基于四元数的锋电位检测与分类方法的研究

发布时间：2017-09-03 05:18

  本文关键词：基于四元数的锋电位检测与分类方法的研究

  更多相关文章： 锋电位 四元数 阈值检测 聚类 主成分分析

【摘要】：神经元锋电位是神经系统接收、分析和传递信息的载体,大脑将锋电位中的信息加以处理和整合,还原为感觉并做出反应。因此,锋电位的检测与分类是研究神经信息编码的基础,对揭示大脑工作机制具有非常重要的意义。多通道电极能同步记录多组锋电位序列,给我们提供了一个了解多神经元协同工作机制的窗口。但其记录的信号数据量大、形式复杂,也给锋电位信号处理带来了新的挑战。本文根据多通道锋电位的数据特征将四元数信号处理方法应用于研究多通道锋电位预处理、检测以及特征提取和分类。本文根据锋电位数据特征,结合四元数差分滤波同步降噪方法和小波阈值降噪,提出一种多通道锋电位并行预处理方法。基于仿真数据和国际公开的真实锋电位数据库对本文方法进行验证,证实本方法能有效抑制多种噪声信号和基线漂移的影响,降低同类锋电位的波形差异度,提高锋电位分类的准确率。本文根据四元数代数理论提出基于四元数均方根的锋电位球阈值检测算法,并实现该算法在三维空间的可视化。经仿真和真实锋电位数据验证,四元数阈值检测算法的运算时间和检测结果的准确性均优于传统阈值法和窗口阈值法。锋电位特征提取是实现其准确分类的前提。由于在实际锋电位分类实验中数据量大,现有多通道锋电位特征提取方法处理缓慢,并且会丢失各通道数据间的关联信息。本文根据多通道数据的结构特点,将基于四元数双对角化的改进四元数主成分分析应用于多通道锋电位的特征提取,该方法在融合多通道数据信息的同时,降低四元数主成分分析的计算复杂度。针对四元数特征提出基于四元数距离的K-means聚类算法,并与基于串行PCA特征的普通K-means聚类结果进行比对,证实本文提出的锋电位四元数并行处理优于传统串行处理,并且与人工分类的结果相似。因此本算法能够在实际锋电位分类实验中代替人工分类方法,提高工作效率。
【关键词】：锋电位 四元数 阈值检测 聚类 主成分分析
【学位授予单位】：燕山大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R338;TN911.7
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-19
• 1.1 研究背景与意义10-11
• 1.2 锋电位信号处理研究现状11-14
• 1.2.1 锋电位检测研究现状12-13
• 1.2.2 锋电位分类研究现状13-14
• 1.3 四元数信号处理研究现状14-17
• 1.3.1 信号和图像处理15
• 1.3.2 神经计算15-16
• 1.3.3 计算机和机器人视觉16-17
• 1.4 论文结构安排17-19
• 第2章 基础理论知识19-35
• 2.1 锋电位检测与分类基本方法19-26
• 2.1.1 锋电位检测19-21
• 2.1.2 锋电位特征提取21-25
• 2.1.3 锋电位聚类25-26
• 2.2 锋电位数据库26-30
• 2.2.1 仿真数据26-28
• 2.2.2 实验数据28-30
• 2.3 四元数矩阵代数理论30-34
• 2.3.1 四元数的复数表示方法及四元数矩阵性质30-32
• 2.3.2 四元数矩阵的奇异值分解32-33
• 2.3.3 四元数范数定义33-34
• 2.4 本章小结34-35
• 第3章 基于四元数方法的锋电位检测35-53
• 3.1 锋电位信号预处理35-44
• 3.1.1 噪声的来源35
• 3.1.2 基于四元数的锋电位降噪方法35-39
• 3.1.3 数据降噪结果分析39-44
• 3.2 四元数球阈值检测算法44-47
• 3.3 锋电位检测结果分析47-52
• 3.3.1 仿真数据结果与分析47-50
• 3.3.2 真实数据结果与分析50-52
• 3.4 本章小结52-53
• 第4章 基于四元数方法的锋电位分类53-67
• 4.1 四元数特征提取53-57
• 4.1.1 四元数主成分分析53-54
• 4.1.2 基于双对角化的四元数奇异值分解54-57
• 4.2 基于QPCA的多通道锋电位特征提取57-58
• 4.3 四元数聚类58-60
• 4.3.1 四元数相似性度量58-59
• 4.3.2 四元数K-means聚类59-60
• 4.4 实验及结果分析60-66
• 4.4.1 四元数主成分分析结果与分析60-63
• 4.4.2 锋电位分类结果与分析63-66
• 4.5 本章小结66-67
• 结论67-69
• 参考文献69-74
• 致谢74

【相似文献】

中国期刊全文数据库 前10条

1 姚舜,刘海龙,陈传平,李向宁;一种获取锋电位的峰值检测算法的改进方案[J];生物医学工程研究;2005年01期

2 万红;郜丽赛;牛晓可;;基于匹配小波变换的初级视皮层神经元锋电位分类[J];郑州大学学报(工学版);2011年03期

3 封洲燕;肖乾江;胡振华;;电刺激期间神经细胞单元锋电位的检测[J];中国生物医学工程学报;2013年04期

4 丁伟东;袁景淇;梁培基;;多电极锋电位信号检测与分类方法研究[J];仪器仪表学报;2006年12期

5 刘新玉;尚志刚;万红;;神经元锋电位检测中大幅值干扰的去除[J];中国科技论文;2013年01期

6 吴杰,陈培熹;刺激隐神经中C类纤维诱发的小脑浦肯野细胞简单锋电位反应[J];生理学报;1992年04期

7 刘海龙;王兵;;MEA信号锋电位的主成分分类[J];生物医学工程研究;2005年03期

8 张义声,陈宜张;前庭-交感反应的中枢通路分析[J];生理学报;1993年04期

9 沈天怀;一个神经元,多个活动单位?[J];生理科学进展;1991年02期

10 杨德治,丁霭玲,魏义全,黄止荷,应崇智;狗小肠消化间期复合肌电的微机分析[J];中国应用生理学杂志;1996年04期

中国重要会议论文全文数据库 前1条

1 张森泉;陈科;尧德中;;基于局部PCA的锋电位甄别方法研究[A];中国生物医学工程进展——2007中国生物医学工程联合学术年会论文集（上册）[C];2007年

中国博士学位论文全文数据库 前4条

1 王静;多通道锋电位信号分析的新方法及其在海马神经元发放特性研究中的应用[D];浙江大学;2011年

2 丁伟东;神经锋电位信号识别方法研究[D];上海交通大学;2008年

3 祝晓平;植入式脑—机接口锋电位实时处理算法研究[D];浙江大学;2012年

4 汪洋;大鼠海马CA1区神经活动对体感刺激响应的研究[D];浙江大学;2014年

中国硕士学位论文全文数据库 前10条

1 王壹博;基于四元数的锋电位检测与分类方法的研究[D];燕山大学;2016年

2 齐佳;锋电位分类中叠加波形的检测与识别[D];天津理工大学;2012年

3 罗静;叠加锋电位的分类方法研究[D];天津理工大学;2014年

4 郜丽赛;基于匹配小波变换的大鼠初级视皮层神经元锋电位分类[D];郑州大学;2011年

5 陈白璐;基于宽频带记录信号的神经元锋电位检测分类新方法及其应用[D];浙江大学;2014年

6 李颖;基于人工神经网络的多电极阵列上培养神经元锋电位的分类[D];华中科技大学;2006年

7 宫艳红;基于遗传算法—支持向量机的锋电位分类及神经元特性分析[D];郑州大学;2011年

8 张磊;基于锋电位信号运动信息解码研究[D];郑州大学;2014年

9 孙倪;多电极阵列上培养神经元网络的锋电位信号处理[D];华中科技大学;2004年

10 李晓燕;锋电位信号分析及噪声抑制算法研究[D];郑州大学;2013年

，

本文编号：783077