样本到其所属的类中心距离最近，得到分类结果。

5、最近大规模锋电位排序技术的进展展示了高准确性，同时以完全自主的方式运作。然而，这些方法往往面临着高计算复杂性的问题，难以在植入设备的功耗限制内实现快速通道扩展。

6、目前这些方法面临着两个重大障碍。首先，复杂任务算法的实施会产生显著的硬件成本，需要在设备的受限空间内满足对计算资源的更高需求。其次，神经细胞的温度敏感性和排斥反应要求植入设备具有低功耗和小尺寸。在功耗和电路面积之间达到合适的平衡是一个需要在该领域进一步探索的关键领域。

技术实现思路

1、本发明提供了一种节点规模自适应的神经拟态计算神经元分类方法，针对锋电位信号分类中手工分类速度慢、不同专家分类结果不一致且需要花费较长时间的问题进行了改进，该方法在一定程度上提高了锋电位分类流程的速度，并在不同数据集上保持了较高的分类一致性，此外，该方法还有助于植入芯片的部署。

2、一种节点规模自适应的神经拟态计算神经元分类方法，包括以下步骤：

3、(1)获取原始多通道神经信号，经过带通滤波去除低频的局部场电位，对每个通道的神经信号进行白化预处理和伪迹去除；

4、(2)在每一个信号通道上检测并对齐候选锋电位，具体为：使用非线性能量算子计算离散信号每个位置的能量强度，超过阈值的一段时间窗被判定为候选锋电位，然后根据尖峰位置对齐候选锋电位；

5、(3)构建脉冲神经网络框架，框架包含一个两层结构的脉冲神经网络和一个注意力神经元节点；其中，脉冲神经网络的第一层为感知层，第二层为认知层，两层之间的神经元以全连接的方式连接，并动态更新连接突触；注意力神经元单向连接控制所有网络中的神经元；

6、(4)将对齐的候选锋电位输入脉冲神经网络框架，脉冲神经网络的感知层对候选锋电位进行脉冲编码，将候选锋电位每个时间点的离散信号以高斯感受野编码方式映射到一组脉冲序列；

7、认知层的神经元对不同的脉冲序列输入做出响应，并通过赢者通吃机制来更新被激活神经元与对应感知层神经元之间的连接突触；当认知层神经元的累积电压超过电压阈值时，将脉冲序列输出为响应不同细胞动作电位的时间戳序列；

8、注意力神经元响应输入候选锋电位的波形先验知识，修饰输入候选锋电位波形，并控制感知层节点增加与删减合并策略的阈值变化；

9、(5)对于时间戳序列对应的原始神经信号，认知层节点根据脉冲波形的先验知识动态更新阈值划分锋电位与噪声，各个通道根据脉冲神经网络输出的时间戳序列重构来自不同细胞发放的波形。

10、进一步地，步骤(1)中，带通滤波采用3阶butterworth滤波器，带通频率为300～3000hz。

11、步骤(2)中，使用非线性能量算子计算离散信号每个位置的能量强度，公式为：

12、ψ[x(n)]＝x2(n)-x(n+1)·x(n-1)

13、其中，x(n)是n时间波形的采样点，这里阈值设置为0.05，超过阈值的能量算子前25个和后38个，共64个时间点被截下窗口视为候选锋电位。

14、步骤(2)中，根据尖峰位置对齐候选锋电位时，尖峰最大值位置先通过升采样插值，重新对齐后，波形被下采样至原始长度。

15、步骤(4)中，高斯感受野编码方式如下：

16、

17、其中，μ为感受野神经元中心位置，θ为感受野神经元宽度，st为在时间t的信号序列，j(t,m,n)为感知层神经元(m,n)在时间t的脉冲发放，为高斯感受野的泊松过程。

18、步骤(4)中，所述的赢者通吃机制具体为：当一个神经元被激活时，其他神经元被抑制并且不会被更新，只更新被激活神经元与对应感知层神经元之间连接突触的权重；

19、其中，更新被激活神经元与对应感知层神经元之间连接突触时，神经元选择方法如下：

20、

21、其中，为选定的执行更新的认知层神经元，z(∈,t)为认知层神经元在t时间的电压值；

22、两层之间的连接突触的权重更新方式如下：

23、

24、其中，为更新后t+1时间的突触权重，ωt为更新前在t时间的突触权重，τ+为后突发放常数，τ-为前突发放常数。

25、步骤(4)中，注意力神经元响应输入候选锋电位的波形先验知识，修饰输入候选锋电位波形，当一个候选锋电位波形被输入网络，根据波形的先验知识，波形遮盖生成方式如下，

26、

27、其中st为在时间t的信号序列，gt为波形修饰遮盖；波形修饰遮盖gt的生成方式如下：

28、

29、其中，lap为动作锋电位宽度，ta1和ta2为分别为前超极化峰和后超极化峰的时间点位置，ltp为锋电位波谷到波峰的持续时间。

30、步骤(4)中，当实施感知层节点增加策略时，若输入锋电位遮盖后波形与网络中存储波形差异小于相似阈值thsim，则在感知层中新加入一个节点，感知层节点更新比较方法如下：

31、

32、其中，为遮盖后的波形，ω∈为感知层上选中节点∈与前一层的连接权重，φ为尺寸与权重规模相同的全一矩阵。

33、步骤(4)中，当实施感知层节点删减合并策略时，若网络中存储波形差异小于相似阈值thsim，则在将这两个节点合并，感知层节点更新比较方法如下：

34、

35、其中，ωi与ωj分别为感知层中不同节点对应的连接权重。

36、步骤(4)中，当进行感知层节点策略调整时，策略中的相似阈值thsim更新分别如下：

37、

38、其中，α为缩放控制系数，β为波形数目控制系数，k为输入锋电位波形轮次；

39、策略中的输出阈值thoutput更新如下：

40、

41、其中，为更新后下一轮的删减策略阈值，z(t,ζ)为t时间感知层节点ζ的电压值，β为波形数目控制系数，k为输入锋电位波形轮次。

42、与现有技术相比，本发明具有以下有益效果：

43、1、本发明通过网络增删策略，具有节点规模自适应的效果，能够实现同等计算下最小硬件开销。

44、2、本发明通过融合神经先验知识，具有识别泛用性强的效果，能够适应更多信号通道的脑电信号采集场景。

45、3、本发明通过部署在拟态神经芯片上，具有超低功耗的硬件开销的效果，有望实现在线闭环脑机接口锋电位分类。