Способ выделения сигналов импульсного типа по временным данным

Изобретение относится к области биомедицинских технологий и может использоваться для автоматического выделения сигналов импульсного типа по временным данным нейрофизиологических систем. Достигаемый технический результат - выделение сигналов нейронов из суммарной электрической активности нейронного ансамбля для обеспечения автоматической настройки параметров для распознавания импульсных сигналов при наличии помех. Способ выделения сигналов импульсного типа по временным данным включает в себя регистрацию сигнала, представляющего собой аддитивную сумму сигналов ансамбля систем, проведение его порогового детектирования с последующим центрированием всех импульсов, амплитуда которых превышает пороговый уровень, определение характерных форм импульсов каждой системы, соответствующих максимумам функции плотности распределения масштабных коэффициентов первых главных компонент, нахождение оптимального набора параметров, максимизирующих различия между характерными формами импульсов в пространстве вейвлет-коэффициентов, проводят расчет коэффициентов вейвлет-преобразования, после чего проводят фильтрацию импульсов с использованием фильтра нижних частот по характерным формам импульсов каждой системы, а частоту среза фильтра определяют в диапазоне 100-150 Гц из условия максимизации различий между характерными формами импульсов в пространстве вейвлет-коэффициентов. 1 з.п. ф-лы, 3 ил.

 

Изобретение относится к области биомедицинских технологий и предназначено для автоматического выделения сигналов импульсного типа по временным данным нейрофизиологических систем. В частности, изобретение может применяться для распознавания сигналов электрической активности отдельных нейронов в составе нейронного ансамбля по сигналам внеклеточного электрического потенциала, а также при решении более общей задачи выделения характерных паттернов импульсного типа при наличии помех.

Задача распознавания формы сигнала в присутствии помех возникает во многих областях науки и техники, включая изучение процессов кодирования и передачи информации в нейронных сетях. Традиционно в нейрофизиологических исследованиях используется метод регистрации мультинейронной активности, что позволяет получить информацию о динамике нейронов, расположенных в некоторой локальной области вблизи микроэлектрода [К. Harris, D. Henze, J. Csicsvari, H. Hirase, G. Buzsaki. J. Neurophysiol. 84 (2000), 401-414, E.R. Kandel, J.H. Schwartz, T.M. Jessell. Principles of neural science. 4 ed. New York: McGrawHill, 2000].

Для анализа информационного кода, передаваемого нейронным ансамблем, необходимо выделить в регистрируемом сигнале активность отдельных нервных клеток. В настоящее время известны различные способы решения данной задачи, основанные на расчете геометрических характеристик, факторном анализе и вейвлет-преобразовании [М. Lewicki. Net. Com. Neu. Sys. 9 (1998), R53-R78, J. Letelier, P. Weber. J. Neurosci. Methods 101 (2000), 93-106, E. Hulata, R. Segev, Y. Shapira, M. Benveniste, E. Ben-Jacob. Phys. Rev. Lett. 85 (2000), 4637-4640, R. Quian Quiroqa, Z. Nadasdy, Y. Ben-Shaul. Neural Computation 16 (2004), 1661-1687, A.N. Pavlov, V.A. Makarov, I. Makarova, F. Panetsos, Natural Computing 6 (2007), 269-281, A.A. Короновский, B.A. Макаров, A.H. Павлов, Е.Ю. Ситникова, A.E. Храмов. Вейвлеты в нейродинамике и нейрофизиологии. М.: Физматлит, 2013 и др.]. В частности, такие способы позволяют проводить распознавание формы сигналов при относительно небольшом уровне шума. При высоком уровне помех они не обеспечивают приемлемое качество решения задачи распознавания сигналов и возникает потребность в снижении ошибки распознавания, в том числе за счет адаптивной фильтрации.

Наиболее близким к заявляемому способу является способ вейвлетной классификации с учетом формы потенциала действия, предложенный в [A.N. Pavlov, V.A. Makarov, I. Makarova, F. Panetsos, Natural Computing 6 (2007), 269-281]. В данном способе снимают сигнал, представляющий собой аддитивную сумму сигналов ансамбля систем, проводят пороговое детектирование с последующим центрированием всех импульсов, амплитуда которых превышает пороговый уровень, определяют характерные формы импульсов каждой системы, соответствующие максимумам функции плотности распределения масштабных коэффициентов первых главных компонент [М. Lewicki. Net. Com. Neu. Sys. 9 (1998), R53-R78, J. Letelier, P. Weber. J. Neurosci. Methods 101 (2000), 93-106], находят оптимальный набор параметров, максимизирующий различия между характерными формами импульсов в пространстве вейвлет-коэффициентов, проводят расчет коэффициентов вейвлет-преобразования при найденном оптимальном наборе параметров и далее с использованием выбранных вейвлет-коэффициентов осуществляют более точную классификацию.

Этот способ обеспечивает возможность снижения ошибки распознавания импульсных сигналов на 30-40% (в зависимости от формы импульса и уровня шума) по сравнению с методами классификации, не предусматривающими настройку параметров вейвлет-преобразования. Его эффективность может быть также улучшена за счет дополнительной фильтрации экспериментальных сигналов [A.N. Pavlov, D.V. Dumsky, A.N. Tupitsyn, O.N. Pavlova, F. Panetsos, V.A. Makarov. Proc. of SPIE 6085 (2006) 60850I]. Однако он не предусматривает возможность автоматизации выбора полосы частот фильтра, что приводит к существенной зависимости ошибки распознавания от формы нейронных потенциалов действия.

Задачей изобретения является разработка универсального способа, позволяющего проводить выделение сигналов нейронов из суммарной электрической активности нейронного ансамбля, который обеспечивает автоматическую настройку параметров для распознавания импульсных сигналов при наличии помех.

Поставленная задача решается тем, что в способе выделения сигналов импульсного типа по временным данным, включающем в себя регистрацию сигнала, представляющего собой аддитивную сумму сигналов ансамбля систем, проведение его порогового детектирования с последующим центрированием всех импульсов, амплитуда которых превышает пороговый уровень, определение характерных форм импульсов каждой системы, соответствующих максимумам функции плотности распределения масштабных коэффициентов первых главных компонент, нахождение оптимального набора параметров, максимизирующих различия между характерными формами импульсов в пространстве вейвлет-коэффициентов, проведение расчета коэффициентов вейвлет-преобразования при найденном оптимальном наборе параметров, согласно изобретению фильтрацию импульсов с использованием фильтра нижних частот проводят после расчета коэффициентов вейвлет-преобразования по характерным формам импульсов каждой системы, при этом частоту среза фильтра определяют в диапазоне 100-150 Гц из условия максимизации различий между характерными формами импульсов в пространстве вейвлет-коэффициентов.

Изобретение поясняется чертежами, где на фиг. 1 представлен типичный пример перекрытия областей, соответствующих разным типам импульсных сигналов, на фиг. 2 представлены зависимость ошибки распознавания сигналов (E, %) от параметра различий между характерными формами импульсов в пространстве вейвлет-коэффициентов и зависимость этого параметра от частоты среза фильтра нижних частот, на фиг. 3 представлены гистограммы характеристик нейронных сигналов, вычисленные с помощью анализа главных компонент, стандартного вейвлет-анализа и способа автоматического выделения сигналов нейронов из суммарной электрической активности нейронного ансамбля, где приняты следующие обозначения:

1 - результат анализа главных компонент;

2 - результат стандартного вейвлет-анализа;

3 - результат заявляемого способа выделения сигналов отдельных нейронов.

Заявляемый способ выделения сигналов отдельных нейронов из суммарного сигнала нейронного ансамбля при наличии помех заключается в следующем. Снимают сигнал, представляющий собой аддитивную сумму сигналов ансамбля систем. Устанавливают пороговый уровень Θ=[0.3,0.5]Amax, где Amax - максимальная амплитуда импульсов элементов ансамбля. Проводят пороговое детектирование с заданным уровнем Θ для отделения от фонового шума всех импульсов (нейронных потенциалов действия), формы которых необходимо распознать. Импульсы, амплитуда которых превышает пороговый уровень Θ, центрируют по их максимумам. Задают фиксированное число отсчетов временного ряда n=[32,64], одинаковое для каждого импульса xi(t), i=1, …, M, и определяющее его длительность τ=nΔt, где Δt - интервал дискретизации. Проводят предварительное разделение импульсов по группам на основе метода анализа главных компонент [М. Lewicki, Network: Computation in Neural Systems 9 (1998), R53-R78] по значениям масштабных коэффициентов C1 и C2 первых двух главных компонент. Выбирают область перекрытия масштабных коэффициентов, в пределах которой анализ главных компонент не позволяет разделить импульсы двух типов (фиг. 1). Если таких областей несколько, последующие действия проводят для каждой области поочередно. Для разделения импульсов двух различных типов осуществляют расчет функции плотности распределения масштабных коэффициентов C1 первой главной компоненты. Формы импульсов, соответствующие максимумам функции плотности распределения (центрам кластеров точек на фиг. 1), используют в качестве характерных сигналов отдельных систем, входящих в состав ансамбля x1(t) и x2(t), t=jΔt, j=1, …, n.

Далее определяют оптимальный набор параметров, максимизирующих различия между характерными формами импульсов в пространстве вейвлет-коэффициентов. Для этого проводят непрерывное вейвлет-преобразование сигналов x1(t) и x2(t) с базисной функцией WAVE

и вычисляют расстояние между значениями W1,2(a,b) в пространстве вейвлет-коэффициентов

Проводят оценку спектра мощности экспериментального шума S(ωk) для ωk=2πfk, fk∈[0,3] кГц. В типичном случае (при относительно низкой частоте появления импульсов нейронов) в качестве аппроксимации S(ωk) рассматривают спектр всего регистрируемого сигнала. Задают частоту среза фильтра нижних частот fНЧ и проводят оценку спектра мощности экспериментального шума после фильтрации P(ωk)=S(ωk)·H2k), где H(ωk) - частотная характеристика фильтра нижних частот. Определяют дисперсию экспериментального шума по приближенной формуле [А.А. Короновский, В.А. Макаров, А.Н. Павлов, Е.Ю. Ситникова, А.Е. Храмов. Вейвлеты в нейродинамике и нейрофизиологии. М.: Физматлит, 2013]

в диапазоне частот, ограниченном частотой среза фильтра ωk∈[0,2πfc]. Вычисляют параметр различий между характерными формами импульсов в пространстве вейвлет-коэффициентов [А.А. Короновский, В.А. Макаров, А.Н. Павлов, Е.Ю. Ситникова, А.Е. Храмов. Вейвлеты в нейродинамике и нейрофизиологии. М.: Физматлит, 2013]

На следующем этапе проводят поиск значений , соответствующих максимуму Δ(a,b,fНЧ), что обеспечивает минимальную ошибку распознавания сигналов (см. фиг. 2а). Для найденной частоты среза фильтра нижних частот проводят фильтрацию импульсов и вычисляют коэффициенты Wi(a ,b) для всех импульсов после проведенной фильтрации. Строят распределение коэффициентов Wi(a ,b), задают пороговый уровень Wth, соответствующий минимуму бимодального распределения, и проводят разделение импульсов в соответствии с коэффициентами Wi:

Далее те же действия осуществляют для другой области перекрытия масштабных коэффициентов главных компонент (при ее наличии). Как альтернативу анализу главных компонент можно использовать дискретное вейвлет-преобразование [J. Letelier, P. Weber, J. Neurosci. Methods 101 (2000), 93-106]. В этом случае в качестве характерных сигналов отдельных систем выбирают импульсы, соответствующие максимумам функции плотности распределения наибольших по модулю вейвлет-коэффициентов.

Для проверки эффективности распознавания сигналов электрической активности отдельных нейронов в составе нейронного ансамбля по сигналам внеклеточного электрического потенциала были проведены тестовые эксперименты с искусственно сгенерированными сигналами - в экспериментальный сигнал (запись внеклеточного электрического потенциала) добавлялись потенциалы действия двух разных нейронов, имеющие похожую форму, что обеспечивало возможность вычислить ошибку распознавания. Дополнительно проводились эксперименты с тетродными микроэлектродами, позволяющими контролировать принадлежность импульсного сигнала определенному типу путем анализа многоканальных записей внеклеточного электрическою потенциала.

В приближении нормального закона распределения экспериментального шума теоретический минимум ошибки распознавания сигналов двух нейронов оценивается по формуле [А.А. Короновский, В.А. Макаров, А.Н. Павлов, Е.Ю. Ситникова, А.Е. Храмов. Вейвлеты в нейродинамике и нейрофизиологии. М.: Физматлит, 2013]

где erfc - функция ошибок, M1 и M2 - число импульсов 1-го и 2-го типов.

Проведенные исследования подтвердили, что ошибка способа автоматического выделения сигналов нейронов из суммарной электрической активности нейронного ансамбля при анализе экспериментальных данных в среднем на 40-60% меньше, чем у вейвлетных методов классификации, не предусматривающих настройку параметров (в том числе, частоты среза фильтра) в зависимости от индивидуальных особенностей анализируемых сигналов.

Типичный пример зависимости параметра различий между характерными формами импульсов в пространстве вейвлет-коэффициентов от частоты среза фильтра нижних частот представлен на фиг. 2б. Максимальное значение Δ(a, b, fНЧ) достигается при fc≈120 Гц. В результате статистического анализа большого объема экспериментальных данных было установлено, что максимум Δ(a, b, fНЧ) для нейронных потенциалов действия достигается в диапазоне 100-150 Гц. Фильтрация сигнала внеклеточного электрического потенциала позволяет повысить надежность автоматического распознавания сигналов отдельных нейронов за счет уменьшения области перекрытия характеристик импульсов в пространстве вейвлет-коэффициентов (см. фиг. 3). В тестовом примере, приведенном на фиг. 3, достигнута ошибка распознавания E=0.7%, теоретический минимум составил Rmin=0.3%. Ошибка распознавания, вычисленная на основе анализа главных компонент и стандартного вейвлет-анализа [J. Letelier, P. Weber, J. Neurosci. Methods 101 (2000), 93-106], составила 5.3% и 4.2% соответственно.

Таким образом, техническим результатом заявляемого способа является обеспечение возможности распознавания сигналов электрической активности отдельных нейронов в составе нейронного ансамбля по сигналам внеклеточного электрического потенциала при наличии помех. Данный способ также применим при решении более общей задачи выделения характерных паттернов в зашумленных сигналах.

1. Способ выделения сигналов импульсного типа по временным данным, заключающийся в том, что снимают сигнал, представляющий собой аддитивную сумму сигналов ансамбля систем, устанавливают пороговый уровень, проводят пороговое детектирование с последующим центрированием всех импульсов, амплитуда которых превышает пороговый уровень, определяют характерные формы импульсов каждой системы, соответствующие максимумам функции плотности распределения масштабных коэффициентов первых главных компонент, находят оптимальный набор параметров, максимизирующий различия между характерными формами импульсов в пространстве вейвлет-коэффициентов, проводят расчет коэффициентов вейвлет-преобразования при найденном оптимальном наборе параметров, отличающийся тем, что фильтрацию импульсов с использованием фильтра нижних частот проводят после расчета коэффициентов вейвлет-преобразования по характерным формам импульсов каждой системы, при этом частоту среза фильтра определяют в диапазоне 100-150 Гц из условия максимизации различий между характерными формами импульсов в пространстве вейвлет-коэффициентов.

2. Способ по п. 1, отличающийся тем, что характерные формы импульсов каждой системы определяют по максимумам функции плотности распределения коэффициентов вейвлет-преобразования.



 

Похожие патенты:

Изобретение относится к вычислительной технике и может быть использовано для создания арифметического ускорителя для решения больших систем линейных уравнений. Техническим результатом является уменьшение числа арифметических операций.

Изобретение относится к радиотехнике и может быть использовано в радиотелеметрических системах при приеме телеметрической информации. Технический результат - уменьшение времени вхождения в синхронизм.

Изобретение относится к системам обработки изображений. Техническим результатом является повышение качества восстановленных данных.

Изобретение относится к области цифровой обработки сигналов. Техническим результатом изобретения является создание ядра сопроцессора быстрого преобразования Фурье реального времени для автономного, параллельного с работой DSP - процессора (процессора цифровой обработки сигнала), выполнения быстрых преобразований Фурье комплексных массивов и некоторых сопутствующих операций, которое имеет следующие преимущества: ввод/вывод выполняются в реальном времени, параллельно с обработкой; входные/выходные данные для пользователя входных/выходных данных располагаются в прямом порядке; для расчетов и хранения данных в прямом порядке дополнительная память не требуется; форматы действительных/мнимых компонент входных и выходных данных: 32-разрядная плавающая точка (стандарт IEEE-754), 32-разрядная фиксированная точка (целое число, дополнительный код), 16-разрядная фиксированная точка (целое число, дополнительный код); формат вычислений: 32-разрядная плавающая точка; максимальный размер непосредственно выполняемого преобразования - 8192 К, минимальный - 16 К, предельный размер наращиваемого преобразования - 256 К.

Изобретение относится к области цифровой обработки сигналов и может быть использовано для решения задач неразрушающего контроля и диагностики оборудования на основе корреляционного анализа.

Изобретение относится к средствам для измерения времени прихода сигналов с двухпозиционной угловой манипуляцией на приемной позиции. Техническим результатом изобретения является повышение вычислительной эффективности и повышение точности измерения.

Изобретение относится к области вычислительной техники, в частности к устройствам, выполняющим операцию быстрого преобразования Хартли массива действительных чисел, и может быть использовано в системах и устройствах цифровой обработки сигналов.

Изобретение относится к области цифровой обработки сигналов и может быть использовано при обработке видео- и аудиосигналов в реальном масштабе времени. Техническим результатом является обеспечение выполнения различных подклассов дискретных полиномиальных преобразований (ДПП) и для реализации КИХ-фильтров с использованием заданной системы функций на конечном интервале длины N=2c.

Звуковое кодирующее устройство (10), приспособленное для кодирования фреймов квантованного звукового сигнала для получения кодированных фреймов, где фрейм включает ряд звуковых образцов временной области.

Группа изобретений относится к способу и устройствам для сжатия и отображения изображения. Техническим результатом является исключение ошибок аппроксимации вычисления обратного дискретного косинусного преобразования с использованием вычислений с фиксированной запятой.

Изобретение относится к области измерений, вычислительной техники и предназначено для прямого и обратного преобразования и фильтрации сигналов произвольной формы. Техническим результатом является уменьшение среднеквадратичной погрешности, максимального уклонения и ступенчатости восстановленного сигнала. Способ заключается в том, что используют ортогональные пилообразные вейвлет-напряжения, которые формируют интегрированием напряжений Уолша, формируют однополярные импульсы из напряжений Уолша, умножают пилообразные напряжения с числами секвент 4, 8 и 16 на однополярные импульсы напряжений, в результате чего формируют пилообразные вейвлет-напряжения, которые умножают на напряжения сигнала, интегрируют эти произведения на промежутках длиной 2l и, используя полученные значения интегралов, вычисляют значения коэффициентов преобразования bn в виде напряжений; при обратном преобразовании сигнала по пилообразным напряжениям: параллельно умножают ортогональные пилообразные напряжения на напряжения, соответствующие значениям коэффициентов разложения; параллельно суммируют полученные напряжения, восстанавливают сигнал либо, положив отдельные коэффициенты bn=0, фильтруют сигнал. 5 ил.

Изобретение относится к средствам фильтрации бинауральных воздействий в аудиопотоках и к средствам защиты индивидуального, группового и массового сознания граждан от скрытых вредоносных воздействий в аудиопотоках. Технический результат заключается в обеспечении возможности обнаружения вредоносных бинауральных воздействий в аудиопотоках. Вычисляют разницу между частотами левого и правого каналов звукового стереосигнала, затем оцифрованный звуковой сигнал представляют в виде некоторого набора отсчетов амплитуд, производимых через определенные промежутки времени и представляемых некоторым количеством двоичных разрядов, и путем преобразования Фурье представляют звуковой сигнал в виде коэффициентов, соответствующих амплитудам и фазам главных гармоник, после чего выявляют вредоносные частотные воздействия в аудиофайле. В результате появляется возможность защиты пользователей средств массовой коммуникации от скрытого вредоносного воздействия мультимедийного (аудио) контента в режиме реального времени. 4 ил., 1 табл.

Изобретение относится к области измерений, вычислительной техники и предназначено для прямого и обратного преобразования сигналов произвольной формы. Техническим результатом является уменьшение среднеквадратичной погрешности, максимального уклонения и ступенчатости восстановленного сигнала. Устройство содержит источник сигнала произвольной формы, интеграторы на операционных усилителях, отсчитывающие и запоминающие элементы, схемы вычисления коэффициентов преобразования, резисторы, операционный усилитель, генератор напряжений Уолша, формирователь ортогональных пилообразных напряжений, схемы умножения двух одновременно изменяющихся напряжений. 2 н.п. ф-лы, 14 ил.

Изобретение относится к области геофизики и может быть использовано для обработки данных сейсмической разведки. Раскрыт способ обращения для определения Q-фактора слоя посредством использования атрибута амплитудного спектра нисходящей волны из данных вертикального сейсмического профилирования в технологии обработки данных геофизической разведки. Согласно указанному способу сначала используют частотно-волновочисленный способ для осуществления разделения волнового поля для исходных данных вертикального сейсмического профилирования (ВСП), чтобы получить нисходящую волну. Выбирают нисходящую субволну и контрольную субволну для осуществления преобразования Фурье с тем, чтобы получить амплитудный спектр. Осуществляют полиномиальное приближение в отношении амплитудного спектра для того, чтобы получить эквивалентный Q-фактор, а затем используют соотношение между эквивалентным Q-фактором и Q-фактором слоя для осуществления обращения с тем, чтобы получить Q-фактор слоя. Предлагаемый способ характеризуется способностью противостоять случайным помехам и устранять различия между возбужденными субволнами. Технический результат - повышение точности получаемых данных. 4 ил.

Изобретения относятся к области цифровой связи и технологиям обработки речи в условиях зашумления. Технический результат заключается в повышении отношения сигнал-шум очищенного речевого сигнала. Применяют способы фильтрации зашумленного речевого сигнала в условиях сложной помеховой обстановки. Для чего используют результаты полиспектрального анализа с целью точной оценки спектральных характеристик шумового воздействия. В заявленных способах осуществляется спектральное вычитание с дополнительной коррекцией сигналов на основе процедуры эмпирической модовой декомпозиции и адаптивной цифровой фильтрацией низких частот с применением коэффициента бикорреляции, полученного путем анализа суммарной бикорреляции в зонах сосредоточения низкоплотностной области биамплитуды обрабатываемого сегмента зашумленного речевого сигнала. 3 н.п. ф-лы, 10 ил.
Наверх