本文選題：鋒電位分類 + 疊加鋒電位　； 參考：《天津理工大學》2014年碩士論文

【摘要】：人體神經(jīng)系統(tǒng)支撐著體內(nèi)各個器官之間的功能及聯(lián)系。神經(jīng)元發(fā)放的鋒電位是神經(jīng)系統(tǒng)間傳遞和發(fā)布信息的媒介。目前常采用多電極胞外記錄的方式對鋒電位信號進行采集，從采集的信號中將鋒電位信號檢測、提取出來，并對不同形態(tài)特征的鋒電位信號進行各自歸類，這一系列的過程就稱為鋒電位分類。受當前采集技術的限制，當多個神經(jīng)元細胞在相隔很短時間同時放電時，檢測到的會是多個鋒單位信號的疊加波形。疊加鋒電位的波形形態(tài)會因為疊加時刻和疊加波形的不同而不同，這增加了鋒電位分類的難度。因此，研究疊加鋒電位的分類，是提高鋒電位分類準確性的關鍵，對神經(jīng)元集群編碼的研究具有重要意義。 本文通過對疊加鋒電位的產(chǎn)生原理及波形特點進行研究，重點分析了疊加鋒電位分類的難點問題，研究適合于疊加鋒電位識別的特征表示方法和分類策略。 為解決鋒電位波形由于疊加而造成的波形信息丟失問題，本文通過對相空間重構算法進行研究，將其應用到疊加鋒電位分類中，提出了基于相空間重構的鋒電位分類策略。通過對鋒電位進行相空間重構，豐富了其波形信息，可以從多角度對疊加鋒電位樣本進行分析。本文的方法，在Wave_clus數(shù)據(jù)集上進行了大量實驗，實驗結果表明，基于相空間重構的鋒電位分類策略對疊加鋒電位分類具有良好的效果，準確率有了一定程度的提升。 針對基于相空間重構的分類策略中數(shù)據(jù)維度大及抗噪聲能力差的問題，本文對其進行了改進，在相空間中引入了基于窗口斜率表示法和二階差分表示法相結合的特征表示方法。結合之后的特征優(yōu)化方法，不僅可以降低鋒電位樣本的維度，還可以將鋒電位波形的變化趨勢突出，有利于提高鋒電位分類的準確性。通過對不同噪聲水平和不同疊加程度的鋒電位數(shù)據(jù)進行實驗，結果表明，，與單獨用相空間重構算法及窗口斜率表示法相比，結合之后的特征表示方法不僅在一定程度上降低了數(shù)據(jù)的維度，而且對噪聲干擾嚴重的鋒電位數(shù)據(jù)能夠保持較高的分類準確率。
[Abstract]:The human nervous system supports the function and connection of various organs in the body. The spike potential sent out by neurons is a medium for the transmission and dissemination of information between the nervous systems. At present, the multi-electrode extracellular recording is often used to collect the spike potential signal. The spike potential signal is detected and extracted from the collected signal, and the spike potential signals with different morphological characteristics are classified respectively. This series of processes is called spike classification. Limited by the current acquisition techniques, when several neuron cells discharge simultaneously at very short intervals, the superposition waveforms of multiple front unit signals will be detected. The waveform shape of superposed spike is different because of the superposition time and superposition waveform, which makes it more difficult to classify the spike. Therefore, the research on the classification of superposed spike potential is the key to improve the accuracy of spike potential classification, and it is of great significance to study the coding of neuron cluster. In this paper, the generation principle and waveform characteristics of superposed spike potential are studied. This paper mainly analyzes the difficult problems in the classification of superposed spike, and studies the characteristic representation method and classification strategy suitable for the recognition of superposed spike. In order to solve the problem of waveform information loss caused by superposition of spike waveform, In this paper, the algorithm of phase space reconstruction is studied, and applied to the classification of superimposed spike potential, and a new strategy of spike potential classification based on phase space reconstruction is proposed. Through the phase space reconstruction of the spike potential, the waveform information can be enriched, and the superposition spike sample can be analyzed from many angles. In this paper, a large number of experiments are carried out on the Waveclus data set. The experimental results show that the strategy of spike potential classification based on phase space reconstruction has a good effect on stack spike classification. The accuracy has been improved to a certain extent. Aiming at the problems of large data dimension and poor anti-noise ability in the classification strategy based on phase space reconstruction, this paper improves it. A new method based on the combination of window slope representation and second-order difference representation is introduced in the phase space. Combined with the method of feature optimization, not only the dimension of spike sample can be reduced, but also the variation trend of spike waveform can be highlighted, which is helpful to improve the accuracy of spike potential classification. The experimental results of spike potential data with different noise levels and different superposition degrees show that compared with phase space reconstruction algorithm and window slope representation alone, The combined feature representation method not only reduces the dimension of the data to a certain extent, but also maintains a high classification accuracy for the noisy spike data.
【學位授予單位】：天津理工大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TN911.7;R741

【相似文獻】

相關期刊論文 前10條

1 牛意堅;劉濤;;基于窗口法的改進鋒電位檢測算法[J];計算機與數(shù)字工程;2012年02期

2 姚舜;劉海龍;陳傳平;李向?qū)?;局部場電位和微分特性影響下神經(jīng)元網(wǎng)絡發(fā)放鋒電位的檢測[J];計算機與數(shù)字工程;2005年12期

3 封洲燕;王靜;汪洋;鄭曉靜;;神經(jīng)元鋒電位信號濾波頻率的選擇[J];浙江大學學報(工學版);2012年02期

4 羅罕頻;占峰;任劍鋒;;基于LabVIEW的鋒電位分類虛擬儀器[J];實驗室研究與探索;2010年11期

5 張溥明,吳金勇,梁培基,陳愛華,袁景淇;低信噪比神經(jīng)元鋒電位信號的分類方法[J];上海交通大學學報;2004年05期

6 ;[J];;年期

7 ;[J];;年期

8 ;[J];;年期

9 ;[J];;年期

10 ;[J];;年期

相關會議論文 前1條

1 張森泉;陳科;堯德中;;基于局部PCA的鋒電位甄別方法研究[A];中國生物醫(yī)學工程進展——2007中國生物醫(yī)學工程聯(lián)合學術年會論文集（上冊）[C];2007年

相關博士學位論文 前4條

1 王靜;多通道鋒電位信號分析的新方法及其在海馬神經(jīng)元發(fā)放特性研究中的應用[D];浙江大學;2011年

2 丁偉東;神經(jīng)鋒電位信號識別方法研究[D];上海交通大學;2008年

3 祝曉平;植入式腦—機接口鋒電位實時處理算法研究[D];浙江大學;2012年

4 汪洋;大鼠海馬CA1區(qū)神經(jīng)活動對體感刺激響應的研究[D];浙江大學;2014年

相關碩士學位論文 前10條

1 齊佳;鋒電位分類中疊加波形的檢測與識別[D];天津理工大學;2012年

2 羅靜;疊加鋒電位的分類方法研究[D];天津理工大學;2014年

3 郜麗賽;基于匹配小波變換的大鼠初級視皮層神經(jīng)元鋒電位分類[D];鄭州大學;2011年

4 陳白璐;基于寬頻帶記錄信號的神經(jīng)元鋒電位檢測分類新方法及其應用[D];浙江大學;2014年

5 李穎;基于人工神經(jīng)網(wǎng)絡的多電極陣列上培養(yǎng)神經(jīng)元鋒電位的分類[D];華中科技大學;2006年

6 宮艷紅;基于遺傳算法—支持向量機的鋒電位分類及神經(jīng)元特性分析[D];鄭州大學;2011年

7 孫倪;多電極陣列上培養(yǎng)神經(jīng)元網(wǎng)絡的鋒電位信號處理[D];華中科技大學;2004年

8 李曉燕;鋒電位信號分析及噪聲抑制算法研究[D];鄭州大學;2013年

9 劉新玉;神經(jīng)元鋒電位干擾抑制算法研究及實現(xiàn)[D];鄭州大學;2012年

10 鮑莉;蜜蜂簡單行為誘導及光流刺激下鋒電位發(fā)放的研究[D];浙江大學;2012年

本文編號：2004449