波形特征的高斯混合模型锋电位分类算法

发布时间：2017-10-12 15:44

  本文关键词：波形特征的高斯混合模型锋电位分类算法

  更多相关文章： 锋电位分类 波形变化率 最大差异算法 高斯混合模型

【摘要】：锋电位分类是进行大脑信息处理机制研究的基本步骤之一。针对锋电位信号的复杂性和非平稳性,从统计聚类的角度出发,采用高斯混合模型描述锋电位信号的概率密度函数,提出了一种新的基于波形变化率特征和高斯混合模型聚类的锋电位分类方法。首先计算锋电位的波形变化率,然后利用最大差异方法获得锋电位波形的低维特征,最后采用高斯混合模型算法对特征进行聚类,实现锋电位分类。采用开放的仿真数据分析了该算法的分类精度和可行性,然后分别利用来自5只大鼠和1只恒河猴初级视觉皮层的实测数据验证了该算法的实用性,并与主成分分析特征的高斯混合模型聚类、幅值特征的高斯混合模型聚类和变化率特征的k均值聚类等3种方法进行了比较。仿真实验中,在噪声水平为0.05、0.10、0.15、0.20时,误分率分别为1.18%±1.18%、1.41%±1.06%、2.27%±1.51%、2.98%±2.06%,低于其他3种方法;实测实验中,恒河猴数据的J3准则值为13.50±5.26,大鼠数据的J3准则值为26.43±10.46。与其他3种方法相比,平均J3准则值较大,且显著高于幅值特征的高斯混合模型聚类算法。所提出的方法表现出较高的分类精度和较好的类可分性,为实现神经元锋电位的可靠分类提供了一种有效的手段。
【作者单位】： 郑州大学电气工程学院;
【关键词】： 锋电位分类 波形变化率 最大差异算法 高斯混合模型
【基金】：国家自然科学基金(U1304602) 河南省重点科技攻关项目(122102210102;162102310167)
【分类号】：R338;TN911.6
【正文快照】： 引言在神经科学中,锋电位(spike)是神经信息接收、编码和传递的载体,具有重要的研究意义。在微电极阵列胞外记录方式中,每根微电极尖端可能被多个神经元包围,即一个电极可能同时记录到多个神经元发放的锋电位。因此需要首先把微电极阵列记录到的不同神经元的放电活动区分开来,

【相似文献】

中国期刊全文数据库 前4条

1 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

2 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

3 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

4 ;[J];;年期

中国硕士学位论文全文数据库 前2条

1 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

2 吴蕴蕴;神经元锋电位与场电位之间锁相性分析的新方法及其应用[D];浙江大学;2013年

，

本文编号：1019589