一种峰电位分类算法及其CUDA实现的研究
发布时间：2021-08-20 04:03
峰电位分类将一个电极检测到的多种峰电位分类,与单个神经元对应,是神经科学研究中脑电信号预处理的基本步骤之一,也是植入式脑-机接口研究中的一个重要方向。随着电极技术的发展,多个电极可以同时采集脑电信号,导致人工参与峰电位分类的工作量大,对峰电位分类过程提出了自动化无监督的要求。另一方面,电极通道数增加也带来了峰电位分类耗时较大的问题。针对现有峰电位分类算法提取的特征表征能力不强,导致噪声大的时候类别混叠,分类效果差的问题,本文提出LDADP算法,通过线性判别分析（Linear Discriminant Analysis,LDA）和密度峰值聚类（Clustering by Density Peak,DP）的迭代提高特征空间的表征能力,利用聚合策略实现类别数目的确定,可以实现自动无监督地完成峰电位分类;针对多通道峰电位分类算法的并行计算特性,本文基于图形处理器和统一设备计算架构（Compute Unified Device Architecture,CUDA）优化LDADP算法,通过将不同通道产生的数据并行处理,对算法中的运算步骤设计并行实现方式,...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
图１．２峰电位处理过程
图ｉ．ｉ动作电位产生的过程??峰电位的处理流程包括滤波、检测与分类，其中分类包括特征提取和聚类两??个步骤，图１．２所示为峰电位处理流程。电极记录的电信号经过带通滤波得到未??分类的峰电位信号，由电极附近神经元的动作电位与背景噪声叠加而成，如图】．２??（ａ）所示；峰电位检测将神经元发放的峰电位从原始信号中提取出来，检测到??的峰电位如图１．２?（ｂ）所示，可以看到３种峰电位波形混合在一起；峰电位分类??将同一个电极记录到的多种峰电位根据波形划分成不同的类别，与单个神经元对??应［３］，一般包括特征提取和聚类两个过程［４］，如图１．２?（ｃ）、图１．２?（ｄ）所示，特??征提取要寻找能够将峰电位与背景噪声或其他神经元产生的峰电位区分开的特??征，聚类则是根据相异度和相似度对峰电位进行分类。分类后的结果如图１．３所??示，一般来说，同一个神经元产生的峰电位波形都是相似的，不同的神经元产生??的峰电位波形是不同的［５］
计算能力更强的处理器平台。图形处理器（Ｇｒａｐｈｉｃ?Ｐｒｏｃｅｓｓ?Ｕｎｉｔ，?ＧＰＵ）技术几年??来发展非常迅速，其计算能力越来越强于中央处理器（Ｃｅｎｔｒａｌ?Ｐｒｏｃｅｓｓｉｎｇ?Ｕｎｉｔ，??ＣＰＵ）。如图１＿４和图１．５所示，英伟达（Ｎｖｉｄｉａ）?ＧＰＵ的浮点计算性能在２０１２年??突破了每秒３千亿万次，吞吐量提高了?３０％ｔ｜９ｌ，?２０１６年浮点计算性能突破每秒??１万亿万次，Ｇｅｆｏｒｃｅ系列ＧＰＵ内存带宽突破每秒７百亿万ＧＢＭ１。不断加强的??计算性能，使得ＧＰＵ在通用计算领域成为热点，专用于解决数据并行计算的问??题，计算密度极高。英伟达Ｔｅｓｌａ系列板卡与Ｇｅｆｏｒｃｅ系列板卡是专用于科学计??算的计算卡，为科学计算提供了很大的加速比，能够实现大规模科学计算，极大??地促进了数据科学以及深度学习领域的发展。??Ｔｈｅｏｒｅｔｉｃａｌ?６ｆＬ０Ｐ／ｓ?ａｔ?ｂａｓｅ?ｄｏｃｈ??Ｊ１０００?－ｒ??－＾ＮＶＩＤＩＡ?ＧＰＵ?Ｓｉｎｆｉｆ?Ｐｒｃｃｍｏｎ??１００００?＊?／??＾＾？ＮＶＩＤＩＡ?ＧＰＵ?Ｄｏｕｂｌｅ?Ｐｒｅｔｗｏｎ?／??９Ｓ〇°?；?一物丨和—?／??９０００?｜?／??８５００?ｉ?／??８０００?４?／??７５００?ｔ?／??ｚ＼?Ｊ??Ｓ５００?ｊ??ｓｏｏｏ?ｔ?／?／??
本文编号：3352772
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
图１．２峰电位处理过程
图ｉ．ｉ动作电位产生的过程??峰电位的处理流程包括滤波、检测与分类，其中分类包括特征提取和聚类两??个步骤，图１．２所示为峰电位处理流程。电极记录的电信号经过带通滤波得到未??分类的峰电位信号，由电极附近神经元的动作电位与背景噪声叠加而成，如图】．２??（ａ）所示；峰电位检测将神经元发放的峰电位从原始信号中提取出来，检测到??的峰电位如图１．２?（ｂ）所示，可以看到３种峰电位波形混合在一起；峰电位分类??将同一个电极记录到的多种峰电位根据波形划分成不同的类别，与单个神经元对??应［３］，一般包括特征提取和聚类两个过程［４］，如图１．２?（ｃ）、图１．２?（ｄ）所示，特??征提取要寻找能够将峰电位与背景噪声或其他神经元产生的峰电位区分开的特??征，聚类则是根据相异度和相似度对峰电位进行分类。分类后的结果如图１．３所??示，一般来说，同一个神经元产生的峰电位波形都是相似的，不同的神经元产生??的峰电位波形是不同的［５］
计算能力更强的处理器平台。图形处理器（Ｇｒａｐｈｉｃ?Ｐｒｏｃｅｓｓ?Ｕｎｉｔ，?ＧＰＵ）技术几年??来发展非常迅速，其计算能力越来越强于中央处理器（Ｃｅｎｔｒａｌ?Ｐｒｏｃｅｓｓｉｎｇ?Ｕｎｉｔ，??ＣＰＵ）。如图１＿４和图１．５所示，英伟达（Ｎｖｉｄｉａ）?ＧＰＵ的浮点计算性能在２０１２年??突破了每秒３千亿万次，吞吐量提高了?３０％ｔ｜９ｌ，?２０１６年浮点计算性能突破每秒??１万亿万次，Ｇｅｆｏｒｃｅ系列ＧＰＵ内存带宽突破每秒７百亿万ＧＢＭ１。不断加强的??计算性能，使得ＧＰＵ在通用计算领域成为热点，专用于解决数据并行计算的问??题，计算密度极高。英伟达Ｔｅｓｌａ系列板卡与Ｇｅｆｏｒｃｅ系列板卡是专用于科学计??算的计算卡，为科学计算提供了很大的加速比，能够实现大规模科学计算，极大??地促进了数据科学以及深度学习领域的发展。??Ｔｈｅｏｒｅｔｉｃａｌ?６ｆＬ０Ｐ／ｓ?ａｔ?ｂａｓｅ?ｄｏｃｈ??Ｊ１０００?－ｒ??－＾ＮＶＩＤＩＡ?ＧＰＵ?Ｓｉｎｆｉｆ?Ｐｒｃｃｍｏｎ??１００００?＊?／??＾＾？ＮＶＩＤＩＡ?ＧＰＵ?Ｄｏｕｂｌｅ?Ｐｒｅｔｗｏｎ?／??９Ｓ〇°?；?一物丨和—?／??９０００?｜?／??８５００?ｉ?／??８０００?４?／??７５００?ｔ?／??ｚ＼?Ｊ??Ｓ５００?ｊ??ｓｏｏｏ?ｔ?／?／??
本文编号：3352772
本文链接：https://www.wllwen.com/yixuelunwen/swyx/3352772.html
