神經(jīng)鋒電位信號(hào)識(shí)別方法研究.pdf

1、大腦通過神經(jīng)元?jiǎng)幼麟娢患翠h電位進(jìn)行信號(hào)的傳遞、交流和處理，對(duì)神經(jīng)鋒電位活動(dòng)的記錄檢測(cè)是神經(jīng)科學(xué)研究的前提。神經(jīng)鋒電位信號(hào)主要是通過細(xì)胞外電極進(jìn)行記錄。然而，單個(gè)電極上記錄到的信號(hào)往往是幾個(gè)相鄰神經(jīng)元的鋒電位與大量噪聲的疊加。為了從電極記錄信號(hào)中獲得有用的神經(jīng)元放電信息，對(duì)神經(jīng)元放電序列進(jìn)行甄別就尤為重要，有必要把每個(gè)神經(jīng)元發(fā)出的鋒電位從記錄信號(hào)中分離出來。 模式識(shí)別通過數(shù)據(jù)的先驗(yàn)知識(shí)和統(tǒng)計(jì)信息來對(duì)數(shù)據(jù)進(jìn)行分類。本文對(duì)模糊聚類和支

2、持向量機(jī)等模式識(shí)別方法進(jìn)行深入研究，提出一些簡(jiǎn)單有效的分類方法解決神經(jīng)鋒電位信號(hào)識(shí)別中的難點(diǎn)問題。 本文的創(chuàng)新性工作有： 1.實(shí)際檢測(cè)到的鋒電位信號(hào)往往包含大量噪聲和野值點(diǎn)，針對(duì)該問題，提出魯棒模糊聚類方法提高鋒電位的分類精度。在聚類過程中，樣本點(diǎn)相對(duì)于聚類的模糊隸屬度不僅與聚類中心的距離有關(guān)，還與樣本點(diǎn)局部密度值有關(guān)。通過減少具有較小密度值的噪聲和野值點(diǎn)的模糊隸屬度來降低它們?cè)诰垲愡^程中的影響，同時(shí)減少聚類間邊界點(diǎn)對(duì)于

3、各個(gè)聚類的隸屬度，使聚類更好地分離開，實(shí)現(xiàn)對(duì)鋒電位信號(hào)的準(zhǔn)確分類。并在此基礎(chǔ)上，提出了改進(jìn)的模糊聚類有效性評(píng)價(jià)指標(biāo)，實(shí)現(xiàn)在噪聲情況下對(duì)鋒電位數(shù)據(jù)聚類個(gè)數(shù)的識(shí)別。 2.神經(jīng)元爆發(fā)式放電和記錄電極漂移導(dǎo)致單一鋒電位聚類形狀發(fā)生無規(guī)則變化，劃分聚類方法難以獲得滿意分類結(jié)果。提出基于模糊C均值的層次聚類方法解決這一難題。首先，使用模糊聚類方法將鋒電位數(shù)據(jù)劃分為多個(gè)關(guān)系緊密的小類。然后，通過模糊隸屬度來計(jì)算次聚類間的連接強(qiáng)度，從整體上衡量

4、劃分間的相似性，對(duì)小類逐步合并，正確識(shí)別復(fù)雜的聚類結(jié)構(gòu)。最后，通過樣本點(diǎn)與多個(gè)中心的平均加權(quán)距離來度量類內(nèi)和類間距離，正確反映出復(fù)雜聚類的松緊程度，實(shí)現(xiàn)對(duì)形狀發(fā)生無規(guī)則變化的鋒電位聚類個(gè)數(shù)地判斷。 3.針對(duì)鋒電位信號(hào)的疊加問題，提出基于監(jiān)督分類的模板匹配方法。根據(jù)多類支持向量機(jī)的分類特點(diǎn)，設(shè)計(jì)一種新的訓(xùn)練策略，即在標(biāo)號(hào)為負(fù)的訓(xùn)練樣本中引入人工合成的疊加鋒電位波形，對(duì)疊加鋒電位信號(hào)準(zhǔn)確判斷，然后通過模板提取對(duì)檢測(cè)到的疊加信號(hào)進(jìn)行分

5、離。對(duì)于證據(jù)理論神經(jīng)網(wǎng)絡(luò)分類器，根據(jù)其能識(shí)別模糊輸入向量的特點(diǎn)，通過設(shè)置恰當(dāng)?shù)拈撝祵?shí)現(xiàn)對(duì)疊加信號(hào)的識(shí)別，在分類過程中對(duì)這些疊加信號(hào)逐步分離。 4.對(duì)支持向量機(jī)及其在鋒電位分類中的應(yīng)用進(jìn)行深入研究。提出一種基于密度信息的加權(quán)支持向量機(jī)，根據(jù)樣本點(diǎn)在高維特征空間密度大小調(diào)整其與分類平面的距離，減少噪聲和野值點(diǎn)的影響，突出具有較大密度值的重要樣本點(diǎn)的作用，從而把訓(xùn)練樣本的密度分布信息用于構(gòu)造最優(yōu)分類平面。然后，提出典型性支持向量機(jī)，根