动作电位检测方法和芯片、以及多通道神经信号采集系统技术方案

本发明专利技术涉及一种动作电位检测方法和芯片、以及多通道神经信号采集系统，该方法包括以下步骤：步骤S1、判断是否更新动作电位检测芯片的内置模板和阈值信息，若不更新则转步骤S2；步骤S2、缓存输入原始信号，并对齐输入信号；步骤S3、计算输入信号和模板动作信号的卷积，以及计算输入信号模长；步骤S4、将计算得到的模长与阈值的乘积作为基准，判断输入信号和模板动作信号的卷积是否大于基准，如果大于基准，则输入的该帧数据为动作电位，否则不是。与现有技术相比，本发明专利技术能够在较低信噪比环境下，取得良好的神经信号的检测识别效果。取得良好的神经信号的检测识别效果。取得良好的神经信号的检测识别效果。

【技术实现步骤摘要】
动作电位检测方法和芯片、以及多通道神经信号采集系统


[0001]本专利技术涉及动作电位检测
，尤其是涉及一种动作电位检测方法和芯片、以及多通道神经信号采集系统。

技术介绍

[0002]动作电位(Action Potential,AP)是神经生理学的重要分析数据之一，记录和分析动作电位是后期解码的基础与前提，其应用范围从脑机接口到神经编码，对癫痫等脑类疾病的预防检测具有重大意义。AP动作电位信号检测算法的准确性与前端多通道信号采集IC输出的的原始信号信噪比成正相关，但前端多通道AP信号采集IC往往受信号采集电极阻抗、应用环境、系统功耗以及系统面积等因素限制，输出的原始信号信噪比不高。目前神经信号采集芯片的规模越来越大，很多采集芯片已有上千通道，对动作电位检测的实时性越来越高，所以急需一个应用于大规模多通道采集系统的低信噪比高准确率的神经信号识别的检测IC。
[0003]动作电位检测算法可以分为阈值检测算法和模板匹配算法，以及最近几年的深度学习算法。其中，阈值检测算法对硬件要求较低，分类效果也不错。不管是早期人为设置阈值，还是后来出现的各种衍生算法，如计算输入信号均方值，自动阈值计算的双阈值AP信号检测方法等算法，这些算法都只关注了单一的时域信息，当信号信噪比降低，都会发生漏检和误检。而深度学习算法虽然可以取得不错的检测效果，但是十分消耗资源，一个包含两个卷积层应用于动作电位检测的卷积神经网络，有近70万个权重参数，对于硬件实现，这将占用大量的面积及功耗。而模版匹配算法的原理是当原始采集的信号与AP模板动作信号的相关性超过特定阈值时，判断检测到AP信号。另外，模版匹配算法还有基于离散小波变换的AP信号检测法，通过多个滤波器组便可以实现离散小波变换，并利用尺度不变性，实现较高的检测率。而离散小波变换法对于原始采集信号的强度和信噪比要求苛刻，同时需要设置大量滤波器参数，不利于片上检测系统实现。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供了一种动作电位检测方法和芯片、以及多通道神经信号采集系统，能够在较低信噪比环境下，取得良好的神经信号的检测识别效果。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]根据本专利技术的第一方面，提供了一种动作电位检测方法，该方法包括以下步骤：
[0007]步骤S1、缓存输入原始信号，并对齐输入信号；
[0008]步骤S2、计算输入信号和模板动作信号的卷积得到两者的相关程度；
[0009]步骤S3、将输入信号正则化，并计算输入信号模长；
[0010]步骤S4、将输入信号模长与设定的判断阈值的乘积作为基准，判断输入信号和正则化后的模板动作信号的卷积是否大于基准，如果大于基准，则判定输入的该帧数据为动
作电位。
[0011]优选地，所述步骤S1中的对齐输入信号具体为：对齐每帧输入信号的峰值与预置动作模板电位的峰值。
[0012]优选地，所述步骤S2中计算输入信号和模板动作信号的卷积得到两者的相关程度，将每次输入的信号向量视作一帧，则第m帧输入信号与模板动作信号的相关程度y[m]的表达式为：
[0013][0014]式中，N为采样长度，X
m
为第m帧输入向量，即X
m
＝[x[m],x[m
‑
1],
…
,x[m
‑
N+1]]T
；t为预置模板向量，同样为N个采样点，即t＝[t[1],
…
,t[N
‑
1]]T
。
[0015]优选地，所述步骤S3具体为：
[0016]将输入信号正则化，表达式为：
[0017][0018]式中，为输入向量正则化后的向量，为预置模板向量t正则化后的向量，||X
m
||为向量X
m
的模长；
[0019]计算输入信号模长||X
m
||，表达式为：
[0020]||X
m
||2＝||X
m
‑1||2‑
x2[m
‑
N]+x2[m]ꢀꢀꢀ
(3)
[0021]式中，||
·
||代表向量模长，输入信号X
m
和X
m
‑1重复了N
‑
1个点，x[m
‑
N]为输入向量X
m
‑1的第一个数据，x[m]为输入向量X
m
‑1的最后一个数据。
[0022]优选地，所述步骤S4中动作电位的判断条件为：
[0023][0024]式中，α为判断阈值，为正则化后的预置模板向量。
[0025]优选地，所述步骤S1还包括根据局部峰值和局部峰值的高度预先筛选输入向量，筛选条件为：
[0026][0027]式中，为正则化后的输入向量，max()为求向量的最大值，abs()为求向量中所有数的绝对值，c为设定的常数，refvalue为参考幅度值。
[0028]根据本专利技术的第二方面，提供了一种动作电位检测芯片，采用所述的方法，用于将输入原始采集信号转换成一比特的信息流，其中在动作电位出现的位置标记为1，其余位置都为0，所述动作电位检测芯片包括：
[0029]数据预处理模块，用于缓存输入原始信号，并对齐输入信号；
[0030]卷积模块，用于计算输入信号和模板动作信号的卷积，以及计算输入信号模长；
[0031]正则化模块，用于将输入信号正则化，并计算得到输入信号模长；
[0032]比较器模块，用于将输入信号模长与设定的判断阈值的乘积作为基准，判断输入信号和正则化后的模板动作信号的卷积是否大于基准，如果大于基准，则判定输入的该帧数据为动作电位。
[0033]根据本专利技术的第三方面，提供了一种多通道神经信号采集装置，其内集成有多个所述的动作电位检测芯片，所述装置还包括：
[0034]内置模板和阈值信息更新模块，用于对所述动作电位检测芯片的内置模板动作信号和阈值信息进行更新判断；
[0035]调度模块，用于对多个所述的动作电位检测芯片进行调度。
[0036]优选地，所述内置模板和阈值信息更新模块具体为：若更新内置模板和阈值信息，则通过SPI接口配置动作电位检测芯片中的相关寄存器，同时动作电位检测芯片回传寄存器数据，验证配置是否正确。
[0037]优选地，所述装置的具体检测过程如下：
[0038]1)预先挑选动作电位较为集中的通道；
[0039]2)结合空闲通道的动作电位检测芯片，给每个所述动作电位检测芯片配置好模板动作电位，将1)挑选出的信号同时提供给动作电位检测芯片；
[0040]3)同时将多个动作电位检测芯片的输出作与运算，进行单通道的多模板神经动作电位检测。
[0041]与现有技术相比，本专利技术具有以下优点：
[0042]1)本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动作电位检测方法，其特征在于，该方法包括以下步骤：步骤S1、缓存输入原始信号，并对齐输入信号；步骤S2、计算输入信号和模板动作信号的卷积得到两者的相关程度；步骤S3、将输入信号正则化，并计算输入信号模长；步骤S4、将输入信号模长与设定的判断阈值的乘积作为基准，判断输入信号和正则化后的模板动作信号的卷积是否大于基准，如果大于基准，则判定输入的该帧数据为动作电位。2.根据权利要求1所述的一种动作电位检测方法，其特征在于，所述步骤S1中的对齐输入信号具体为：对齐每帧输入信号的峰值与预置动作模板电位的峰值。3.根据权利要求1所述的一种动作电位检测方法，其特征在于，所述步骤S2中计算输入信号和模板动作信号的卷积得到两者的相关程度，将每次输入的信号向量视作一帧，则第m帧输入信号与模板动作信号的相关程度y[m]的表达式为：式中，N为采样长度，X
m
为第m帧输入向量，即X
m
＝[x[m],x[m
‑
1],...,x[m
‑
N+1]]
T
；t为预置模板向量，同样为N个采样点，即t＝[t[1],...,t[N
‑
1]]
T
。4.根据权利要求3所述的一种动作电位检测方法，其特征在于，所述步骤S3具体为：将输入信号正则化，表达式为：式中，为输入向量正则化后的向量，为预置模板向量t正则化后的向量，||X
m
||为向量X
m
的模长；计算输入信号模长||X
m
||，表达式为：||X
m
||2＝||X
m
‑1||2‑
x2[m
‑
N]+x2[m]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中，||
·
||代表向量模长，输入信号X
m
和X
m
‑1重复了N
‑
1个点，x[m
‑
N]为输入向量X
...

【专利技术属性】
技术研发人员：庞勋，姚镭，
申请(专利权)人：上海大学，
类型：发明
国别省市：