【正文】 比，體現(xiàn)出了本文方法的優(yōu)越性。另外在模擬的基線漂移情況下，本文提出的方法也得出較好的結(jié)果。最后將算法用在真實(shí)數(shù)據(jù)上，取采集的 5s 信號(hào)樣本，用兩種方法進(jìn)行了計(jì)算檢測(cè)。第四章 總結(jié)與展望由第三章內(nèi)容可見(jiàn)，本文提出的方法比起閾值檢測(cè)法有明顯優(yōu)勢(shì)。（1）如圖 314，調(diào)整信噪比由 10 逐一降到 2，每種方法的錯(cuò)誤率都隨著信噪比的降低而增高。（2）在基線漂移情況下更加適合，幾乎不受漂移的影響。（3）使用閾值法時(shí)，采用的閾值不同，結(jié)果截然不同。（4）對(duì)于本文模擬數(shù)據(jù)，新方法比閾值法效果好。閾值取 3 倍標(biāo)準(zhǔn)差時(shí)，閾值法漏檢了所有的動(dòng)作電位 A，因?yàn)閯?dòng)作電位 A 的幅值與噪聲十分接近。閾值取 2 倍標(biāo)準(zhǔn)差時(shí)能夠檢測(cè)出兩種動(dòng)作電位，但出現(xiàn)漏檢、誤判等情況。而本文提出方法的錯(cuò)誤率始終較低。但是，運(yùn)算結(jié)果與設(shè)想還是有一些出入。（1）選取兩種動(dòng)作電位模板中寬度較小的一種，得出結(jié)果較好，而使用另外一種模板時(shí)，效果遜色些。對(duì)于這個(gè)問(wèn)題，由第二章兩種動(dòng)作電位得出模板的形狀可以推斷，第一，A 的模板情況不好，形狀不夠平滑，受噪聲污染嚴(yán)重；第二，A 動(dòng)作電位原型幅值太小，與噪聲比較接近，形態(tài)學(xué)濾波器需要與噪聲有較明顯區(qū)別才能進(jìn)行有效的濾波。所以濾波效果不好。（2）方法用于真實(shí)數(shù)據(jù)時(shí)，由于本文采用數(shù)據(jù)采樣率過(guò)高（40KHz） ，如果使用較長(zhǎng)時(shí)間的數(shù)據(jù)，算法所需時(shí)間太長(zhǎng)，在一般個(gè)人計(jì)算機(jī)上不可行。因此本文只取了 5s 信號(hào)作為樣本。為了克服 5s 內(nèi)數(shù)據(jù)不具有代表性的缺點(diǎn)，還是借用了實(shí)驗(yàn)室設(shè)備將動(dòng)作電位聚類(lèi)后的結(jié)果，得到平均模板，再進(jìn)行形態(tài)學(xué)濾波?？梢?jiàn)算法若想應(yīng)用于真實(shí)數(shù)據(jù)，還需要改進(jìn)。在神經(jīng)科學(xué)領(lǐng)域中，動(dòng)作電位的檢測(cè)與分類(lèi)始終是一個(gè)令人感興趣的課題。由于問(wèn)題本身的復(fù)雜性，到目前為止，還沒(méi)有一種完備的方法產(chǎn)生。因此在這方面還有大量的工作可以做。本文涉及的形態(tài)學(xué)濾波器是近年來(lái)比較熱門(mén)的方法，在大多數(shù)情況下它展現(xiàn)出的優(yōu)良性能使研究者對(duì)其產(chǎn)生極大興趣。本文的工作中，形態(tài)學(xué)濾波器能夠產(chǎn)生較好的結(jié)果，但出現(xiàn)的多種動(dòng)作電位模板濾波效果不同的情況，還待對(duì)形態(tài)學(xué)方法本身屬性進(jìn)行進(jìn)一步深入的探討，才可以解釋。參考文獻(xiàn)[1] CAMPBELL P K, JONES K E, HUBER R J, et a1. A siliconbased, Threedimensional neural interface：manufacturing processes for an intracortical electrode array[J]. IEEE Trans Biomed Eng, 1991, 38(8):758768.[2] BUZSAKI G．Largescale recording of neuronal ensembles[J]. Nat Neurosci, 2022, 7(5):446451[3] MUSICAL ., BAKER ., GERSTEIN ., et al. Signaltonoise ratio improvement in multiple electrode recording[J]. Journal of Neurosci. Methods, 2022, 115(1), 2943.[4] SHAHAF G AND MAROM S. Learning in works of cortical neurons[J]. Journal of Neuroscience, 2022, 21(22):8782878.[5] WELSH J P, SCHWARZ C Multielectrode record From the cerebellum[J]. Methods for Neural Ensemble Recordings, 1999, 5:79100.[6] CHOI J H, JUNGH K, KIM T. A new action potential detector using the MTEO and its effects on spike sorting systems at low signaltonoise ratios[J]. IEEE Trans. Biomed. Eng., 2022, 53(4):738746.[7] 王光力. 視網(wǎng)膜神經(jīng)元活動(dòng)多電極記錄信號(hào)的處理. 上海交通大學(xué)博士學(xué)位論文2022.[8] CHAUDURI S, et al. Detection of blood vessels in retinal images using twodimensional matched filters[J]. IEEE Trans. Med. Image, 1989, 8(2):263269.[9] SONG M Z, WANG H B A spike sorting framework using nonparametric detection and incremental clustering[J]. Neuroputing, 2022, 69:13801384.[10] NENADIC Z, BURDIC J W. Spike detection using the continuous wavelet transform[J]. IEEE Trans. Biomed. Eng., 2022, 52(1):7487.[11] PUMING ZHANG, JINYONG WU, YI ZHOU, PEIJI LIANG, JINGQI YUAN. Spike sorting based on automatic template reconstruction with a partial solution to the overlapping problem[J]. Journal of Neuroscience Methods, 2022, 135:5565.[12] ZOURIDAKIS G.,TAM ., Identification of reliable spike templates in multiunit extracellular recordings using fuzzy clustering[J]. Comp. Methods. amp。 Prog. Biomed., 2022, 61:9198.[13] Z. HILAL ?NANA, AND MEHMET KUNTALP. A study on fuzzy Cmeans clusteringbased systems in automatic spike detection[J]. Computers in Biology and Medicine, 2022, 37(8):11601166.[14] KO, C. W., LIN, Y. D., JAN, G. J., CHUNG, ., SUNG, S. M.. An EEG spike prescreening algorithm using RBF ANN with multichannel correlation[J]. Journal of Medical and Biological Engineering, 2022, 27(4):199205.[15] COHONEN T. The selfanizing maps[J]. Proceedings of IEEE, 1990, 78(9): 14641480.[16] 崔訖. 圖像處理與分析——數(shù)學(xué)形態(tài)學(xué)方法及應(yīng)用[M]. 北京:科學(xué)出版社, 2022.[17] 陳平,李慶民. 基于數(shù)學(xué)形態(tài)學(xué)的數(shù)字濾波器設(shè)計(jì)與分析[J]. 中國(guó)電機(jī)工程學(xué)報(bào) 2022, 25(11):6065.[18] MARAGOS P, SCHAFER W. Morphological filters. part1. Their settheoretic analysis and relations to linear shiftinvariant filters[J]. IEEE Trans. ASSP, 1987, 35(8):11531169.[19] MARAGOS P, SCHAFER filters. part2. Their relations to median, orderstatistic, and stack filters[J]. IEEE Trans. ASSP, 1987, 35(8):11701184.[20] GUANGHUA XUA, JING WANGB, QING ZHANGB, SICONG ZHANGB, JUNMING ZHUC, A spike detection method in EEG based on improved morphological filter[J]. Computers in Biology and Medicine, 2022, 37:16471652.謝辭首先我要感謝張溥明老師對(duì)于我的畢業(yè)設(shè)計(jì)及論文的悉心指導(dǎo)。是張老師不厭其煩的講解和認(rèn)真的輔導(dǎo)、修改，促使我完成了這篇論文中的工作。她嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度令我受益匪淺。感謝梁培基老師接納我進(jìn)實(shí)驗(yàn)室，給我機(jī)會(huì)在感興趣的方向完成畢設(shè)。特別感謝實(shí)驗(yàn)室景瑋學(xué)姐為我提供真實(shí)實(shí)驗(yàn)數(shù)據(jù)、實(shí)驗(yàn)設(shè)備的相關(guān)信息，為我演示和講解實(shí)驗(yàn)數(shù)據(jù)處理軟件的使用，并給了我很多有用的建議和真誠(chéng)的幫助。感謝實(shí)驗(yàn)室蔡超峰學(xué)長(zhǎng)在形態(tài)學(xué)濾波器方面對(duì)我的幫助。感謝解程程同學(xué)在論文格式方面給我的極大的幫助。感謝同班龔含嫣、崔萌、石夢(mèng)瑩、04 級(jí)梁家斌同學(xué)給我的很多建議和支持。感謝實(shí)驗(yàn)室所有學(xué)長(zhǎng)學(xué)姐對(duì)我的關(guān)心和幫助。感謝生物醫(yī)學(xué)工程專(zhuān)業(yè)的所有任課老師，每門(mén)課都讓我有很多收獲，使我的大學(xué)過(guò)得充實(shí)有價(jià)值。原文及譯文通過(guò)對(duì)放電統(tǒng)計(jì)量和基于簇發(fā)放電的動(dòng)作電位幅值減弱特性建模改進(jìn)的動(dòng)作電位分類(lèi)方法：馬爾科夫鏈蒙特卡羅方法動(dòng)作電位分類(lèi)技術(shù)試圖根據(jù)一系列夾雜噪聲的電波形的特征對(duì)它們進(jìn)行分類(lèi)，歸類(lèi)于產(chǎn)生它們的神經(jīng)元。現(xiàn)有技術(shù)執(zhí)行此分類(lèi)時(shí)，忽視了實(shí)際神經(jīng)元的一些性質(zhì)，而這些性質(zhì)能夠提高分類(lèi)性能。在本研究中，我們提出了一種更現(xiàn)實(shí)的動(dòng)作電位序列生成模型。它既包含“非平凡”（即非泊松）神經(jīng)元放電的統(tǒng)計(jì)量，又包括動(dòng)作電位波形動(dòng)態(tài)（例如，放電間隔較短時(shí)的幅值衰減） 。我們發(fā)現(xiàn)，這種動(dòng)作電位生成模式類(lèi)似于 Potts 自旋玻璃模型。因此，我們可以將 Potts 模型被廣泛使用的領(lǐng)域（包括統(tǒng)計(jì)物理和圖像復(fù)原）中的計(jì)算方法加以修改，用于我們的特定情況下。這些方法基于模型參數(shù)空間中馬爾科夫鏈的構(gòu)建和動(dòng)作電位序列的配置。配置的定義是：找出每個(gè)動(dòng)作電位起源的神經(jīng)元。這里馬爾科夫鏈?zhǔn)沁@樣構(gòu)建的，它的特有的固定密度是給定數(shù)據(jù)的模型參數(shù)和配置的后驗(yàn)密度。于是可以用馬爾科夫鏈的蒙特卡羅模擬來(lái)估計(jì)后驗(yàn)密度。我們說(shuō)明建立過(guò)渡矩陣的方法，并證明這種方法可以很好地分辨出發(fā)放兩種動(dòng)作電位的神經(jīng)元和（或）發(fā)放高度動(dòng)態(tài)波形的神經(jīng)元。該方法不能自動(dòng)找到數(shù)據(jù)中“正確”的神經(jīng)元數(shù)目，需要用戶處理這個(gè)重要的問(wèn)題。我們將說(shuō)明如何做到這一點(diǎn)。最后我們將討論這個(gè)方法的進(jìn)一步發(fā)展。介紹神經(jīng)群體行為的研究是當(dāng)今神經(jīng)科學(xué)的難題之一。多電極細(xì)胞外記錄盡管是最古老的一種，但在檢測(cè)神經(jīng)元群體的技術(shù)中，仍然是最好的選擇之一。這種方法易于實(shí)施，價(jià)錢(qián)低廉，可以記錄許多神經(jīng)元的活動(dòng)，且時(shí)間分辨率高（ms 級(jí)） 。然而要使這種方法發(fā)揮最大作用，需要解決一些基本問(wèn)題。其中最主要的就是動(dòng)作電位檢測(cè)分類(lèi)的問(wèn)題。細(xì)胞外記錄的原始數(shù)據(jù)毫無(wú)疑問(wèn)會(huì)被噪聲影響，更重要的是，原始數(shù)據(jù)由不同神經(jīng)元的活動(dòng)疊加組成。這就意味著，即使在實(shí)驗(yàn)環(huán)境良好，動(dòng)作電位可以完全從背景噪聲中分離的情況下，實(shí)驗(yàn)者還是要處理這個(gè)復(fù)雜的問(wèn)題：有多少神經(jīng)元參與記錄到的數(shù)據(jù)，每個(gè)動(dòng)作電位屬于哪個(gè)神經(jīng)元。這實(shí)際上就是動(dòng)作電位分類(lèi)的問(wèn)題。細(xì)胞外記錄作為一種古老的方法，已經(jīng)有很多學(xué)者提出解決的方法。但是對(duì)我們而言，這些方法都沒(méi)有能夠充分利用原始數(shù)據(jù)中的信息。他們主要從每個(gè)動(dòng)作電位的波形考慮，忽略了動(dòng)作電位發(fā)生的時(shí)間信息。動(dòng)作電位產(chǎn)生時(shí)間的重要性體現(xiàn)在以下兩方面：(1) 首先，由神經(jīng)元發(fā)出的動(dòng)作電位產(chǎn)生的時(shí)序具有一些眾所周知的特征，比如不應(yīng)期（一個(gè)動(dòng)作電位發(fā)出之后，210ms時(shí)間內(nèi)不會(huì)產(chǎn)生新的動(dòng)作電位） 。其它的特征有：動(dòng)作電位的間隔（interspike interval ISI ）的概率密度通常都具有單一模式，都是不對(duì)稱(chēng)的（上升快下降慢） 。有些方法利用了不應(yīng)期的特性（Fee et al. 1996a。 Harris et al. 2022） ，但還沒(méi)有方法充分利用ISI密度特性。這就相當(dāng)于將有用的信息丟棄了，因?yàn)槿绻麆?dòng)作電位101可以被歸為神經(jīng)元3發(fā)出的，我們不僅知道之后5ms內(nèi)，沒(méi)有其它的動(dòng)作電位是神經(jīng)元3發(fā)出的，而且還知道神經(jīng)元3的下一個(gè)動(dòng)作電位很可能在10ms到20ms的ISI 之后出現(xiàn)。正如Lewichi（1994）指出的，如果能估計(jì)不同神經(jīng)元的 ISI密度，任何動(dòng)作電位檢測(cè)分類(lèi)方法都能取得更好的分類(lèi)效果。(2) 特定神經(jīng)元產(chǎn)生的動(dòng)作電位波形取決于與上一次動(dòng)作電位相隔的時(shí)間（Quirk et al. 1999） 。動(dòng)作電位波形具有這種不平穩(wěn)性。認(rèn)為動(dòng)作電位波形是穩(wěn)定的方法，其結(jié)果會(huì)受到影響。其它方法（比如說(shuō), Gray et al. 1995的“手動(dòng)”方法，F(xiàn)ee et 的自動(dòng)方法）認(rèn)為特定神經(jīng)元?jiǎng)幼麟娢辉谔卣骺臻g[例如峰值，谷值，半寬等特征] 的聚類(lèi)結(jié)果具有連續(xù)性，并利用這種特性來(lái)分類(lèi)非平穩(wěn)的動(dòng)作電位。雖然后者總