基于奇异谱熵的神经元峰电位分类技术研究

目的实现神经元峰电位(spike)的准确检测和分类,为神经信号的后续分析和解码提供前提条件。方法采用改进的阈值法,从植入式多电极阵列采集的含噪神经电信号中检测出有效的峰电位;并提出利用奇异谱熵,来描述在奇异值分解下峰电位特征;通过Kolmogorov-Smirnov检验降低特征维数,采用交互式方式挑选聚类性能较佳的二维特征向量;最后结合C均值聚类算法实现峰电位分类。结果本文提出的峰电位奇异谱熵特征使多组仿真和真实神经电生理信号获得了较为理想的聚类效果,且仿真数据分类准确率几乎都达到98%以上。结论基于奇异谱熵的峰电位特征提取,能够较好地表达和区分各类别峰电位的动态特性,可以作为峰电位有效的分类依据。

基于加权主成分分析和高斯混合模型的神经元峰电位分类

通过加权主成分分析来对峰电位进行提取特征和降维,再利用高斯混合模型聚类算法对特征进行聚类,实现峰电位分类。采用开放的仿真数据和开放的实测数据分析验证算法的可行性和分类精度,并与主成分分析提取特征的高斯混合模型(GMM)聚类和加权主成分分析提取特征的K均值聚类2种方法进行了比较。仿真数据实验中,在噪声水平为0.05,0.10,0.15,0.20时,误分率分别为1.26%,1.43%,2.32%和3.37%,低于其他2种方法;实测数据实验中,恒河猴数据的平均J 3准则值为14.12,与其他2种方法相比,平均J 3准则值较大。

基于小波变换和波形特征分析的峰电位分类

峰电位分类是细胞外记录中一个重要的技术。提出了一个基于离散小波变换和波形特征分析的新的峰电位分类方法(DWT-SFA),同时定义了3个不同的波形特征。首先,对信号进行小波消噪处理,然后,使用这3个不同的波形特征进行信号分类。通过对大壁虎嗅觉神经信号的分类处理,证明该方法明显优于主成分分析方法。此外,通过对该方法与Offline Sorter软件的分类对比,也验证了它的正确性和精确性。

压缩感知的重叠神经元峰电位信号分类

随着电生理技术水平的提高,电极可以记录的峰电位信号包含多个神经元峰电位的叠加.本文提出了一种采用压缩感知和最大后验估计的分类算法来解决重叠峰电位分类问题.其中压缩感知算法用于得到稀疏信号,最大后验估计用于搜索出稀疏信号的最优解.在实验中,我们采用仿真和实测的三组数据对本文算法和传统算法进行了测试,实验结果表明,当峰电位波形相似时,相比于k-均值聚类及CBP(Continuous Basis Pursuit)算法,本文算法具有较少的分类错误数.