基于形态特征的神经元分类

发布时间：2020-07-15 11:32

【摘要】：大脑是控制生命活动的重要器官,而神经元作为大脑的基本单位,可将各种外界信息传递给大脑,是信息传递真正的核心,因此对神经元的研究是十分必要的,而根据神经元的几何形态特征对不同物种的神经元进行分类这一课题是该研究的基础所在。然而,迄今为止,这一课题仍未得到较好的解决。本文主要是从神经元的形态特征出发,对人类、黑猩猩和猴子这三个物种的锥体神经元进行分类。首先,利用L-Measure软件提取三个物种的锥体神经元形态特征,通过查找相关文献及软件所附相关说明对各个特征的统计值予以选择;其次,对数据进行质量分析和特征分析,采用PCA和LDA两种降维方法对提取的形态特征进行降维,并分别对降维后的新特征进行分析,再针对每种降维方法分别使用支持向量机、决策树、随机森林三种分类算法来对三个物种的锥体神经元分类;最后,分析比较不同降维方法及不同分类算法对锥体神经元分类效果的影响。结果表明,不论采用哪种降维方法构建分类模型,其分类效果都比较理想。基于PCA降维后,支持向量机的分类效果是最好的,随机森林稍次之,决策树最差,而三种分类算法均是对人类锥体神经元分类效果最好,其次是猴子锥体神经元,最差的是黑猩猩锥体神经元;基于LDA降维后,支持向量机分类效果比随机森林和决策树的分类效果要稍好一些,然而,支持向量机和决策树对黑猩猩锥体神经元分类效果最好,其次是猴子锥体神经元,人类锥体神经元最差。基于PCA降维后,三种分类算法的分类效果都比基于LDA降维后的分类效果好,并且,采用PCA和LDA降维方法分别构建的分类模型中,支持向量机分类效果最好。这些降维法及分类算法的研究可为基于空间形态特征对不同物种的其他神经元分类提供依据,加深了人们对神经元结构与功能的认识,促进了神经信息学的发展。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：C81
【图文】：

线性可分,二维空间,示例,线性函数

华中科技大学硕士学位论文性可分支持向量机化和支持向量个数据样本，如果它能够被一个线性函数分开，那么就称该。线性函数在二维平面上是一条直线，在三维空间中就是一果不考虑空间的维数，则这种线性函数被称为超平面。我们单例子，图 2-1 中的(a)是已有的数据样本，红色和蓝色分别数据显然能够线性可分，很明显能将这两类数据点分开的直线线性可分支持向量机就对应于正确划分数据并且间隔最大的

流程图,森林分类,流程图

20图 2-2 随机森林分类算法的流程图2.3 分类器效果评价指标在模型的构建完成后，必须评估模型的效果，并根据评估的结果来对模型的参数或算法进行调整，以获得满意的结果。准确率是评估一个模型最简单和最常用的指标，但是，如果在没有任何前提条件下使用准确率作为评估指标，则其通常无法反映一个模型性能的优劣。所以，对一个模型来说，我们需要从它的不同方面去判断其性能，当比较不同模型的性能时，利用不同的性能度量通常会导致不同的评估结果。下面是对本文将会用到的一些评价指标简单介绍：

结构图,结构图,细胞体,轴突

华中科技大学硕士学位论文3 神经元基本介绍与数据预处理元的基本介绍元是大脑神经系统中结构以及功能的最基本的单位，它由细胞体和突成[31]，细胞体的作用是联络与整合输入的信息并将信息传出，其中含起包括树突和轴突两种类型，树突有多条且较短，它的分布呈树枝状把来自其他神经元轴突传来的脉冲传递给细胞体，而轴突只有一条，，它的作用是接受外部刺激并由细胞体传递出去。神经元的结构图如

【参考文献】