基于PCA和改进K均值算法的动作电位分类

微电极阵列记录的神经元信号往往是电极临近区域数个神经元的动作电位信号以及大量背景噪声的混叠,研究神经系统的信息处理机制以及神经编码、解码机理需了解相关每个神经元的动作电位,因此需从记录信号中分离出每个神经元的动作电位。基于此,提出基于主元分析(PCA)和改进K均值相结合的动作电位分类方法。该方法采用PCA提取动作电位特征,使用改进K均值算法实现动作电位分类。实验结果表明,该方法降低了动作电位的特征维数以及K均值算法对初始分类重心的依赖,提高动作电位分类结果的正确率及稳定性。尤其是在处理低信噪比信号时,分类正确率仍能达到理想水平。

波形特征的高斯混合模型锋电位分类算法

锋电位分类是进行大脑信息处理机制研究的基本步骤之一。针对锋电位信号的复杂性和非平稳性,从统计聚类的角度出发,采用高斯混合模型描述锋电位信号的概率密度函数,提出了一种新的基于波形变化率特征和高斯混合模型聚类的锋电位分类方法。首先计算锋电位的波形变化率,然后利用最大差异方法获得锋电位波形的低维特征,最后采用高斯混合模型算法对特征进行聚类,实现锋电位分类。采用开放的仿真数据分析了该算法的分类精度和可行性,然后分别利用来自5只大鼠和1只恒河猴初级视觉皮层的实测数据验证了该算法的实用性,并与主成分分析特征的高斯混合模型聚类、幅值特征的高斯混合模型聚类和变化率特征的k均值聚类等3种方法进行了比较。仿真实验中,在噪声水平为0.05、0.10、0.15、0.20时,误分率分别为1.18%±1.18%、1.41%±1.06%、2.27%±1.51%、2.98%±2.06%,低于其他3种方法;实测实验中,恒河猴数据的J3准则值为13.50±5.26,大鼠数据的J3准则值为26.43±10.46。与其他3种方法相比,平均J3准则值较大,且显著高于幅值特征的高斯混合模型聚类算法。所提出的方法表现出较高的分类精度和较好的类可分性,为实现神经元锋电位的可靠分类提供了一种有效的手段。

基于小波特征与动态高斯混合模型的动作电位分类研究

提出了一种结合小波时频特征提取以及动态高斯混合模型模式分类的动作电位分类新算法,以实现植入式脑电研究中非同源动作电位的非监督聚类。在阈值法检测动作电位信号的基础上,采用sym5小波变换基函数提取各个动作电位的时频特征,以提高动作电位信号在高频突变阶段的时间分辨率;考虑到动作电位信号的非平稳特性,对时频特征序列进行了分帧处理,然后分别采用高斯混合模型和贝叶斯网络模型对帧内和帧间数据进行建模,从而实现了基于动态高斯混合模型的动作电位模式分类。实验结果表明,该方法的分类性能抗干扰性及可靠性较好,仿真数据的错分率基本稳定在8.44%以内,真实数据的分类结果能较大程度贴近人工分类的结果。

基于匹配小波变换的初级视皮层神经元锋电位分类

神经元锋电位分类是研究神经系统信息处理机制的关键.为了提高锋电位分类效果,将匹配小波应用到锋电位分类中来,提出了基于匹配小波变换的初级视皮层神经元锋电位分类方法.首先根据提取的锋电位信号波形特性和匹配准则,构造出匹配小波,然后基于匹配小波对锋电位信号进行小波变换,获取锋电位信号特征进行锋电位聚类,从而实现锋电位分类.将该方法用于由多电极阵列采集的大鼠初级视皮层神经元锋电位的分类,并与基于传统小波的分类方法进行聚类比较,该方法得到的散点图具有两个更加明显的聚类中心,聚类效果更好.再对信号进行加噪处理,当信噪比较低时,该方法仍保持较高的分类正确率,抗噪性能较强.

径向基函数网络在神经元锋电位分类中的应用及改进

提出了一种改进的基于径向基函数网络的锋电位分类方法。针对传统的径向基函数网络对叠加锋电位信号识别准确率不高的问题,将分段加权的思想引入了这种网络,同时实现了锋电位的分类和完全叠加信号的分离,并且有效提高了完全叠加波的识别准确率。最后用多组不同信噪比的实验数据验证了该方法。

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。

用于锋电位分类的二阶差分表示法

针对锋电位在相似度高及存在大量叠加锋电位时分类结果不理想的问题,提出了一种新的锋电位特征表示方法 -二阶差分表示法.该方法对锋电位波形求取二阶差分,以二阶差分序列作为锋电位的特征信息,形成新的样本向量进行分类.该方法对Wave_clus中不同信噪水平的数据分别进行了实验.实验表明,该方法描述了锋电位波形在各个时刻的波形趋势,在一定程度上能够扩大不同类型波形之间的差异性.将此方法用于锋电位分类,尤其是叠加锋电位分类,可以提高分类准确率,并且可以有效的避免噪声的干扰.

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。

基于人工神经网络的低信噪比神经元锋电位分类

基于人工神经网络和模板匹配,提出了对低信噪比神经元信号分类的方法.首先对待分类信号进行阈值检测,获得尖峰信号,对这些尖峰信号进行主成分分析,再选取主成分进行聚类,根据聚类结果,取对应的尖峰信号作为人工神经网络的训练样本.网络测试和结合模板匹配识别叠加信号的仿真结果表明了该方法的优越性.

神经元动作电位模式分类的小波时频分析方法

对神经元动作电位进行模式分类是植入式脑机接口研究的前期关键问题。考虑到来自不同神经元的动作电位在时域或频域特征上的相似性,引入小波分析在时频域上对动作电位进行特征描述。首先以db、sym、bior三类小波函数系为例,分别获取了动作电位的高维小波系数特征;然后对特征分量进行非正态分布特性的KS检验,以实现特征降维;最后通过非监督的K均值方法完成动作电位聚类。实验结果表明:在神经信号噪声水平为0.05dB、0.1dB和0.15dB时,各小波基的分类性能略有不同。其中sym5小波性能突出,动作电位错分率基本稳定在1.21%～1.81%。最后与主成分分析法(PCA)进行了分类性能的比较,进一步证实了小波时频分析方法(sym5小波)在抗干扰性和稳定性方面的优势。

基于径向基函数神经网络的多电极阵列信号脉冲电位的分类

通过径向基函数神经网络的分析,对神经元脉冲电位信号提出了新的分类方法。对原始信号进行峰电位检测,获得脉冲电位信号样本,以主成分进行预分类,选取与类中心方差小的典型脉冲电位集合作为径向基网络的训练样本,让神经网络进行自适应学习,以实现对原始信号的分类。仿真结果表明,在对模拟的脉冲电位信号进行分类时此方法的错误率比主成分聚类法和形状聚类法小。多电极细胞外记录的海马神经元细胞电活动信号应用此方法分类也取得了较好的效果。

基于CUDA的多信道锋电位实时分类方法

为提高多信道神经元锋电位分类任务的计算效率,满足其在实时场景下的应用需求,提出基于统一计算设备架构(compute unified device architecture,CUDA)的掩蔽高斯混合模型的并行化实现和优化方案。利用高维锋电位数据的稀疏特性和高斯混合模型的强抗干扰性以及良好并行性,借助GPU图形处理器,对特征掩蔽高斯混合模型(Masked Gaussian mixture model,Masked GMM)进行并行实现,进行针对性优化。实验结果表明,在32信道的锋电位数据集上,与原有的CPU串行实现相比,该方案分类速度提高了170倍左右,达到了实时计算,为高维信道锋电位实时分类提供了可行的解决方案。

基于关联维数的神经元动作电位特征提取与分类研究

神经元动作电位模式分类是动作电位序列分析和解码的基础。由于神经元动作电位信号波形隐藏着动作电位的特征信息,而关联维数是度量波形不规则程度的一种手段,因此基于神经元动作电位信号的波形差异,提出一种基于关联维数对神经元动作电位进行特征提取的新方法。首先,对采集到的神经元动作电位信号进行相空间重构;然后,在重构的相空间中,以关联维数作为对非同源动作电位信号的特征进行描述;最终,结合K均值算法,对神经元动作电位实现无监督模式分类。仿真和真实数据实验结果表明:该方法分类的准确率较高,且稳定性较好,仿真数据分类错分率基本稳定在4.9%以内,真实数据的分类能较大程度地贴近人工分类的结果,因此用来代替人工分类具有一定的可行性。

基于局部保持投影的神经尖峰电位特征提取与分类

神经元尖峰电位的识别和分类,是神经信息处理中的关键环节之一,而尖峰电位的特征提取是识别和分类的重要基础。针对尖峰电位的特征提取和分类,提出一种基于局部保持投影(LPP)的无监督算法,对近邻参数进行了自动识别和选择,使用基于原型向量的分布离散度标准,尖峰电位的特征得到充分提取和分离。仿真和实际数据实验结果表明:基于局部保持投影的无监督特征提取和分类算法,比传统主成分分析(PCA)方法能更加有效地实现特征提取和分离。

基于改进型模糊聚类的神经元锋电位的分类

本研究提出减法聚类和模糊聚类算法相结合的改进型模糊聚类锋电位分类方法。该方法利用减法聚类算法快速得出聚类中心的个数及位置,然后将此聚类中心作为初始值应用于模糊聚类算法。结果表明,该方法降低了模糊聚类算法对初始聚类中心的依赖,节约了模糊聚类算法层层迭代的运算时间,提高了算法运行效率,同时也提高了分类的正确率,特别是在信噪比低于-30db时,对分类结果准确率的改善更为明显。此算法是实现锋电位分类的理想选择。

低信噪比神经元锋电位信号的分类方法

基于离散序列小波变换和主元分析,对低信噪比的神经元锋电位信号提出了新的分类方法.通过对原始信号进行尖峰检测,获得尖峰信号样本,对每个样本进行离散序列小波变换之后,再对小波变换系数进行主元分析,选取主元进行聚类,实现对原始信号的分类.将该方法应用于多电极细胞外记录的小鸡视网膜神经节细胞电活动信号分析,并据此推断出某电极附近的神经节细胞的个数.仿真结果表明,在低信噪比情况下,该方法比单纯通过小波变换进行分类的方法更有效.

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.

神经元锋电位信号滤波频率的选择

为了在记录和分析细胞外神经元单元动作电位(即锋电位)时能够正确选择滤波频率范围,分析了不同下限和上限截止频率时锋电位的波形失真、信噪比以及分类正确率的变化过程.锋电位信号是利用微电极阵列采集的大鼠海马区神经元信号.结果表明,下限截止频率小于100Hz且上限截止频率大于5 000Hz时,滤波造成的锋电位波形失真较小.对于锋电位的检出和分类这2种数据处理,它们的上限截止频率最佳范围一致,为3～5kHz.但是,对于下限截止频率,锋电位检出的最佳频率为500～600Hz,而锋电位分类的最佳频率却在200Hz左右,这是由于锋电位分类的正确率与信噪比和波形的失真都相关.

基于窗口法的改进锋电位检测算法

针对窗口检测法在窗口间存在重复检测和检测时间代价大等问题,提出一种新的锋电位峰值检测算法。该方法以改进的窗口检测法为基础,结合阈值法对锋电位进行检测。所提出的方法在来源于英国莱斯特大学的仿真数据上进行了验证,实验表明,该方法在不影响运行时间的同时,在误报率和漏报率方面相对于阈值检测法和窗口检测法有明显降低。