本发明涉及峰电位图像重建领域，具体涉及一种基于峰电位发放时间间隔的图像重建方法及装置。
背景技术：
峰电位是神经元之间进行信息整合和传递的重要信号形式，在复杂的神经网络中，峰电位信号的有效特征编码了外界刺激的信息。在图像重建技术领域，利用神经元峰电位信号的有效特征重建图像作为有别于对外界刺激进行分类和识别的解码方式，目前的研究多集中于对亮度信息或者简单的人工字符的重建，图像重建的信号特征包括峰电位发放率和fmri(functionalmagneticresonanceimaging，功能性磁共振成像)等,较少考虑峰电位信号中的时间结构信息。
技术实现要素：
为解决上述问题，本发明提供一种基于峰电位发放时间间隔的图像重建方法及装置。
本发明的技术方案是：一种基于峰电位发放时间间隔的图像重建方法，包括以下步骤：
提取峰电位的发放时间间隔特征；
根据峰电位的发放时间间隔特征，利用神经网络学习算法构建重建模型；
基于所构建的重建模型对图像进行重建。
进一步地，提取峰电位的发放时间间隔特征，具体为：
设定一帧视觉刺激下的神经元响应时间；
获得响应时间内的神经元发放时间序列(t0，t1，…，tn)；
计算响应时间内相邻峰电位的发放时间间隔δti＝ti 1-ti，统计时间间隔集合[δt1，δt2，…，δtn]；
根据时间间隔集合设定多个时间窗口长度；
统计落入每个时间窗口长度的时间间隔个数，记为
统计多个电极通道记录的神经元峰电位信号发放时间间隔响应特征矩阵为：
其中，m为共有m个电极通道，n为共有n个时间窗口长度。
进一步地，所设定时间窗口长度中最大的时间不小于发放时间间隔δti中的最大值。
进一步地，利用神经网络学习算法构建重建模型指利用卷积神经网络学习算法构建重建模型。
进一步地，所构建重建模型的输出为图像的灰度值。
本发明的技术方案还包括一种基于峰电位发放时间间隔的图像重建装置，包括，
特征提取模块：提取峰电位的发放时间间隔特征；
模型构建模块：根据峰电位的发放时间间隔特征，利用神经网络学习算法构建重建模型；
图像重建模块：基于所构建的重建模型对图像进行重建。
进一步地，特征提取模块包括，
响应时间设定单元：设定一帧视觉刺激下的神经元响应时间；
发放时间序列获取单元：获得响应时间内的神经元发放时间序列(t0，t1，…，tn)；
时间间隔计算单元：计算响应时间内相邻峰电位的发放时间间隔δti＝ti 1-ti，统计时间间隔集合[δt1，δt2，…，δtn]；
时间窗口设定单元：根据时间间隔集合设定多个时间窗口长度；
时间间隔个数统计单元：统计落入每个时间窗口长度的时间间隔个数，记为
响应特征矩阵统计单元：统计多个电极通道记录的神经元峰电位信号发放时间间隔响应特征矩阵为：
其中，m为共有m个电极通道，n为共有n个时间窗口长度。
进一步地，时间窗口设定单元所设定时间窗口长度中最大的时间不小于发放时间间隔δti中的最大值。
进一步地，模型构建模块利用卷积神经网络学习算法构建重建模型。
进一步地，模型构建模块所构建重建模型的输出为图像的灰度值。
本发明提供的一种基于峰电位发放时间间隔的图像重建方法及装置，通过提取峰电位信号中的发放时间间隔特征，结合非线性的神经网络重建模型，有效地对复杂的灰度图像进行重建。
附图说明
图1是本发明具体实施例一方法流程示意图；
图2是本发明具体实施例二结构示意框图。
具体实施方式
下面结合附图并通过具体实施例对本发明进行详细阐述，以下实施例是对本发明的解释，而本发明并不局限于以下实施方式。
实施例一
如图1所示，本实施例提供一种基于峰电位发放时间间隔的图像重建方法，包括以下步骤：
s1，提取峰电位的发放时间间隔特征；
动作电位序列的发放时间间隔分布也对外界刺激进行了编码，作为神经元时间编码模式中的常用特征，神经元放电序列的isi(inter-spikeinterval，峰电位发放时间间隔)通常是不规则的，这种不规则的时序间隔可能蕴含着丰富的信息编码，因此本实施例通过提取峰电位的发放时间间隔进行训练以重建图像。
该步骤根据获取的峰电位信号时间序列，统计视觉刺激下峰电位信号时间序列中相邻两个峰电位信号的发放时间间隔，设定时间窗口的长度，对符合每个时间窗口长度的发放时间间隔进行计数，具体方法如下：
(1)设定一帧视觉刺激下的神经元响应时间；
需要说明的是，神经元响应时间根据需要或具体情况设定；
(2)获得响应时间内的神经元发放时间序列(t0，t1，…，tn)。
(3)计算响应时间内相邻峰电位的发放时间间隔δti＝ti 1-ti，统计时间间隔集合[δt1，δt2，…，δtn]；
(4)根据时间间隔集合设定多个时间窗口长度；
(5)统计落入每个时间窗口长度的时间间隔个数，记为
在[δt1，δt2，…，δtn]中的数值有大有小，该方法划定多个不同的时间窗口长度，比如0s-1s、1s-2s、2s-3s、…，然后统计[δt1，δt2，…，δtn]中的时间数值在0s-1s的有几个、在1s-2s的有几个，一直将所有△t都“放到”对应的时间间隔中，这样就得到
对于
另外，所设定时间窗口长度中最大的时间不小于发放时间间隔δti中的最大值，这样可以保证所有△t都可以落入对应的时间间隔内，比如△t中的最大值为9.5s，时间窗口长度就可以划为0s-1s、1s-2s、2s-3s、…、9s-10s；
(6)统计多个电极通道记录的神经元峰电位信号发放时间间隔响应特征矩阵为：
其中，m为共有m个电极通道，n为共有n个时间窗口长度。
s2，根据峰电位的发放时间间隔特征，利用神经网络学习算法构建重建模型；
本实施例具体采用卷积神经网络学习算法，卷积神经网络与其他神经网络结构相比较，使用的参数较少，对训练样本进行分类的能力较强，通过卷积和下采样操作可以降低计算量，通过全连接层后由输出层输出分类结果；
本实施例中，卷积神经网络学习算法的输入为发放时间间隔响应特征矩阵risi，输出为重建图像的像素灰度值。
s3，基于所构建的重建模型对图像进行重建；
上一步已训练重建模型，使用时根据该已训练重建模型，结合峰电位发放时间间隔特征进行图像重建。
实施例二
如图2所示，基于实施例一，本实施例提供一种基于峰电位发放时间间隔的图像重建装置，包括以下功能模块：
特征提取模块1：提取峰电位的发放时间间隔特征；
模型构建模块2：根据峰电位的发放时间间隔特征，利用神经网络学习算法构建重建模型；
图像重建模块3：基于所构建的重建模型对图像进行重建。
其中，特征提取模块1根据获取的峰电位信号时间序列，统计视觉刺激下峰电位信号时间序列中相邻两个峰电位信号的发放时间间隔，设定时间窗口的长度，对符合每个时间窗口长度的发放时间间隔进行计数，具体包括以下功能单元：
响应时间设定单元101：设定一帧视觉刺激下的神经元响应时间；
发放时间序列获取单元102：获得响应时间内的神经元发放时间序列(t0，t1，…，tn)；
时间间隔计算单元103：计算响应时间内相邻峰电位的发放时间间隔δti＝ti 1-ti，统计时间间隔集合[δt1，δt2，…，δtn]；
时间窗口设定单元104：根据时间间隔集合设定多个时间窗口长度；
时间间隔个数统计单元105：统计落入每个时间窗口长度的时间间隔个数，记为
响应特征矩阵统计单元106：统计多个电极通道记录的神经元峰电位信号发放时间间隔响应特征矩阵为：
其中，m为共有m个电极通道，n为共有n个时间窗口长度。
时间窗口设定单元104所设定时间窗口长度中最大的时间不小于发放时间间隔δti中的最大值，可以保证所有△t都可以落入对应的时间间隔内。
本实施例中，模型构建模块2利用卷积神经网络学习算法构建重建模型，重建模型的输出为图像的灰度值。
以上公开的仅为本发明的优选实施方式，但本发明并非局限于此，任何本领域的技术人员能思之的没有创造性的变化，以及在不脱离本发明原理前提下所作的若干改进和润饰，都应落在本发明的保护范围内。
1.一种基于峰电位发放时间间隔的图像重建方法，其特征在于，包括以下步骤：
提取峰电位的发放时间间隔特征；
根据峰电位的发放时间间隔特征，利用神经网络学习算法构建重建模型；
基于所构建的重建模型对图像进行重建。
2.根据权利要求1所述的基于峰电位发放时间间隔的图像重建方法，其特征在于，提取峰电位的发放时间间隔特征，具体为：
设定一帧视觉刺激下的神经元响应时间；
获得响应时间内的神经元发放时间序列(t0，t1，…，tn)；
计算响应时间内相邻峰电位的发放时间间隔δti＝ti 1-ti，统计时间间隔集合[δt1，δt2，…，δtn]；
根据时间间隔集合设定多个时间窗口长度；
统计落入每个时间窗口长度的时间间隔个数，记为
统计多个电极通道记录的神经元峰电位信号发放时间间隔响应特征矩阵为：
其中，m为共有m个电极通道，n为共有n个时间窗口长度。
3.根据权利要求2所述的基于峰电位发放时间间隔的图像重建方法，其特征在于，所设定时间窗口长度中最大的时间不小于发放时间间隔δti中的最大值。
4.根据权利要求1、2或3所述的基于峰电位发放时间间隔的图像重建方法，其特征在于，利用神经网络学习算法构建重建模型指利用卷积神经网络学习算法构建重建模型。
5.根据权利要求4所述的基于峰电位发放时间间隔的图像重建方法，其特征在于，所构建重建模型的输出为图像的灰度值。
6.一种基于峰电位发放时间间隔的图像重建装置，其特征在于，包括，特征提取模块：提取峰电位的发放时间间隔特征；
模型构建模块：根据峰电位的发放时间间隔特征，利用神经网络学习算法构建重建模型；
图像重建模块：基于所构建的重建模型对图像进行重建。
7.根据权利要求6所述的基于峰电位发放时间间隔的图像重建装置，其特征在于，特征提取模块包括，
响应时间设定单元：设定一帧视觉刺激下的神经元响应时间；
发放时间序列获取单元：获得响应时间内的神经元发放时间序列(t0，t1，…，tn)；
时间间隔计算单元：计算响应时间内相邻峰电位的发放时间间隔δti＝ti 1-ti，统计时间间隔集合[δt1，δt2，…，δtn]；
时间窗口设定单元：根据时间间隔集合设定多个时间窗口长度；
时间间隔个数统计单元：统计落入每个时间窗口长度的时间间隔个数，记为
响应特征矩阵统计单元：统计多个电极通道记录的神经元峰电位信号发放时间间隔响应特征矩阵为：
其中，m为共有m个电极通道，n为共有n个时间窗口长度。
8.根据权利要求7所述的基于峰电位发放时间间隔的图像重建装置，其特征在于，时间窗口设定单元所设定时间窗口长度中最大的时间不小于发放时间间隔δti中的最大值。
9.根据权利要求6、7或8所述的基于峰电位发放时间间隔的图像重建装置，其特征在于，模型构建模块利用卷积神经网络学习算法构建重建模型。
10.根据权利要求9所述的基于峰电位发放时间间隔的图像重建装置，其特征在于，模型构建模块所构建重建模型的输出为图像的灰度值。
技术总结