基于PCA和改进K均值算法的动作电位分类.pdfVIP

第37卷 第 l6期 计 算 机 工 程 2011年 8月 、b1．37 No．16 ComputerEngineering August2011 · 人工智能及识别技术 · 文章缩号；looo_3428(2o11)1矗_．0182-3 文献标识码IA 中田分类号lR318o·4，TP3914· 基于PCA和改进K均值算法的动作 电位分类 师 黎，杨振兴，王治患，王 岩 (郑州大学电气工程学院，郑州 450001) 摘 耍：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。 关奠词 ：微 电极阵列；主元分析；特征提取；改进K均值；动作电位分类 ActionP0tentialClassificationBased0n t PCAandImprovedK-meansAlgorithm SHILi，YANGZhen-xing，WANG Zhi-zhong，WANGYan (SchoolofElectricalEngineering，ZhengzhouUniversity,Zhengzhou450001，China) [Abstract]Neuralsignalrecordedbythemicroelectrodearrayisoftenthemixturewhichiscomposedofactionpotentialsofseveralneuronsnear theelectrodesandthebackgroundnoises．Researchesonthenervoussy~em informationprocessingmechanism na dneural codingnaddecoding mechnaism needknow everyrelatedneuron’Sactionpotentia1．Therefore，every neuron’Sactionpotential isessentialtobeseparatedfrom hte recordedsigna1．ThispaperproposesamehtodbasedonPrincipalComponentAnalysis(PCA)combinedwithimprovedKm·eansforactionpotential classification．Th eactionpotentials’featuresareexrtactedbyPCA，theactionpotentialclassificationisimplementedbytheimprovedK—mena s algorithm．Experimentalresultsshow htathtemehtodbringsdownactionpotential’Sfeaturedimensionsanddependenceoftheinitialclassification centerforhteK-mena salgorihtm，nadincreaseshteaccuracynadstabilityofhteclassificationresults．Particulraly,whenprocessinghtelow Signal toNoiseRatio(SNR)signals，itCna alsoachievena expectedpurpose． [Keyw