波形特征的高斯混合模型锋电位分类算法.pdfVIP

35卷 4期 中 国 生 物 医 学 工 程 学 报 V01．35 No．4 2016年 8月 ChineseJournalofBiomedicalEngineering August 2016 波形特征的高斯混合模型锋电位分类算法 万 红 张 超 刘新玉 尚志刚 (郑州大学 电气工程学院，郑州 450001) 摘 要：锋 电位分类是进行大脑信息处理机制研究的基本步骤之一。针对锋 电位信号的复杂性和非平稳性 ，从统 计聚类的角度出发，采用高斯混合模型描述锋 电位信号的概率密度函数 ，提出了一种新 的基于波形变化率特征和 高斯混合模型聚类的锋 电位分类方法 。首先计算锋 电位 的波形变化率 ，然后利用最大差异方法获得锋电位波形的 低维特征，最后采用高斯混合模型算法对特征进行聚类，实现锋 电位分类。采用开放的仿真数据分析了该算法的 分类精度和可行性，然后分别利用来 自5只大鼠和 1只恒河猴初级视觉皮层的实测数据验证了该算法的实用性， 并与主成分分析特征的高斯混合模型聚类、幅值特征的高斯混合模型聚类和变化率特征的k均值聚类等 3种方法 进行了比较。仿真实验中，在噪声水平为 0．05、0．10、0．15、0．20时，误分率分别为 1．18％ ±1．18％、1．41％ ± 1．06％、2．27％ ±1．51％、2．98％ ±2．06％，低于其他 3种方法 ；实测实验 中，恒河猴数据 的 ．，准则值为 13．50± 5．26，大鼠数据的 准则值为 26．43±10．46。与其他 3种方法相 比，平均 ．，准则值较大，且显著高于幅值特征的 高斯混合模型聚类算法。所提出的方法表现出较高的分类精度和较好的类可分性，为实现神经元锋 电位的可靠分 类提供 了一种有效的手段 。 关键词：锋 电位分类；波形变化率；最大差异算法；高斯混合模型 中图分类号 R318．04 文献标志码 A 文章编号 0258．8021(2016)04-040209 SpikeSortingUsingGaussianM ixtureM odelofW aveform Feature WanHong ZhangChao LiuXinyu ShangZhigang (SchoolofElectricalEngineering，ZhengzhouUniversity，Zhengzhou450001，China) Abstract：Spikesortingisoneofbasicstepstostudybraininformationprocessingmechanism．Regardingtothe complexityandnon—stationaryofspike signals，anew spike sortingmethodbasedonwaveform changingrate featuresandGaussianmixturemodel(GMM)clusterwasproposedinthiswork，inwhichtheGMM described theprobabilitydensityfunctionofspikefeaturesfrom statisticalclusteringviewpoint．Intheproposedmethod， firstly，thechangingrateofspikewaveformswascalculated，thenlow—dimensionalfeatureswereobtainedusing maximum-differencemethod，andthefeatureswerefinallysortedbytheGMM ．Theaccuracyandfeasibilityof thealgorithm wasmeasured by the simulate