鋒電位分類中疊加波形的檢測與識別.pdf

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

2、ike ClaSsification)。由于采集電極周圍多個神經(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及識別的準確性,對神經(jīng)元集群編碼的研究具有重要意義。
　　 本文在對鋒電位特征分析的基礎上,重點研究了疊加鋒電位的產(chǎn)生原因及波形特點,并在此基礎上提出了適用于疊加鋒電位的檢測方法、特征表示方法和分類策略。
　　 針對窗口檢測法容易忽略窗口內及窗口

3、間的疊加鋒電位的問題,本文提出了一種新的鋒電位檢測方法。該方法在改進窗口法的基礎上,結合了閾值法與能量法對鋒電位進行檢測。實驗證明該方法有較強的魯棒性,不但適用于低信噪比、基線漂移等情況,而且對于鋒電位大量疊加的數(shù)據(jù),此方法的漏報率明顯低于其他傳統(tǒng)方法。
　　 利用支持向量機在解決非線性和小樣本問題方面的優(yōu)勢,本文將支持向量機應用于鋒電位的識別與分類,并探討了不同核函數(shù)及噪聲水平等因素對支持向量機分類效果的影響。實驗表明,支持向

4、量機算法對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)了支持向量機對高相似度樣本分類精度下降,且對包含疊加訓練樣本的訓練集存在過度訓練的問題。
　　 針對支持向量機對高度相似鋒電位樣本分類精度下降的問題,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鋒電位波形進行劃分,利用窗口內斜率作為新樣本屬性向量,實現(xiàn)對原始樣本的降維和特征提取。實驗表明,與主成分分析方法相比,該方法降低了不同類型樣本之問的相似