稳健的神经元检测与自动解混分类算法.pdfVIP

稳健的神经元检测和自动解混分类算法1 1 1* 王光力 ，梁培基 1 上海交通大学生物医学工程系(200030) email:pjliang@ 摘 要：在神经系统信息处理研究中，为分析多电极记录信号，神经元动作电位检测和分类 是必不可少的第一步。细胞外记录经常包含由电极附近多个神经元动作电位叠加产生的信号 和特性未知的背景噪声。在本文的研究中，提出了一种稳健的方法来处理这些问题，该方法 使用了基于RELAX算法的自动解混叠技术，而RELAX算法可以通过快速傅立叶变换有效实施。 通过把本文提出的方法的与已报道的一种算法应用于不同信噪比的基于实测数据合成的数 据集，结果显示新方法有更优越的性能。 关键词：动作电位检测和分类 RELAX 算法 多电极记录 1．引言 在神经系统的信息处理机制研究中，为分析包含未知特性的多电极信号记录，检测和分 类神经元的动作电位是必不可少的第一步[1] 。有关检测和分类神经元动作电位的方法的研究 [2] 已有几十年的历史，一些相关的问题在有关文献中已做了总结 。然而，它们的应用仍然受 到一些未曾解决的问题的严重制约。首先，对背景噪声有关高斯分布的先验假设并没有精确 的表达实际的背景噪声的分布特性[3] 。其次，由多个神经元动作电位混叠产生的畸变波形无 法有效解混。最近，已经报道了一些处理动作电位混叠问题的算法[4,5]，但这些算法都一个 限制——背景噪声的特性是先验假设为高斯分布的。此外，一些有关背景噪声非高斯假设的 方法已经被提出，但这些方法无法处理动作电位混叠的问题[6,7] 。 在本文的研究中，我们提出了一种稳健的方法来同时处理以上的困难。首先，细胞外记 录经 100Hz~3KHz 的带通滤波，通过非线性能谱算子检测到动作电位波形[8] 。其次，动作电 位的特性通过主变量分析(Principal Component Analysis, PCA)提取并用于重构动作电位模 板。最后，为了分类并识别那些畸变的动作电位波形——这些动作电位波形包括混叠的动作 电位波形和受噪声影响严重的动作电位波形，建模所有可能的模板和模板组合并在频域计算 相应的代价函数。为了最小化包含多个未知参数的代价函数，使用了一个基于解耦参数估计 的算法——RELAX 算法[9]，而 RELAX 算法通过快速傅立叶变换可以有效实施。对应于所 有可能的模板和模板组合的最小代价函数的模板或模板组合是对所需分类波形的最合适的 解混和分类。在此过程中，没有对背景噪声做任何假设，因而此新方法对噪声特性是稳健的。 2．数据产生 由于确切的信息如动作电位种类数和动作电位的发放时间可以预先知道，基于实测数据 的合成数据在评估算法的性能中比实测数据更具优势。 在本文的研究中，合成数据通过三类动作电位波形和实测的背景噪声来产生，这些动作 [10] 电位和背景噪声来自对小鸡视网膜神经节细胞的多电极记录 。每个模板持续时间是 2 毫 秒（40 个采样点，其中 16 个在峰值点的前面 23 个在峰值点的后面）。为了构造合成数据， 1 1本工作得到国家973计划项目(2005CB724301)，国家自然科学基金(No.和教育部高等学校博 士学科点专项科研基金(20040248062)的资助 - 1 - 每个模板分别与一段随机的背景噪声叠加，此过程重复 500 次，得到受噪声影响的 1500 个 动作电位波形。三个模板中的两个动作电位随机叠加并加上一段随机噪声，此过程重复 50 次，得到 150 个由两个模板混叠构成的动作电位波形。最后，所有的动