基于主成分分析的神经元锋电位分类算法SpikeSortingBasedonPrincipalComponentAnalysis.pdf

目 录 中文摘要 …………………………………………………………………………… 1 英文摘要 …………………………………………………………………………… 2 1. 前言 …………………………………………………………………………… 3 1.1研究背景 ……………………………………………………………… ……… 3 1.2锋电位分类的研究现状… ……………………………………………………… 3 1.2.1聚类分析法… ………………………………………………………………… 3 1.2.2小波变换法……………………………………………………………………4 1.2.3独立成分分析 … ……………………………………………………………4 1.2.4模板匹配法……………………………………………………………………5 1.2.5基于滤波的分类方法… … …………………………………………………5 1.2.6基于特征分析的分类方法 … ………………………………………………5 2. 实验对象和方法 ……………………………………………………………… 5 2.1 神经元放电数据 ………………………………………………………………5 2.2 锋电位检测 …………………………………………………………………… 6 2.3 锋电位特征提取 ………………………………………………………………7 2.4聚类分析 …………………………………………………………………………9 3.实验结果…………………………………………………………………… 10 3.1锋电位检测结果…………………………………………………………………10 3.2特征提取…………………………………………………………………………11 3.3聚类分析及分类结果……………………………………………………………12 4.讨论 …………………………………………………………………………… 12 5.结论 …………………………………………………………………………… 14 致谢 ……………………………………………………………………………… 16 参考文献 ……………………………………………………………………… 17 附件 …………………………………………………………………………………19 天津医科大学生物医学工程系学士学位论文 摘 要 目的：运用主成分分析法对多电极细胞外记录的神经元信号进行分类，分析 该分类方法的正确率和有效性，并与其它 Spike Sorting 算法进行性能对比。方法： 应用阈值检测法把目标神经元的放电活动从背景噪声中分离出来，然后用主成分 分析法进行特征提取，最后对特征值进行 K-Means 聚类，从而得到分类结果， 并应分析该算法的正确率和有效性。结果：（1）当大量不同的锋电位中有两种具 有相似形状且仅在小时间范围内有明显区别时，PCA 分类的错误率较高。 （2 ） 对噪声水平高的信号，PCA 的错误率高。结论：（1）对于锋电位波形差异较大 的信号，PCA的分类效果较好。（2 ）主成分分析法对噪声没有很好的抑制作用。 （3 ）采用相同的特征提取方法，不同的聚类方法对分类结果也有影响。 关键词：神经元锋电位；主成分分析；锋电位分类；聚类；小波变换 1 天津医科大学生物医学工程系学士学位论文 Abstract Objects:We use principal component analysis(PCA) to sort the extracellularly recorded spike, and analyse the quality and efficiency.Methods:first we use amplitude threshold to detection the