【正文】 phological filter. Firstly, apply the threshold detection to the recorded data, and cluster the spikes with principal ponent analysis. Secondly, take the template of one cluster of spikes as the morphological filter. Finally, filter the raw data with the best morphological filter and redetect the filtered signal. This method works better than threshold detection with varied signal noise ratio. When the baseline shifts, the new method is not influenced while the threshold detection is apparently inferior. The method is also used to process real data.Key words: spike detection, spike sorting, threshold detection, morphological filter目錄第一章 緒論…………………………………………………………………………………..1 神經(jīng)元?jiǎng)幼麟娢挥涗浵到y(tǒng) ..........................................................................................1 神經(jīng)元?jiǎng)幼麟娢粰z測(cè)的意義 ......................................................................................2 動(dòng)作電位檢測(cè)的方法及發(fā)展概述 ..............................................................................3 閾值檢測(cè)法 .......................................................................................................3 窗口檢測(cè) ...........................................................................................................4 基于非線性能量算子的檢測(cè) ...........................................................................4 匹配濾波方法 ..................................................................................................5 基于概率的檢測(cè) ..............................................................................................5 基于小波變換的檢測(cè) .......................................................................................5 神經(jīng)元?jiǎng)幼麟娢坏姆诸惙椒?......................................................................................6 模板匹配 ...........................................................................................................6 基于特征分析的分類方法 ...............................................................................6 聚類方法 ..........................................................................................................7 本章小結(jié) ......................................................................................................................8第二章 材料與方法 ................................................................................................................10 模擬數(shù)據(jù)方法 ...........................................................................................................10 神經(jīng)元?jiǎng)幼麟娢恍盘?hào)多電極記錄系統(tǒng) ....................................................................11 多電極陣列 ....................................................................................................11 視網(wǎng)膜標(biāo)本 .....................................................................................................12 灌流系統(tǒng) .........................................................................................................12 刺激和記錄系統(tǒng) ............................................................................................12 基于形態(tài)學(xué)濾波器的方法 .......................................................................................13 動(dòng)作電位檢測(cè)方法 .........................................................................................14 動(dòng)作電位分類方法 .........................................................................................15 本章小結(jié) ...................................................................................................................16第三章 結(jié)果 ............................................................................................................................17 將所提出算法用于模擬數(shù)據(jù) ....................................................................................17 閾值法檢測(cè)與主成分分析 .............................................................................17 形態(tài)學(xué)濾波器的構(gòu)建與濾波 .........................................................................20 兩種方法對(duì)比結(jié)果 ....................................................................................................22 模擬基線漂移數(shù)據(jù)結(jié)果 ............................................................................................23 真實(shí)實(shí)驗(yàn)數(shù)據(jù)結(jié)果 ....................................................................................................25 本章小結(jié) ....................................................................................................................28第四章 總結(jié)與展望 ................................................................................................................30謝辭………………………………..…………………………………………………………33原文及譯文 ..............................................................................................................................34 第一章 緒論神經(jīng)系統(tǒng)主導(dǎo)著人類的感知、思維，是體內(nèi)重要的調(diào)節(jié)系統(tǒng)。放電活動(dòng)產(chǎn)生的電信號(hào)就像電報(bào)密碼一樣，要想揭開神經(jīng)系統(tǒng)的神秘面紗，就要破譯這些電密碼的生理意義。神經(jīng)元信息處理中體現(xiàn)出的群體性越來越被人們關(guān)注。A B圖 11 多電極陣列實(shí)物圖（ MCS GmbH, Germany）多電極記錄為神經(jīng)科學(xué)研究提供了更好的資料，給研究帶來更多更有用的信息。圖 12 多電極中一個(gè)電極記錄到的放電活動(dòng)圖 13 多電極記錄數(shù)據(jù)局部放大圖 12 中信號(hào)的采樣率為 40KHz。如果第一步動(dòng)作電位檢測(cè)的方法不科學(xué)，結(jié)果準(zhǔn)確度不夠高的話，之后的動(dòng)作電位分類以及一切計(jì)算及其結(jié)論都仿佛空中樓閣，難以站得住腳。閾值檢測(cè)的優(yōu)點(diǎn)是原理清晰簡(jiǎn)單，實(shí)現(xiàn)方便易行，缺點(diǎn)在于閾值的估計(jì)有難度，設(shè)置過低有可能將噪聲算作動(dòng)作電位，設(shè)置過高又有可能漏掉真實(shí)動(dòng)作電位 [4]。這種方法的判定不是基于籠統(tǒng)的全局條件而是對(duì)于信號(hào)的每一個(gè)局部(窗口) 加以驗(yàn)證,因此精度高于普通的閾值設(shè)定。由于動(dòng)作電位的發(fā)放通常被認(rèn)為是“全”或“無”的，在研究中就不考慮動(dòng)作電位的幅度，只按動(dòng)作電位發(fā)放的先后順序進(jìn)行排列，從而獲得每個(gè)電極上的動(dòng)作電位串。此算法與基于非線性能量算子的檢測(cè)方法類似，期望改善信噪比。但當(dāng)信號(hào)成分復(fù)雜，動(dòng)作電位波形態(tài)變化顯著,目標(biāo)波形不明確時(shí)，檢測(cè)性能不可避免會(huì)下降。因此克服了這些方法檢測(cè)動(dòng)作電位的缺陷和局限性。其算法較簡(jiǎn)單，可以做到實(shí)時(shí)檢測(cè)。用 FIR 濾波器組來實(shí)現(xiàn)的小波變換兼顧處理時(shí)間，抗干擾能力強(qiáng)，準(zhǔn)確率高。模板匹配采用 χ2test，貝葉斯分類器等方法，通過計(jì)算動(dòng)作電位信號(hào)與模板之間的距離來確定是否屬于該模板 [11]。這些方法比較直觀和方便，但依據(jù)特征量的選擇不可避免帶來主觀因素，而且容易漏掉很多有用的但比較隱蔽的信息。 聚類方法得到特征分析的散點(diǎn)圖后，往往要進(jìn)行聚類。其缺陷在于運(yùn)算量大，該算法本質(zhì)上屬于局部搜索的爬山法，容易陷入局部極小點(diǎn)。即初始聚類中心將決定模糊 C 均值聚類算法的聚類收斂速度和聚類精度。天然具有存儲(chǔ)經(jīng)驗(yàn)知識(shí)和使之可用的特性。從輸入層到隱含層的變換是非線性的，而隱含層到輸出層的變換是線性的。單個(gè) SOFM 聚類對(duì)輸入?yún)?shù)，尤其對(duì)輸出層神經(jīng)元個(gè)數(shù)非常敏感。但目前沒有一種方法能夠達(dá)到百分百的準(zhǔn)確率將電極記錄到的數(shù)據(jù)中的動(dòng)作電位事件毫無差錯(cuò)的檢出，也沒有一種接近完美的動(dòng)作電位分類方法。模擬時(shí)假設(shè)：（1）每個(gè)神經(jīng)元的放電頻率不變；（2）每個(gè)神經(jīng)元發(fā)放的動(dòng)作電位波形不變；（3）不同神經(jīng)元?jiǎng)幼麟娢徊ㄐ斡忻黠@差異；（4）噪聲為白噪聲，服從高斯分布；（5）神經(jīng)電信號(hào)與噪聲線性疊加。本文中的真實(shí)數(shù)據(jù)來自以下介紹的多電極記錄系統(tǒng)，由實(shí)驗(yàn)室學(xué)姐景瑋采集。灌流液的切換由多通道邏輯開關(guān)進(jìn)行控制。（2）對(duì)所有的事件采用主成分分析法，并使用減法聚類，將歸為一類的所有波形平均后得到此類的模板，作為形態(tài)學(xué)濾波器原型。這一步的目的是進(jìn)行初步的檢測(cè)、分類，以得出形態(tài)學(xué)濾波器的結(jié)構(gòu)元素。與傳統(tǒng)的數(shù)字濾波器相比，基于數(shù)學(xué)形態(tài)學(xué)的消噪濾波方法具有算法簡(jiǎn)便易行、物理意義明確、實(shí)