鋒電位分類中疊加波形的檢測(cè)與識(shí)別.pdf

1、神經(jīng)系統(tǒng)通過(guò)神經(jīng)元發(fā)放鋒電位來(lái)發(fā)布和傳遞信息,因而鋒電位是研究神經(jīng)系統(tǒng)工作機(jī)制的重要依據(jù)。目前,鋒電位信號(hào)的采集通常利用多電極采集陣列進(jìn)行胞外記錄,原始采集信號(hào)中包含大量的噪聲和來(lái)自多個(gè)神經(jīng)元的鋒電位發(fā)放信號(hào),因此需要將鋒電位從原始采集信號(hào)中檢測(cè)、提取出來(lái),并根據(jù)其形態(tài)特征判斷其產(chǎn)生于哪類神經(jīng)元,這一過(guò)程稱為鋒電位分類(Spike Sorting)。鋒電位分類的兩個(gè)關(guān)鍵步驟是鋒電位檢測(cè)(SpikeDetIection)和鋒電位識(shí)別(Sp

2、ike ClaSsification)。由于采集電極周圍多個(gè)神經(jīng)元同步發(fā)放而產(chǎn)生的疊加鋒電位(Overlapped Spikes)增加了鋒電位分類的難度,因此,提高疊加鋒電位檢測(cè)及識(shí)別的準(zhǔn)確性,對(duì)神經(jīng)元集群編碼的研究具有重要意義。
　　 本文在對(duì)鋒電位特征分析的基礎(chǔ)上,重點(diǎn)研究了疊加鋒電位的產(chǎn)生原因及波形特點(diǎn),并在此基礎(chǔ)上提出了適用于疊加鋒電位的檢測(cè)方法、特征表示方法和分類策略。
　　 針對(duì)窗口檢測(cè)法容易忽略窗口內(nèi)及窗口

3、間的疊加鋒電位的問(wèn)題,本文提出了一種新的鋒電位檢測(cè)方法。該方法在改進(jìn)窗口法的基礎(chǔ)上,結(jié)合了閾值法與能量法對(duì)鋒電位進(jìn)行檢測(cè)。實(shí)驗(yàn)證明該方法有較強(qiáng)的魯棒性,不但適用于低信噪比、基線漂移等情況,而且對(duì)于鋒電位大量疊加的數(shù)據(jù),此方法的漏報(bào)率明顯低于其他傳統(tǒng)方法。
　　 利用支持向量機(jī)在解決非線性和小樣本問(wèn)題方面的優(yōu)勢(shì),本文將支持向量機(jī)應(yīng)用于鋒電位的識(shí)別與分類,并探討了不同核函數(shù)及噪聲水平等因素對(duì)支持向量機(jī)分類效果的影響。實(shí)驗(yàn)表明,支持向

4、量機(jī)算法對(duì)疊加鋒電位及噪聲水平具有一定的有效性和穩(wěn)定性,并且發(fā)現(xiàn)了支持向量機(jī)對(duì)高相似度樣本分類精度下降,且對(duì)包含疊加訓(xùn)練樣本的訓(xùn)練集存在過(guò)度訓(xùn)練的問(wèn)題。
　　 針對(duì)支持向量機(jī)對(duì)高度相似鋒電位樣本分類精度下降的問(wèn)題,本文提出了基于窗口斜率描述法的特征表示方法。該方法基于窗口的概念對(duì)鋒電位波形進(jìn)行劃分,利用窗口內(nèi)斜率作為新樣本屬性向量,實(shí)現(xiàn)對(duì)原始樣本的降維和特征提取。實(shí)驗(yàn)表明,與主成分分析方法相比,該方法降低了不同類型樣本之問(wèn)的相似