神经元的形态分类和识别热身训练.docVIP

神经元的形态分类和识别 摘要 本文通过主成分分析法对神经元几何形态特征进行分析，得到判断的几何特征主成分，之后计算样本的马氏距离对未知类型的神经元进行了归类，得到了一种对神经细胞根据几何形态特征进行分类的步骤方法。 首先，我们对swc数据进行了处理，以数据中的七个样本点为基础得到了衡量神经元几何特征的20个指标中的11个，这11个指标具有不随种类，成熟度及测量情况而改变的稳定性。通过对这些数据的初步分析，得到了一些从整体上进行判断的几何特征。之后运用主成分分析法又对这11个指标进行了降维处理，在尽可能少损失信息的情况下得出了几何特征中的主成分，至此我们得到了对神经元进行几何分类的所有特征：破碎度，欧氏距离，路径距离，高深比和胞体的有无。 接着再以主成分为基础运用判别分析法，以马氏距离进行位置样本的判别。在对位置样本判别前，我们首先对附录A中的样本进行了判别准确性的验证，在判别中，用判别分析法判别的准确率达到了80%。之后我们以此对附录B中的未知样本进行了判别归类，发现了附录B中新种类的神经元。 然后，以前面分析和计算的结果为基础，对以几何特征进行神经元分类提出了神经元聚合程度形态分析法，主要依据聚合程度对神经元进行了命名。 在对不同种类动物的同类神经元细胞的分析中，分析结果显示不同种类的神经元细胞间基本没有几何形态上的差别，可以认为它们在几何形态上是相同的。 最后我们依据神经元的成熟度对其形态特征的变化趋势进行了分析，数据结果与我们的理论预测相吻合，即细胞越成熟几何形态越趋于稳定。 关键字： 1问题重述 大脑是生物体内结构和功能最复杂的组织，其中包含上千亿个神经细胞（神经元）。作为大脑构造的基本单位，神经元的结构和功能包含很多因素,其中神经元的几何形态特征和电学物理特性是两个重要方面。而其中几何形态特征主要包括神经元的空间构象，具体包含接受信息的树突，处理信息的胞体和传出信息的轴突三部分结构。对神经元特性的认识，最基本问题是神经元的分类。目前，关于神经元的简单分类法主要有： （1）根据突起的多少可将神经元分为多极神经元；双极神经元和单极神经元。 （2）根据神经元的功能又可分为主神经元，感觉神经元，运动神经元和中间神经元等。 但由于树突，轴突的的生长变化，神经元的几何形态千变万化。如何识别区分不同类别的神经元，这个问题目前科学上仍没有解决。在本模型中只考虑神经元的几何形态，研究如何利用神经元的空间几何特征，并通过数据分析和数学建模给出神经元的一个空间形态分类方法，将神经元根据几何形态比较准确地分类识别，并根据神经元的形态数据对未分类的神经元进行分类，提出神经元按几何特征分类的合理建议。然后分析不同种动物的同种神经元是否有着明显的形态及差异，并预测神经元岁年龄增长的形态变化。 2问题分析 首先，根据在题目的附录中给出的部分神经元的房室模型的swc格式的数据，需首先对其进行数据提取与分析，得到对判别几何特征有直接作用的稳定数据。通过数据处理，得出题目中给出的已定义的神经元的近20个形态特征数据（胞体表面积, 干的数目, 分叉数目, 分支数目,宽度, 高度, 深度,直径,长度,表面积,体积、树干锥度、分支幂律和分支角度），若计算的数据与题目中的数据吻合则说明处理数据的方法正确，则该数据处理方法可用于其他未给出处理结果的神经元。经过这样的数据处理，可以挖掘swc格式中的有效信息。 然后对这些数据作进一步的分析处理，得到对神经元分类有直接作用的稳定数据。稳定数据是指这些几何特征数据不随着细胞的生长而产生较大波动，不因细胞来自不同的动物种类而有巨大差异，同时也不因细胞测量时伸展程度而变化的数据。通过数据的进一步处理与筛选，得到了11个稳定的特征数据。对这些数据运用主成分分析法进行进一步的降维处理，得到每类数据的特征值向量，以此作为每类神经元的几何特征判别标准表。 最后在第二问中，根据第一问得到的特征值向量，运用判别分析法对附录B中的未分类神经元进行判别，并根据判别过程和结果给出细胞分类的建议和进一步细分的方法。 3模型假设 1 树突不会长成闭环型 2房室为圆柱体，胞体为球体 3 房室模型中的空间x,y,z坐标位于房室的底部，即距胞体的远端 4 子房室与母房室的路径为直线。 4符号定义 x 房室的空间x坐标 y 房室的空间y坐标 z 房室的空间z坐标 r 房室的半径 dmax 神经元的欧氏距离 样本标准化后的标准化阵 n个样本在第j类指标下方差的平均值 n个样本在第j类指标下方差的平均值 R 标准化阵Z的相关矩阵 相关矩阵R特征方程的特征值 第 k 个主成分的方差贡献率 G 待考察的样本