神經(jīng)鋒電位信號識別方法研究.pdf

1、大腦通過神經(jīng)元動作電位即鋒電位進行信號的傳遞、交流和處理，對神經(jīng)鋒電位活動的記錄檢測是神經(jīng)科學(xué)研究的前提。神經(jīng)鋒電位信號主要是通過細(xì)胞外電極進行記錄。然而，單個電極上記錄到的信號往往是幾個相鄰神經(jīng)元的鋒電位與大量噪聲的疊加。為了從電極記錄信號中獲得有用的神經(jīng)元放電信息，對神經(jīng)元放電序列進行甄別就尤為重要，有必要把每個神經(jīng)元發(fā)出的鋒電位從記錄信號中分離出來。 模式識別通過數(shù)據(jù)的先驗知識和統(tǒng)計信息來對數(shù)據(jù)進行分類。本文對模糊聚類和支

2、持向量機等模式識別方法進行深入研究，提出一些簡單有效的分類方法解決神經(jīng)鋒電位信號識別中的難點問題。 本文的創(chuàng)新性工作有： 1.實際檢測到的鋒電位信號往往包含大量噪聲和野值點，針對該問題，提出魯棒模糊聚類方法提高鋒電位的分類精度。在聚類過程中，樣本點相對于聚類的模糊隸屬度不僅與聚類中心的距離有關(guān)，還與樣本點局部密度值有關(guān)。通過減少具有較小密度值的噪聲和野值點的模糊隸屬度來降低它們在聚類過程中的影響，同時減少聚類間邊界點對于

3、各個聚類的隸屬度，使聚類更好地分離開，實現(xiàn)對鋒電位信號的準(zhǔn)確分類。并在此基礎(chǔ)上，提出了改進的模糊聚類有效性評價指標(biāo)，實現(xiàn)在噪聲情況下對鋒電位數(shù)據(jù)聚類個數(shù)的識別。 2.神經(jīng)元爆發(fā)式放電和記錄電極漂移導(dǎo)致單一鋒電位聚類形狀發(fā)生無規(guī)則變化，劃分聚類方法難以獲得滿意分類結(jié)果。提出基于模糊C均值的層次聚類方法解決這一難題。首先，使用模糊聚類方法將鋒電位數(shù)據(jù)劃分為多個關(guān)系緊密的小類。然后，通過模糊隸屬度來計算次聚類間的連接強度，從整體上衡量

4、劃分間的相似性，對小類逐步合并，正確識別復(fù)雜的聚類結(jié)構(gòu)。最后，通過樣本點與多個中心的平均加權(quán)距離來度量類內(nèi)和類間距離，正確反映出復(fù)雜聚類的松緊程度，實現(xiàn)對形狀發(fā)生無規(guī)則變化的鋒電位聚類個數(shù)地判斷。 3.針對鋒電位信號的疊加問題，提出基于監(jiān)督分類的模板匹配方法。根據(jù)多類支持向量機的分類特點，設(shè)計一種新的訓(xùn)練策略，即在標(biāo)號為負(fù)的訓(xùn)練樣本中引入人工合成的疊加鋒電位波形，對疊加鋒電位信號準(zhǔn)確判斷，然后通過模板提取對檢測到的疊加信號進行分

5、離。對于證據(jù)理論神經(jīng)網(wǎng)絡(luò)分類器，根據(jù)其能識別模糊輸入向量的特點，通過設(shè)置恰當(dāng)?shù)拈撝祵崿F(xiàn)對疊加信號的識別，在分類過程中對這些疊加信號逐步分離。 4.對支持向量機及其在鋒電位分類中的應(yīng)用進行深入研究。提出一種基于密度信息的加權(quán)支持向量機，根據(jù)樣本點在高維特征空間密度大小調(diào)整其與分類平面的距離，減少噪聲和野值點的影響，突出具有較大密度值的重要樣本點的作用，從而把訓(xùn)練樣本的密度分布信息用于構(gòu)造最優(yōu)分類平面。然后，提出典型性支持向量機，根