一種基于信息熵的神經電活動相關性分析方法與流程

本發明涉及生物信息處理技術領域，具體涉及一種基于信息熵的神經電活動相關性分析方法。

背景技術：

研究神經信息的編碼與整合，及最終轉換成有意義知覺的神經機理，是神經科學的重要內容之一。目前主要是用微電極陣列記錄神經元群體的胞外電活動，通過分析特定行為任務下神經元的放電行為，來解析神經系統如何進行“神經元”的編碼和感知。

應用在體多通道神經信息采集系統，記錄的神經電活動原始數據中包含了兩類不同模態的信息：神經元集群發放spikes和局部場電位(localfieldpotentials，lfps)。在認知過程中，這兩類不同模態的神經電活動不僅都參加了對輸入信息(如工作任務)的編碼；而且兩者之間的相關在實現某一種工作任務時加強，協同編碼了信息。因此探索多通道spike和lfp在認知過程中是如何協同編碼的認知機制，發展新型的神經信息協同編碼理論和方法，是神經科學、認知科學和信息科學面臨的挑戰性科學問題。目前國內外研究spike-lfp協同編碼的核心觀點是兩者在頻域的相干分析，即計算一個窗口中神經元發放spike序列(離散的點過程)的頻譜和相應通道的lfp頻譜，估計這個窗口中spike和lfp頻譜的相干。由于在記憶認知過程中的神經電活動，具有高度的非線性，因此研究兩類神經信號之間的協同編碼，應該從spike-lfp在頻域的相干和在時域非線性相關兩個方面共同考慮。信息熵是隨機事件的不確定性及信息量的量度，又可以反映由偏度、峰度代表的不規律性，能夠表征在特定時間一起協同工作的神經元群體非線性動態特點，適用于神經元電活動的非線性特點研究。應用多通道神經信息采集系統獲取的神經電活動數據，在matlab平臺上提出神經元集群發放編碼和局部場電位的熵編碼理論和算法，分別計算記憶過程神經元集群發放的信息熵和局部場電位的信息熵，應用信息熵來進行記憶過程前額葉皮層神經元群體的非線性信息處理；通過滑動窗口的動態信息熵，表征記憶過程神經信息的動態編碼特點。基于兩種不同模態信息的信息熵，應用相關性分析研究記憶過程中兩種不同模態信息變化的相關性，表征記憶過程神經信息的時空整合特點。

技術實現要素：

本發明所要解決的技術問題是，提供一種基于信息熵的神經電活動相關性分析方法。

為了解決上述技術問題，本發明采用的技術方案是：一種基于信息熵的神經電活動相關性分析方法，包括下列步驟：

(1)應用多通道神經信息采集系統獲取的神經電活動數據；

(2)通過滑動窗口，分別計算記憶過程神經元集群發放spikes的信息熵和局部場電位lfps的信息熵，應用信息熵來進行記憶過程前額葉皮層神經元群體的非線性信息的動態編碼特點；

(3)基于兩種不同模態信息的信息熵，應用相關性分析研究記憶過程中兩種不同模態信息變化的相關性。

所述步驟(2)中，計算記憶過程神經元集群發放spikes的信息熵的步驟為：

1)獲取神經元群體發放的間隔isi序列；

2)根據發放序列的特點，設定窄帶帶寬，再用等帶寬的連續窄帶分割isi序列，設窄帶個數為n，得到每個窄帶中包含的發放脈沖個數，si(i＝1,2,…,n)；

3)根據計算出第i個窄帶的概率，pi(i＝1,2,…,n)，再將pi代入中得到序列的熵值。

所述步驟(2)中，計算記憶過程局部場電位lfps的信息熵的步驟為：

1)首先根據時頻分析獲取記憶過程中lfps的特征頻段，應用帶通濾波器提取特征頻段；

2)對于lfp特征頻段信號，根據lfp幅值的分布，設定窄帶帶寬，再用等帶寬的連續窄帶分割lfp幅值序列，設窄帶個數為n，得到每個窄帶中包含的幅值個數，ai(i＝1,2,…,n)；

3)根據計算出第i個窄帶的概率pi(i＝1,2,…,n)，再將pi代入中得到序列的熵值。

通過優化選取時間窗口移動步長l，滑動窗口(k＝1,2,…..n)直到神經元群體放電時空序列結束為止；在每一步計算第k步的時間窗口內神經元集群發放的信息熵；通過窗口移動實現動態spike熵編碼；計算在整個時間歷程的神經元發放熵的變化，表達整個時間歷程神經元集群的熵編碼。

通過優化選取時間窗口移動步長l，滑動窗口(k＝1,2,…..n)直到lfps序列結束為止，在每一步計算第k步的時間窗口內lfps的信息熵；計算在整個時間歷程的lfps熵的變化，表達整個時間歷程lfps熵編碼。

所述步驟(2)中，通過滑動窗口內信息熵的變化，動態地表征記憶過程神經元電活動的編碼特點。

所述步驟(3)中，對spikes與lfps的熵值進行相關分析，作出spikes-lfps熵值的動態相關地形圖；相關性分析用來描述兩個變量間的相關程度的大小，對于變量x1×n，y1×n，其相關系數計算公式如下：

其中i表示第i個窗口，xi,yi分別代表在第i個窗口內spikes和lfps的熵，相關系數rxy知道兩個變量相關性的強弱。

本發明的有益效果是：利用多通道神經信息采集記錄儀cerebus，結合matlab的數據處理功能，提出一種基于信息熵的神經電活動相關性分析方法。本發明基于神經信息多樣化的特點將非線性、模式分析方法相結合，應用信息熵表征在特定時間一起協同工作的神經元群體非線性動態特征，適用于神經元電活動的非線性特點研究。在認知過程中，不同模態的神經電活動(局部場電位和鋒電位)之間的相關性加強，協同表征了認知信息，發展了一種新型的神經信息協同編碼方法。

附圖說明

圖1是本發明基于信息熵的神經電活動相關性分析方法的流程圖。

圖2是實驗設計和實施圖((a)神經信息采集的流程；(b)y迷宮工作記憶行為范式；(c)實驗的時間線設計；(d)大鼠前額葉皮層的定位)。

圖3是工作記憶中兩組大鼠前額葉皮層spikes與lfps(theta/gamma頻段)熵值的動態變化圖((a)spikes熵值的動態變化；(b)spikes熵的峰值比較；(c)spikes熵的均值比較；(d)theta頻段lfps熵值的動態變化；(e)theta頻段lfps熵的峰值比較；(f)theta頻段lfps熵的均值比較；(g)gamma頻段lfps熵值的動態變化；(h)gamma頻段lfps熵的峰值比較；(i)gamma頻段lfps熵的均值比較)

圖4是工作記憶中大鼠前額葉皮層spikes與theta\gamma頻段lfps熵值的動態相關圖((a)spikes與theta頻段lfps熵值的動態相關；(b)spikes與theta頻段lfps熵相關的峰值比較；(c)spikes與theta頻段lfps熵相關的變化比較；(d)spikes與gamma頻段lfps熵值的動態相關；(e)spikes與gamma頻段lfps熵相關的峰值比較；(f)spikes與gamma頻段lfps熵相關的變化比較)。

具體實施方式

如圖1所示，本發明的基于信息熵的神經電活動相關性分析方法，包括下列步驟：

(1)應用多通道神經信息采集系統獲取的神經電活動數據；

(2)通過滑動窗口，分別計算記憶過程神經元集群發放spikes的信息熵和局部場電位lfps的信息熵，應用信息熵來進行記憶過程前額葉皮層神經元群體的非線性信息的動態編碼特點；

(3)基于兩種不同模態信息的信息熵，應用相關性分析研究記憶過程中兩種不同模態信息變化的相關性。

具體地說：

1.信息熵(shannon熵)的定義：

對于包含n個元素{xi}(i＝1,2,…，n)的序列，若其中第j個元素出現的概率為pi，則這個序列的shannon熵e被定義為：

當公式(1)中的對數底為2時，熵的單位為比特(bit)；對數底為e時，熵的單位為奈特(nat)。

2.spike熵編碼的基本思路：

(1)獲取神經元群體發放的間隔(inter-spikeinterval，isi)序列；

(2)根據發放序列的特點，設定窄帶帶寬，再用等帶寬的連續窄帶分割isi序列，設窄帶個數為n，得到每個窄帶中包含的發放脈沖個數，si(i＝1,2,…,n)；

(3)根據計算出第i個窄帶的概率pi(i＝1,2,…,n)，再將pi代入公式(1)中得到序列的熵值。

通過優化選取時間窗口移動步長l，向前一步步移動時間窗口(k＝1,2,…，n)直到神經元群體放電時空序列結束為止。在每一步計算第k步的時間窗口內神經元集群發放的信息熵。通過窗口移動實現動態spike熵編碼。計算在整個時間歷程的神經元發放熵的變化，表達整個時間歷程神經元集群的熵編碼。

3.lfp熵編碼的基本思路：

(1)首先根據時頻分析獲取記憶過程中lfps的特征頻段，應用帶通濾波器提取特征頻段。

(2)對于lfp(特征頻段)信號，根據lfp幅值的分布，設定窄帶帶寬，再用等帶寬的連續窄帶分割lfp幅值序列，設窄帶個數為n，得到每個窄帶中包含的幅值個數，ai(i＝1,2,…,n)；

(3)根據計算出第i個窄帶的概率pi(i＝1,2,…,n)，再將pi代入公式(1)中得到序列的熵值。

通過優化選取時間窗口移動步長l，向前一步步移動時間窗口(k＝1,2,…..n)直到lfps序列結束為止，在每一步計算第k步的時間窗口內lfps的信息熵。計算在整個時間歷程的lfps熵的變化，表達整個時間歷程lfps熵編碼。

4.spikes-lfps熵值相關的協同編碼

對spikes與lfps的熵值進行相關分析，作出spikes-lfps熵值的動態相關地形圖。相關性分析可以用來描述兩個變量間的相關程度的大小。對于變量x1×n，y1×n，其相關系數計算公式如下：

其中i表示第i個窗口，xi,yi分別代表在第i個窗口內spikes和lfps的熵，相關系數可以知道兩個變量相關性的強弱。

本發明應用多通道神經信息采集系統獲取的神經電活動數據，在matlab平臺上提出神經元集群發放編碼和局部場電位的熵編碼理論和算法，分別計算記憶過程神經元集群發放的信息熵和局部場電位的信息熵，應用信息熵來進行記憶過程前額葉皮層神經元群體的非線性信息處理；通過移動窗口的動態信息熵，表征記憶過程神經信息的動態編碼特點。基于兩種不同模態信息的信息熵，應用相關性分析研究記憶過程中兩種不同模態信息變化的相關性，表征記憶過程神經信息的時空整合特點。

本發明基于matlab環境開發的，與專用數據分析系統相比，具有更強的通用性和可擴展性。該系統工作穩定，操作簡單，可以實時給出神經元基本生理特性的定量分析結果，為實驗數據的進一步分析和實驗方案的改進提供了便利的參考信息。本發明能夠在實驗過程及離線后提供定量的神經電活動信息熵和相關性變化信息，提高神經電生理實驗的效率，開發了基于信息熵的實時神經信息相關性分析的工具箱，為后期的深入數據分析提供參考。

本發明以多通道神經信息采集記錄儀cerebus作為生物電信號采集系統，該系統通道dsp硬件模塊實現了數字信息的在線處理，包括放大、濾波，以及不同模態神經信息提取和神經元的分類(spikesorting)。生物電信號采集系統采集到的神經元放電信號經前置放大器放大，并進行模數轉換后，經過濾波后的原始波形和硬件分類后的動作電位的時間點(timestamps)通過高速數據接口輸入單位放電分析系統，貯存在專門數據存儲區，采圖單元central圖形采集模塊記錄神經元，為用戶提供一個把專用系統(spike)和定制系統(raster)結合起來的平臺。

應用matlab編程語言實現了大量數據分析。matlab單元直接從central記錄數據庫中讀取數據，包括原始波形、動作電位時間點、行為學參考點等，并在matlab單元中給出神經信息的初步分析結果。用戶只需輸入分析的對象描述，包括本次實驗數據的文件名、特定數據段的編號，以及所存儲數據的標注名稱，提供詳細的參數信息，如時間窗的大小、移動步長和計算的時間范圍等，就直接可以得到相應的分析結果。分析結果直觀且便于進一步分析。針對認知過程中變化的序列，利用matlab實現了對認知任務中神經元電活動的實時和定量的評價。

下面結合具體實施例對本發明進行詳細說明：

實施例：

1.生物電信號的采集

應用生物電信號采集系統--多通道神經信息采集記錄儀cerebus，采集正常組、記憶障礙(aβ模型)組大鼠在y迷宮工作記憶過程中前額葉皮層的的多通道神經信息，具體如圖2所示。基于帶通濾波器提取局部場電位lfps(0.3-500hz)和鋒電位spikes(250hz–5000hz)。

2.正常、記憶障礙(aβ模型)組前額葉皮層spikes、lfps熵值動態變化

從圖3中可以看出，正常組spikes熵在整個時間歷程中均高于模型組的熵。工作記憶過程中，正常組spikes熵、theta頻段lfps熵、gamma頻段lfps熵均增加，在行為事件參考點前達到峰值，然后下降至初始水平。經過統計分析，正常組spikes熵的峰值(0.283±0.010)高于模型的熵的峰值(0.194±0.011)(p<0.05)；正常組spikes熵的均值(0.182±0.011)高于模型組熵的均值(0.148±0.011)。正常組theta頻段lfps熵的峰值(0.969±0.017)高于模型組熵的峰值(0.0749±0.016)(p<0.05)；熵的均值(0.373±0.010)高于模型組熵的均值(0.171±0.006)。正常組gamma頻段lfps熵的峰值(0.962±0.010)高于模型的峰值(0.936±0.010)(p<0.05)；熵的均值(0.223±0.011)高于模型組熵的均值(0.193±0.011)。

3.spikes與theta/gamma頻段lfps熵值的動態相關分析

如圖4所示，與模型組相比，正常組spikes與theta/gamma頻段lfps熵值均具有較強的相關性。經過統計分析，正常組spikes與theta頻段lfps相關的峰值(0.400±0.009)高于模型組的相關值(0.237±0.010)(p<0.05)。正常組spikes與theta頻段lfps相關的變化(0.098±0.016)高于模型組相關的變化(0.042±0.017)。正常組spikes與gamma頻段lfps相關的峰值(0.413±0.009)高于模型組的相關值(0.244±0.011)(p<0.05)。正常組spikes與gamma頻段lfps相關的變化(0.089±0.016)高于模型組相關的變化(0.040±0.016)。

綜上所述，本發明的內容并不局限在上述的實施例中，相同領域內的有識之士可以在本發明的技術指導思想之內可以輕易提出其他的實施例，但這種實施例都包括在本發明的范圍之內。