動作電位模式分類及噪聲對神經元模型頻率同步性影響研究.pdf

1、神經元動作電位(spike)的發(fā)放與傳遞，是大腦神經系統(tǒng)實現信息交互和處理的基礎。對spike的分類是研究大腦神經系統(tǒng)信息編碼機制的重要前提。隨著植入式多電極陣列(MEA)技術的發(fā)展，為研究神經信息編碼機制提供了必要的實驗基礎。然而多電極陣列采集到的信號往往是電極附近多個神經元發(fā)放的spike和大量神經系統(tǒng)內外噪聲的疊加，因此有必要從MEA采集到的原始信號中檢測出有效spike，并快速準確的對spike進行模式分類，以完成相應神經元發(fā)放

2、序列的重構。
　　 針對spike信號的非線性和非平穩(wěn)性，以及關聯(lián)維數作為度量信號波形不規(guī)則程度的一種手段，本文提出了一種基于關聯(lián)維數對神經元動作電位進行特征提取的新方法，同時結合K均值實現spike的分類；在關聯(lián)維數提取具有可區(qū)分性特征的基礎上，續(xù)而提出了基于多維關聯(lián)維數特征提取，并結合模糊C均值算法分類的新算法框架。通過仿真數據和真實實驗數據驗證了兩種spike分類算法具有較好的分類效果。由于噪聲的非線性特性，真實實驗中神經

3、系統(tǒng)內外噪聲是不可控的，所以很難確定噪聲對神經系統(tǒng)輸入與輸出關系的影響，而神經元系統(tǒng)的數學模型將能很好的彌補真實實驗中的不足，通過量化分析幫助人們理解實驗中出現的問題和現象，所以本文以經典的Hodgkin-Huxley(HH)神經元模型為基礎，研究了噪聲對神經元輸入與輸出頻率同步性的影響。
　　 本文主要工作和研究成果如下：
　　 (1)本文提出了一種基于關聯(lián)維數特征提取及分類新算法，并給出了關聯(lián)維數計算過程中延遲時間和

4、嵌入維數等關鍵參數的選擇依據，發(fā)現了基于關聯(lián)維數提取的特征具有分層的現象；通過仿真數據和真實實驗數據驗證了新算法具有較好的分類效果，實驗結果表明：基于關聯(lián)維數提取的特征能有效表達和區(qū)分非同源spike的非線性和非平穩(wěn)特性，可作為spike分類的有效依據；通過與其它分類方法的比較，體現出了新分類算法框架具有分類精度高、可靠性好等優(yōu)點。
　　 (2)本文提出了基于多維關聯(lián)維數特征提取，并結合模糊C均值分類的新算法框架。給出了重構相空

5、間中展現spike波形非線性動力學特性的最小嵌入維數方法，通過調整嵌入維數得到多維關聯(lián)維數特征向量，經過KS檢驗選擇可區(qū)分度高的特征向量，并利用改進后的模糊C均值算法實現spike信號分類。仿真和真實實驗數據表明，新算法框架具有較高的分類準確率，替代人工分類具有一定的可行性。同時引入了F-measure作為新分類算法框架性能的評價指標，通過與一維關聯(lián)維數特征及分類算法的比較，證實了新算法框架具有更高的分類性能。
　　 (3)本文

6、以經典的Hodgkin-Huxley(HH)神經元模型為基礎，構建雙層神經元網絡模型，研究噪聲對神經元輸入與輸出頻率同步性的影響，以克服真實實驗中噪聲不可控缺陷而難以量化分析噪聲對神經元輸入與輸出頻率同步性的影響。實驗結果表明：適當強度的噪聲可以增強HH模型響應的節(jié)律性，提高了輸入與輸出的頻率同步性，但起促進作用的噪聲強度范圍一般都很窄，且對不同輸入對象起促進作用的噪聲強度的范圍也不同。這些現象的發(fā)現有利于人們對神經信息編碼機制的進一步