基于細(xì)胞外動作電位信號識別神經(jīng)元及其類型.pdf

1、大腦功能的實現(xiàn)依賴于神經(jīng)元及其互相連接形成的神經(jīng)網(wǎng)絡(luò)。先進(jìn)的微電極陣列記錄技術(shù)已經(jīng)能夠同時采集大量神經(jīng)元的細(xì)胞外動作電位（即鋒電位）信號，鋒電位信號的分析處理是神經(jīng)系統(tǒng)信息處理機(jī)制研究的基礎(chǔ)。從這些信號中可以甄別不同的神經(jīng)元以及神經(jīng)元的類型（如錐體或者中間神經(jīng)元），但是，目前相關(guān)的信號分析工具還存在兩大問題：第一，對于大腦中普遍存在的神經(jīng)元爆發(fā)式發(fā)放(Burst)的鋒電位分類能力較差。爆發(fā)式發(fā)放對于增強(qiáng)神經(jīng)信號傳遞的可靠性以及形成突觸可

2、塑性等具有重要作用．在細(xì)胞外記錄信號中Burst表現(xiàn)為幅值和波形都逐漸變化的高頻率發(fā)放鋒電位，給神經(jīng)元鋒電位的正確分析提出了難題。第二，常用的鋒電位分類算法只能夠區(qū)分來自不同神經(jīng)元的鋒電位，卻不能甄別這些神經(jīng)元是錐體神經(jīng)元還是中間神經(jīng)元。
　　 為了解決第一個問題，本文設(shè)計了一種四極電極記錄的鋒電位信號檢測和分類方法，在閾值法檢出鋒電位的基礎(chǔ)上，首先根據(jù)鋒電位時間間隔檢出候選Burst信號小段，然后利用獨立分量分析（Indepe

3、ndent Component Analysis，ICA）的盲源分離算法確定這些Burst中各自包含的不同鋒電位類別，最后用主成分分量實現(xiàn)鋒電位聚類。實驗記錄數(shù)據(jù)和仿真數(shù)據(jù)的檢驗結(jié)果表明，該方法不僅能夠?qū)儆贐urst的鋒電位和單發(fā)放鋒電位正確分類，而且還能夠分離重疊鋒電位，同時又能夠滿足ICA源信號數(shù)量必須小于記錄信號通道數(shù)的限制條件，并且避免ICA計算量大的問題，為Burst的正確檢測與分類提供了一種新方法。
　　 為了解決

4、第二個問題，本文通過人工分類構(gòu)建了訓(xùn)練樣本集，并提出了基于決策樹的特征參數(shù)重要性的評價算法。評價結(jié)果表明，鋒電位中負(fù)峰前后的正峰之間的時間間隔以及鋒電位負(fù)峰后上升沿的斜率這兩種參數(shù)的組合是區(qū)分錐體神經(jīng)元與中間神經(jīng)元的最佳參數(shù)．本文還通過線判別分析算法驗證了這一結(jié)論，并且與前人已發(fā)表的有關(guān)特征參數(shù)重要性的研究結(jié)果進(jìn)行比較。結(jié)果表明，應(yīng)用本文得到的最佳特征參數(shù)區(qū)分這兩種神經(jīng)元時具有較高的分類正確率。
　　 為了從理論上考察不同神經(jīng)元

5、細(xì)胞外動作電位波形的變化特性，本文還研究了神經(jīng)元動作電位的仿真模型，考察了樹突電流、細(xì)胞形態(tài)對于鋒電位波形的影響。結(jié)果表明：樹突電流對于遠(yuǎn)離胞體處的鋒電位有較大的影響，對于靠近胞體的鋒電位波形作用不大；神經(jīng)元形態(tài)的不同會導(dǎo)致鋒電位幅值的較大變化，但它們對于鋒電位波形的形狀卻無明顯作用。這些研究為區(qū)分錐體和中間神經(jīng)元提供了理論依據(jù)。
　　 總之，本文設(shè)計了爆發(fā)式發(fā)放鋒電位分類的新算法，確定了區(qū)分錐體神經(jīng)元和中間神經(jīng)元的最佳鋒電位波