動作電位模式分類及噪聲對神經(jīng)元模型頻率同步性影響研究.pdf

1、神經(jīng)元動作電位(spike)的發(fā)放與傳遞，是大腦神經(jīng)系統(tǒng)實現(xiàn)信息交互和處理的基礎(chǔ)。對spike的分類是研究大腦神經(jīng)系統(tǒng)信息編碼機制的重要前提。隨著植入式多電極陣列(MEA)技術(shù)的發(fā)展，為研究神經(jīng)信息編碼機制提供了必要的實驗基礎(chǔ)。然而多電極陣列采集到的信號往往是電極附近多個神經(jīng)元發(fā)放的spike和大量神經(jīng)系統(tǒng)內(nèi)外噪聲的疊加，因此有必要從MEA采集到的原始信號中檢測出有效spike，并快速準(zhǔn)確的對spike進(jìn)行模式分類，以完成相應(yīng)神經(jīng)元發(fā)放

2、序列的重構(gòu)。
　　 針對spike信號的非線性和非平穩(wěn)性，以及關(guān)聯(lián)維數(shù)作為度量信號波形不規(guī)則程度的一種手段，本文提出了一種基于關(guān)聯(lián)維數(shù)對神經(jīng)元動作電位進(jìn)行特征提取的新方法，同時結(jié)合K均值實現(xiàn)spike的分類；在關(guān)聯(lián)維數(shù)提取具有可區(qū)分性特征的基礎(chǔ)上，續(xù)而提出了基于多維關(guān)聯(lián)維數(shù)特征提取，并結(jié)合模糊C均值算法分類的新算法框架。通過仿真數(shù)據(jù)和真實實驗數(shù)據(jù)驗證了兩種spike分類算法具有較好的分類效果。由于噪聲的非線性特性，真實實驗中神經(jīng)

3、系統(tǒng)內(nèi)外噪聲是不可控的，所以很難確定噪聲對神經(jīng)系統(tǒng)輸入與輸出關(guān)系的影響，而神經(jīng)元系統(tǒng)的數(shù)學(xué)模型將能很好的彌補真實實驗中的不足，通過量化分析幫助人們理解實驗中出現(xiàn)的問題和現(xiàn)象，所以本文以經(jīng)典的Hodgkin-Huxley(HH)神經(jīng)元模型為基礎(chǔ)，研究了噪聲對神經(jīng)元輸入與輸出頻率同步性的影響。
　　 本文主要工作和研究成果如下：
　　 (1)本文提出了一種基于關(guān)聯(lián)維數(shù)特征提取及分類新算法，并給出了關(guān)聯(lián)維數(shù)計算過程中延遲時間和

4、嵌入維數(shù)等關(guān)鍵參數(shù)的選擇依據(jù)，發(fā)現(xiàn)了基于關(guān)聯(lián)維數(shù)提取的特征具有分層的現(xiàn)象；通過仿真數(shù)據(jù)和真實實驗數(shù)據(jù)驗證了新算法具有較好的分類效果，實驗結(jié)果表明：基于關(guān)聯(lián)維數(shù)提取的特征能有效表達(dá)和區(qū)分非同源spike的非線性和非平穩(wěn)特性，可作為spike分類的有效依據(jù)；通過與其它分類方法的比較，體現(xiàn)出了新分類算法框架具有分類精度高、可靠性好等優(yōu)點。
　　 (2)本文提出了基于多維關(guān)聯(lián)維數(shù)特征提取，并結(jié)合模糊C均值分類的新算法框架。給出了重構(gòu)相空

5、間中展現(xiàn)spike波形非線性動力學(xué)特性的最小嵌入維數(shù)方法，通過調(diào)整嵌入維數(shù)得到多維關(guān)聯(lián)維數(shù)特征向量，經(jīng)過KS檢驗選擇可區(qū)分度高的特征向量，并利用改進(jìn)后的模糊C均值算法實現(xiàn)spike信號分類。仿真和真實實驗數(shù)據(jù)表明，新算法框架具有較高的分類準(zhǔn)確率，替代人工分類具有一定的可行性。同時引入了F-measure作為新分類算法框架性能的評價指標(biāo)，通過與一維關(guān)聯(lián)維數(shù)特征及分類算法的比較，證實了新算法框架具有更高的分類性能。
　　 (3)本文

6、以經(jīng)典的Hodgkin-Huxley(HH)神經(jīng)元模型為基礎(chǔ)，構(gòu)建雙層神經(jīng)元網(wǎng)絡(luò)模型，研究噪聲對神經(jīng)元輸入與輸出頻率同步性的影響，以克服真實實驗中噪聲不可控缺陷而難以量化分析噪聲對神經(jīng)元輸入與輸出頻率同步性的影響。實驗結(jié)果表明：適當(dāng)強度的噪聲可以增強HH模型響應(yīng)的節(jié)律性，提高了輸入與輸出的頻率同步性，但起促進(jìn)作用的噪聲強度范圍一般都很窄，且對不同輸入對象起促進(jìn)作用的噪聲強度的范圍也不同。這些現(xiàn)象的發(fā)現(xiàn)有利于人們對神經(jīng)信息編碼機制的進(jìn)一步