[发明专利]一种基于多小波融合特征的神经元动作特征提取方法

说明书

技术领域

本发明属于生物医学工程领域，涉及一种神经元动作电位特征提取方法，具体是基于多小波融合特征的神经元动作电位特征提取方法。

背景技术

神经元动作电位的特征提取技术，是动作电位序列编码分析研究的前期基础。因此对动作电位提取有效特征，并根据获取的有效特征信息将动作电位归类到各自对应的神经元，对于后续分析神经元自发和诱发活动电位，起着非常重要的作用。

目前神经元动作电位的分类主要包括聚类法、模板匹配法以及基于特征分析的分类方法。聚类法在一定程度上解决动作电位的叠加问题，但聚类数目通常需要预先给定。模板匹配法的性能与信号的稳定性相关，若信号稳定性不好则容易发生过拟合现象。基于特征分析的分类方法往往是对信号进行单一的时域或频域分析，从而得到的特征信息并不完整。目前比较常用的特征提取方法有主成分分析和小波分析方法。主成分分析通过样本协方差矩阵求取主要特征值，但由于动作电位信号具有一定的非线性时变性，因此主成分分析可能无法反映动作电位信号的完整信息。小波分析方法通过对动作电位进行多尺度分析，在时频信息上对小波系数进行处理，得到有效的特征。但小波分析中使用的单一小波基不能表征信号的完整特性，因此在分析动作电位特征的时，往往不够全面。

发明内容

本发明提出一种基于多小波融合特征的神经元动作电位特征提取方法。该发明提取动作电位的多组小波特征值进行特征融合。通过小波基的互补特性，以解决单一小波基所得到动作电位信号特征不完整性，因此能有效的改善神经元动作电位的分类性能。

本发明方法步骤如下：

步骤（1）通过动作电位采集系统，以固定采样频率采集到n个动作电位信号时间序列，每个动作电位信号时间序列包含N个采样点。动作电位信号时间序列表示为                                               。

步骤（2）选择小波基函数，对采集到的动作电位信号进行小波变换，得到高频信号和低频信号；

，           （1）

其中表示多尺度分解的尺度，；表示各尺度下的高通滤波器函数，为各尺度下的低通滤波器函数。

步骤（3）对小波变换之后的高频信号和低频信号进行软阈值方法去噪。

要对高频信号和低频信号进行软阈值去噪，首先要计算自适应阈值，其中是对应尺度下信号的长度。

                                （3）

其中是对应尺度下信号的长度。

根据得到各个尺度下的自适应阈值对高频信号和低频信号进行软阈值去噪处理。

                     （4）

                   （5）

式中表示对应去噪后的高频信号，表示对应去噪后的低频信号；对应j尺度的自适应阈值。

步骤（4）对去噪之后的高频信号和低频信号进行小波逆变换。

，       （6）

，           （7）

小波逆变换后得到去噪动作电位信号，。

步骤（5）多小波融合，首先用多种不同小波基对去噪动作电位信号进行小波变换得到动作电位的初步特征值，小波变换的尺度为m。

所有去噪动作电位信号通过第b个小波基进行小波变换后得到小波系数矩阵,L为矩阵的行数、H为矩阵的维数，L=n，H=C，C表示进行小波变换之后特征向量的维数。进行多个小波融合时使用第B个不同小波基进行小波变换，得到B个特征矩阵。则表示为第a个动作电位信号在第b个小波基进行小波变换后得到的第c维的特征向量，其中，，。其中高频信号为第1尺度到底m-1尺度下的小波系数，低频信号为m尺度下的小波系数。

低频特征信号使用加权平均的方式得到融合特征，具体的据融合算法如下：

                          （8）

高频特征信号的特征值相对微弱，使用取极大值的特征融合，融合算法如下：

                            （9）

为第a个动作电位由B个不同小波分析融合之后的第c维的融合特征。

步骤（6）然后使用KS检验的方法，得到小波融合特征分量的KS检验值。每个动作电位特征信号结果小波融合之后得到C维特征向量，即。,表示所有动作电位信号在第c维特征分量值构成的向量矩阵。进行KS检验时，只有当满足置信水平>D(0<D<1)才能将c维特征值看作有效向量。

给出第b维特征分量的KS检验值：