论文部分内容阅读
大脑功能的实现依赖于神经元及其互相连接形成的神经网络。先进的微电极阵列记录技术已经能够同时采集大量神经元的细胞外动作电位(即锋电位)信号,锋电位信号的分析处理是神经系统信息处理机制研究的基础。从这些信号中可以甄别不同的神经元以及神经元的类型(如锥体或者中间神经元),但是,目前相关的信号分析工具还存在两大问题:第一,对于大脑中普遍存在的神经元爆发式发放(Burst)的锋电位分类能力较差。爆发式发放对于增强神经信号传递的可靠性以及形成突触可塑性等具有重要作用。在细胞外记录信号中Burst表现为幅值和波形都逐渐变化的高频率发放锋电位,给神经元锋电位的正确分析提出了难题。第二,常用的锋电位分类算法只能够区分来自不同神经元的锋电位,却不能甄别这些神经元是锥体神经元还是中间神经元。为了解决第一个问题,本文设计了一种四极电极记录的锋电位信号检测和分类方法,在阈值法检出锋电位的基础上,首先根据锋电位时间间隔检出候选Burst信号小段,然后利用独立分量分析(Independent Component Analysis, ICA)的盲源分离算法确定这些Burst中各自包含的不同锋电位类别,最后用主成分分量实现锋电位聚类。实验记录数据和仿真数据的检验结果表明,该方法不仅能够将属于Burst的锋电位和单发放锋电位正确分类,而且还能够分离重叠锋电位,同时又能够满足ICA源信号数量必须小于记录信号通道数的限制条件,并且避免ICA计算量大的问题,为Burst的正确检测与分类提供了一种新方法。为了解决第二个问题,本文通过人工分类构建了训练样本集,并提出了基于决策树的特征参数重要性的评价算法。评价结果表明,锋电位中负峰前后的正峰之间的时间间隔以及锋电位负峰后上升沿的斜率这两种参数的组合是区分锥体神经元与中间神经元的最佳参数。本文还通过线判别分析算法验证了这一结论,并且与前人已发表的有关特征参数重要性的研究结果进行比较。结果表明,应用本文得到的最佳特征参数区分这两种神经元时具有较高的分类正确率。为了从理论上考察不同神经元细胞外动作电位波形的变化特性,本文还研究了神经元动作电位的仿真模型,考察了树突电流、细胞形态对于锋电位波形的影响。结果表明:树突电流对于远离胞体处的锋电位有较大的影响,对于靠近胞体的锋电位波形作用不大;神经元形态的不同会导致锋电位幅值的较大变化,但它们对于锋电位波形的形状却无明显作用。这些研究为区分锥体和中间神经元提供了理论依据。总之,本文设计了爆发式发放锋电位分类的新算法,确定了区分锥体神经元和中间神经元的最佳锋电位波形参数,并且利用仿真模型考察了不同神经元锋电位的变化规律,这些工作对于发展神经元集群的信号分析和甄别技术具有重要意义。