[发明专利]一种针对多电极阵列的神经信号分类方法

说明书

本发明公开了一种针对多电极阵列的神经信号分类方法。本发明通过带通滤波和阈值检测算法去除一部分背景噪声和提取多电极上的信号波形序列，利用主成分分析法提取波形特性，使用HDBSCAN聚类方法完成信号波形分类和重叠信号波形的检测，再使用模板匹配完成重叠信号波形的分类。本发明通过融合HDBSCAN聚类和模板匹配这两个主要算法的优点和特性，最大程度的提取有效波形特征和去除来自多电极阵列的冗余数据信息，实现完整分类所有的波形重叠和非重叠神经信号，充分利用计算机并发流加快计算过程，在提供高分类精度的前提下，大幅的加快了计算速度。

技术领域

本发明属于针对多电极阵列的神经信号分类技术领域，具体涉及一种基于机器学习和信号处理的神经信号分类方法。

背景技术

采集、破译并理解人类大脑中神经元之间传递的信号对医学研究和脑机接口领域的发展都有着重大意义，得益于近几年迅速发展的集成电路技术和电极技术，以数十微米的间距甚至更高密度集成多个电极的多电极阵列成为了可能，研究者们利用多电极阵列采集到了前所未有的神经信号数据量。但是在破译并理解这些神经信号存在的模式和规律之前，对它们进行分类是一项必须的任务，神经信号分类方法旨在对采集到的神经元动作电位波形进行分类，使它们对应到各自潜在的发射单元。最原始的分类依靠手工实现，极度依赖分类者的经验并且工作量巨大，在面对海量数据依靠人工完成已是不可能。自21世纪初开始，众多自动化的针对单电极的分类算法被开发出来，但是当它们在面对复杂的多电极情形时往往运行缓慢、精度低下，无法胜任如今针对多电极阵列的分类任务。

最近几年，随着机器学习技术和特征工程的迅猛发展，开发针对多电极的神经信号分类算法成为可能。该领域许多研究者提出了自己的方案，Pachitariu等人提出的Kilosort算法通过优化一个关于波形特征的损失函数来得到最佳分类结果，Hilgen等人提出的Herdingspikes2和Chung等人提出的 Mountainsort4算法通过结合波形特征和电极空间位置开发了自己的聚类方法来完成分类，但是上述三种算法都不能对发生多个波形重叠的信号进行分类。Lee等人提出的YASS算法使用“先排除后聚类”的策略，先检测出波形重叠信号，然后完成余下信号的分类，最后解析和恢复波形重叠信号，事实证明这种策略很有效，但是YASS包含一个神经网络需要提前进行模型训练导致它不适用于无监督的场景，同时它使用的原型聚类算法假定了样本的分布符合高斯混合模型，但事实上许多研究证明神经信号的波形样本分布并非总是符合高斯混合模型，比如发生了电极漂移现象的时候。Yger等人提出的SpykingCircus算法中，聚类算法只被用来产生“模板”，模板匹配负责完成全部分类任务，它可以得到较为精确的结果，但是会耗费过多的时间在后处理步骤上。

针对多电极阵列的神经信号分类算法的发展仍处于瓶颈期，如何正确利用和处理多个电极上数据的相关性和冗余性、如何更好的消除背景噪声的干扰、如何对波形发生时空交叠的信号进行分类、如何在保证分类精度的前提下减少算法耗时等问题仍然是该领域发展的难点。

发明内容

为了解决上述背景技术所存在的问题，本发明提供一种针对多电极阵列的神经信号分类方法。

本发明通过带通滤波和阈值检测算法去除一部分背景噪声和提取多电极上的信号波形序列，利用主成分分析法提取波形特性，使用HDBSCAN聚类方法完成信号波形分类和重叠信号波形的检测，再使用模板匹配完成重叠信号波形的分类。

本发明解决其技术问题所采用的技术方案是：

一种针对多电极阵列的神经信号分类方法，包括以下步骤：

步骤1、对从多电极阵列上采集的多路原始信号进行300Hz-3KHz的带通滤波，滤除背景噪声信号、去除干扰。