[0001] 本实用新型涉及神经元信号分类领域，尤其涉及一种基于模板匹配的实时神经元峰电位分类系统。

[0002] 神经元信号记录技术的发展使得神经科学家可以记录到大脑单个神经元的电生理活动信息，这些信息是以峰电位(spike)或动作电位(action potential) 的形式存在。通过对记录到的群体的神经元电生理活动进行分析，可以解码神经电路或神经网络的功能，从而为理解大脑的功能提供了可能性。在体的神经元信号记录系统一般采用细胞外记录(extracellularrecording)方式。然而细胞外记录测量到的是电极周围几个神经元电生理活动的集合，分析这些活动需要算法分类出记录到的神经元信号(spike)到底是由哪一个神经元所发出的。执行此功能的系统就是神经元峰电位分类系统(spike sorting system)。

[0003] 早期的一些spike sorting算法使用spike的一些特征如幅值(amplitude)、持续时间(duration)、峰谷值(peak‑volley)来进行分类。之后一些经典的聚类算法如KNN(K Nearest Neighbor)、K‑means、Fuzzy C‑means、以及 Expectation Maximization(EM)等等也被应用到对spike的分类中，并在各自的应用中取得了较好的效果。然而这些算法对运行参数或者数据的分布结构有一些假设，需要一个调参的过程才可以达到最佳的效果。一种无参数、且无监督的分类算法‑超顺磁聚类算法(superparamagnetic clustering algorithm)被应用到对spike的分类之中，并以其优异的性能被广泛使用；且成为基准测试和其它的分类算法做比较。近年来spike sorting算法的发展趋势是对多通道记录系统的支持。已经发表的算系统中有可以支持到数千通道的。所有这些算法的进步极大的推进了神经科学的基础研究。

[0004] 尽管以上描述的算法都可以分类出精确的、单个神经元的spike信息。然而这些算法是设计用来处理记录结束之后的离线数据(offline data)，本质上是离线算法。是不能处理以流数据方式(streaming)测量的实时spike数据，并即时的得出分类结果(real‑time spike sorting)。而这种即时处理能力是神经电路闭环控制系统(neural closed‑loop control system)的基本要求。因为闭环控制系统要根据实时分类结果中神经元所编码的信息来即时的调控神经电路的功能。这种对神经电路即时调控的能力对常见的神经系统疾病(如帕金森、癫痫、抑郁症)的治疗和干预是必要的需求。

[0005] 在现有技术中，计算机设备运行上述算法对spike信号进行分类，计算机设备通常需要配置多核的CPU和GPU来加速算法的执行，运行分类算法的计算机设备在体积和功耗上面都有较大的劣势。实用新型内容

[0006] 本申请实施例提供了基于模板匹配的实时神经元峰电位分类系统，可以解决相关技术中计算机设备内置分类算法实现神经元信号的分类存在效率低和功耗高的问题。所述技术方案如下：

[0007] 第一方面，本申请实施例提供了一种基于模板匹配的实时神经元峰电位分类系统，包括：

[0008] 采集电极、放大器、模数转换电路、切换开关、分类装置和计算机设备；切换开关包括固定端、第一动端和第二动端；所述分类装置为硬件实现的电路，所述分类装置包括：峰电位识别电路、特征提取电路、模板分类电路；

[0009] 所述模数转换电路与所述固定端相连，所述第一动端与所述计算机设备相连，所述第二动端与所述峰电位识别电路相连，所述峰电位识别电路与所述特征提取电路相连，所述特征提取电路与模板分类电路相连。

[0010] 本申请一些实施例提供的技术方案带来的有益效果至少包括：

[0011] 计算机设备实现spike模板的训练，然后将训练好的spike模板发送给分类装置，该分类装置是硬件实现的数字电路，利用训练的spike模板对神经元信号进行分类，相对于现有技术中由计算机设备利用纯软件算法实现神经元信号的分类，实现在线方式对神经元进行进行分类，可以提高分类效率和降低运行功耗。

[0018] 下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。

[0019] 请参阅图1，本实用新型提供实施例的一种基于模板匹配的实时神经元峰电位分类系统的结构示意图，神经元峰电位实时分类系统包括：采集电极1、放大电路2、模数转换电路3、切换开关4、计算机设备5和分类装置6。

[0020] 其中，采集电极1与放大电路2相连，放大电路2与模数转换电路3相连，模数转换电路3与切换开关4的固定端相连，切换开关4的第一动端与计算机设备5相连，切换开关4的第二动端与分类装置6相连。

[0021] 其中，采集电路1用于采集测试对象的神经元信号，该神经元信号为模拟信号，放大电路2对神经元进行进行放大处理，模数转换信号对放大处理的神经元信号进行模数转换得到数字信号。在系统上电后，切换开关4的闸刀首先连接固定端和第一动端，计算机设备5开始工作，模数转换电路3采集的数字信号输入到计算机设备5，计算机设备5采集一段时长的数字信号，然后采用现有技术的方法对采集到的数字信号进行训练得到多个spike模板，每个spike模板对应一个类别，将得到的多个spike模板的参数发送给分类装置6进行存储。在完成spike模板的训练后，切换开关4的闸刀连接固定端和第二动端，分类装置6开始工作，分类装置6由纯硬件实现，例如：分类装置6由于FPGA(Field Programmable Gate Array，现场可编程阵列)和专用的数字集成电路实现。分类装置6根据计算机设备训练的多个spike模板对输入的神经元信号进行分类处理。

[0022] 其中，计算机设备5和分类装置6之间可以通过无线通信链路或有线通信链路进行通信，例如：有线通信链路包括光纤、双绞线或同轴电缆等，无线通信链路包括蓝牙通信链路、无线保真(WIreless‑FIdelity，Wi‑Fi)通信链路或微波通信链路等。

[0023] 本实施例由计算机设备实现spike模板的训练，然后通过硬件实现的分类装置利用训练的spike模板对神经元信号进行分类，相对于现有技术中由计算机设备利用纯软件算法实现神经元信号的分类，可以提高分类效率和降低运行功耗。

[0024] 在一个或多个可能的实施例中，参见图2所示，分类装置6包括：峰电位识别电路61、特征提取电路62和模板分类电路63。峰电位识别电路61与特征提取电路62相连，特征提取电路62和模板分类电路63相连。峰电位识别电路 61识别检测到的神经元信号是否为spike信号，检测的方法可以使用阈值法或 NEO能量法，在检测到的神经元信号为spike信号时，特征提取电路62提取spike 信号的特征，模板分类电路63根据特征提取电路62提取的特征，利用预存储的spike模板确定spike信号的类别。

[0025] 进一步的，参见图3所示，峰电位识别电路61包括：峰电位探测电路611、峰值定位电路612和对齐电路613，峰电位探测电路611将来自模数转换电路的数字信号x[n]是否为spike信号，若为是，峰值定位电路612确定spike信号的最大峰值位置，对齐电路613将ispike信号的最大峰值位置进行对齐处理得到第 i个spike信号x[n]。

[0026] 进一步的，参见图3所示，峰电位探测电路611包括：第一延迟寄存电路 71、第二延迟寄存电路72、第一乘法电路81、第二乘法电路82、减法电路9、绝对值电路11和比较电路10。

[0027] 其中，第一延迟寄存电路71的输入端与模数转换电路的输出端相连，模数转换电路输出的数字信号为x[n]，第一延迟寄存器71的第一输出端与第一乘法电路81的第一输入端相连，第一延迟寄存器71的第二输出端与第一乘法电路 81的第二输入端相连，第一延迟寄存器71在第一输出端和第二输出端输出的数字信号为x[n‑1]。第一乘法电路81的输出端与减法电路9的第一输入端相连，减法电路9的输出端与比较电路10的第一输入端相连；

[0028] 第二延迟寄存器72的输入端与模数转换电路的输出端相连，第二乘法电路 82的第一输入端与模数转换电路的输出端相连，第二延迟寄存电路72的输出端与第二乘法电路82的第二输入端相连，第二延迟寄存电路72输出的数字信号为x[n‑2]，第二乘法电路82的输出端与减法电路9的第二输入端相连。

[0029] 绝对值电路的输入端与模数转换电路的输出端相连，绝对值电路的输出端与比较电路的第二输入端相连。

[0030] 比较电路的第三输入端用于输入第一阈值或第二阈值。

[0031] 其中，峰电位探测电路实现NEO或阈值两种探测spike信号。延迟寄存电路用于模数转换电路输入的历史数字信号，乘法电路执行乘法操作，加法电路执行加法操作，减法电路执行减法操作，绝对值电路执行绝对值操作。第一阈值为Td，第二阈值为Tneo，在峰电位探测电路使用阈值探测spike信号时，绝对值电路计算输入的数字信号x[n]的绝对值，然后将绝对值与阈值Td做比较来检测是否探测到了潜在的spike信号。或减法电路9输出数字信号xNEO[n]，将xNEO[n] 与Tneo进行比较来判断潜在的spike信号。具体使用哪一种方法硬件会根据选择自动使用对应的阈值进行判断。

[0032] 进一步的，特征提取电路62使用小波分解的方式提取spike信号的特征，参见图4所示，特征提取电路62包括一级小波分解电路621、二级小波分解电路622、三级小波分解电路623、四级小波分解电路624、复用电路625。

[0033] 其中，一级小波分解电路621的输入端与峰电位识别电路的输出端相连，一级小波分解电路621的第一输出端与复用电路625的第一输入端相连，一级小波分解电路621的第二输出端与二级小波分解电路622的输入端相连，一级小波分解电路621在第一输出端输出L1小波系数(L1 coefficient)。

[0034] 二级小波分解电路622的第一输出端与复用电路625的第二输入端相连，二级小波分解电路622的第二输出端与三级小波分解电路623的输入端相连，二级小波分解电路622在第一输出端输出L2小波系数(L2 coefficient)。

[0035] 三级小波分解电路623的第一输出端与复用电路625的第三输入端相连，三级小波分解电路623的四级小波分解电路624的输入端相连，三级小波分解电路623的第一输出端和第二输出端均输出L3小波系数(L3 coefficient)。

[0036] 四级小波分解电路的输出端与复用电路615的第四输入端相连，四级小波分解电路624的输出端输出L4小波系数(L4 coefficient)。复用电路625的输出端与模板分类电路相连。

[0037] 本实施例的特征提取电路的功能在于将峰电位识别电路61输出的spike信号xi[n]分解为对应的小波系数，

[0038] 其中，上述的各个小波分解电路的结构相同，参见图4所示，小波分解电路包括：第一右位移电路121、第二右位移电路122、第三右位移电路123、第四右位移电路124、第五右位移电路125、第一加法电路131、第二加法电路132、第三加法电路133、第四加法电路134、时序控制电路14、减法电路15和第五加法电路135。

[0039] 当小波分解电路为一级小波分解电路时，第一右位移电路121～第五右位移电路125的输入端与峰电位识别电路61的输出端相连；当小波分解电路为二级小波分解电路、三级小波分解电路或四级小波分解电路时，第一右位移电路121～第五右位移电路125的输入端与上一级的小波分解电路的输出端相连。

[0040] 第一右位移电路121的输出端与第一加法电路131的第一输入端相连，第二右位移电路的输出端与第一加法电路131的第二输出端相连；第二右位移电路122的输出端与第一加法电路131的第二输入端相连；第三右位移电路123 的输出端与第二加法电路132的第一输入端相连，第四右位移电路124的输出端与第二加法电路132的第二输入端相连；第五右位移电路125的输出端与第四加法电路的第二输入端相连。第一加法电路131的输出端与第三加法电路133 的第一输入端相连，第二加法电路132的输出端与第三加法电路133的第二输入端相连，第三加法电路133的输出端与第四加法电路134的第一输入端相连。

[0041] 第四加法电路134的输出端与时序控制电路14的输入端相连，时序控制电路14的第一输出端与减法电路15的第一输入端和第五加法电路135的第一输入端相连，时序控制电路14的第二输出端与减法电路15的第二输入端和第五加法电路135的第二输入端相连。

[0042] 其中，第一右位移电路121实现右移1位的操作，第二右位移电路122实现右移3位的操作，第三右位移电路123实现右移4位的操作，第四右位移电路124实现右移6位的操作，第五右位移电路125实现125的操作，上述的右位移电路配合第一加法电路131～第四加法电路134实现 的运算。

[0043] 需要说明的是，本申请中小波分解电路的硬件结构中可仅设计一级小波变换，然后采用循环复用的方式来完成四级小波变换的计算以节省硬件资源。进一步的，在本申请中，为了减少计算的延迟、增强计算的实时性，硬件同时实现了四级的小波变换；以达到并行输出4级小波系数的目的，从而降低系统延迟。

[0044] 进一步的，参见图5所示，模板分类电路63包括：选择开关、相关系数计算电路、模板存储电路、欧式距离计算电路、取最大值电路、取最小值电路，第一阈值比较电路，第二阈值比较电路和ID输出电路。选择开关有两个开关通道，选择开关可以选择其中的任意一个开关通道进行导通。

[0045] 其中，选择开关的输入端与特征提取电路的输出端相连，选择开关的第一输出端与相关系数计算电路的第一输入端相连，选择开关的第二输出端与欧式距离计算电路的第一输入端相连，选择开关的控制端与ID输出电路的控制端相连。相关系数计算电路的第二输入端与模板存储电路相连，欧式距离计算电路的第二输入端与模板存储电路相连，相关系数计算电路通过取最大值电路、第一阈值比较电路和ID输出电路的第一输入端相连。欧式距离计算电路的输出端通过取最小值电路和第二阈值比较电路与ID输出电路的第二输出端相连。

[0046] 其中，模板存储电路中存储的多个模板是由图1中的计算机设备训练得到的，相关系数计算电路计算相关系数(Correlation Coefficient，CC)，欧式距离计算电路计算欧式距离(Euclidean Distance，ED)。选择开关可以根据复选信号(select CM/ED)来决定使用CC来进行分类还是使用ED来分类。当选择开关选择CC进行分类时，选择开关的第一输出端导通，相关系数计算电路计算特征提取电路输出的数字信号和各个模板之间的相关系数，取最大值电路在计算得到的多个相关系数中确定最大值，第一阈值比较电路判断确定的最大值是否小于TCM(模板边界)，若为是，ID输出电路输出最大值对应的模板的ID；当选择开关选择ED进行分类时，选择开关的第二输出端导通，欧式距离计算电路计算特征提取电路输出的数字信号和各个模板之间的欧式距离，取最小值电路在计算得到的多个欧式距离中确定最小值，第二阈值比较电路判断确定的最小值是否小于TED，若为是，ID输出电路输出最小值对应的目标的ID。

[0047] 以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。