[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

摘要

本发明涉及一种基于多小波融合特征的神经元动作特征提取方法。本发明利用快速小波变换，对原始动作电位信号进行去噪处理，得到去噪动作电位信号；然后对去噪信号进行多小波基分析，得到多组小波时频特征，对不同尺度的小波特征进行分别融合，得到动作电位的多小波特征。多小波融合特征可以根据不同小波基的特性，对信号的低频分量和高频分量分别进行融合处理以得到一组新的时频特征。本发明保留了信号的突变和阶跃特征，使信号的高低频成分得到一定的恢复，同时保持信号的阶跃或突变点的信息和位置不变。

主权项

1.一种基于多小波融合特征的神经元动作特征提取方法，其特征在于该方法包括以下步骤：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；，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，表示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利用软阈值方法去噪；其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，，是对应j尺度下信号的长度；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；，，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：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：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）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：其中F为经验累计分布函数，G为高斯分布函数；步骤（7）对特征分量的检验值按由大到小排序，提取特征矩阵中前e个检验值对应的特征分量，实现对高维特征空间的降维；根据得到的e个检验值的空间向量，得到多个小波变换下的融合特征矩阵向量的维数空间，即最终提取的动作电位特征。