神经元动作电位的模式分类技术及编码技术研究
基于植入式多电极阵列的神经元放电活动同步记录技术，为神经编码或神经系统建模的实现提供了必要的实验基础，因此已成为计算神经科学的重要研究手段。但由于多电极同步记录的信号源，通常为多个神经元动作电位在电极处的时空叠加，且还受到神经细胞之间电磁影响、细胞膜离子通道以及神经递质参数变化等因素所引起的电特性干扰。因此如何准确快速实现动作电位分类，完成相应神经元放电序列的重构，是植入式多电极阵列应用的关键问题，其对于后续神经编码机制的研究具有重要意义。
一般说来，现有动作电位分类方法的性能都会受到背景噪声的限制。为了提高分类方法的抗干扰性，本文在小波变换的基础上，研究了小波变换基函数的选取对分类精度的影响，并采用小波分析和主成分分析来对比分类性能；提出了结合小波时频特征分析和动态高斯混合聚类分析的分类算法框架；在动作电位分类研究的基础上，提出了分区复杂性测度，研究了视皮层神经元的动作电位序列在表达外界刺激时的编码方式和作用。本文主要研究内容如下：
(1)综述了国内外在神经元动作电位分类以及神经元信息编码的相关研究，对研究中采用的方法进行了分析和比较，并对各种方法的优势和局限性进行了总结。
(2)研究了小波变换基函数的选取对分类精度的影响。采用不同的小波变换基函数，通过小波变换来提取动作电位信号的时频特征，解决了时域特征和频域特征对信号刻画的非完整性。对不同噪声水平的仿真数据进行分类性能对比，实验结果表明，Sym5小波的分类精度高且抗干扰性较好，更适合于Spike信号的模式分类。而在Sym5小波分析和主成分分析的分类性能对比实验中，Sym5小波分析的分类性能更佳。
(3)提出了结合小波时频特征分析和动态高斯混合聚类分析的分类算法框架。在提取动作电位小波特征的基础上，分别利用高斯混合模型和贝叶斯网络模型对神经元动作电位发放的局部特性和全局特性进行建模；将动作电位分类的决策问题转换为模型的参数求解问题。通过与其他分类方法进行对比，仿真数据的实验结果表明，此分类算法的精度高，抗干扰性强，可靠性佳；实测数据的实验结果表明，其全局最优解与人工分类结果相近。
(4)提出了分区复杂性测度，新方法改进了放电序列表示方式，能更精确的描述神经元动力系统的动态特性；讨论了状态空间的同质分隔与生成分割，并将状态空间的二值化分割上升到一般情况，重点刻画神经元动力学系统中的波动性，改善了动作电位序列在符号化过程中的过粗粒化问题。视皮层神经元放电模式的实验表明，分区Lempel-Ziv复杂度作为特征量能有效区分不同刺激输入的响应，其中生成分割分区复杂度在描述动作电位发放模式时具有较佳的表现。
本文所取得的研究成果，一方面提出了动作电位特征提取和聚类的新方法，提高了动作电位的分类精度，保证了后续神经编码研究的顺利进行；另一方面提出了改进的复杂性测度方法，研究动作电位序列在表达外界刺激时的编码方式和作用，对神经编码机制的研究进行了初步探索。
神经元动作电位;多电极同步记录;模式分类;小波时频特征;贝叶斯网络;编码机制
杭州电子科技大学
硕士
模式识别与智能系统
庞全;范影乐
2010
中文
R338.8;R318.04
72
2011-08-03（万方平台首次上网日期，不代表论文的发表时间）