（机械设计及理论专业论文）嗅觉神经信号记录和峰电位分类方法研究.pdf

n a n j i n gu n i v e r s i t yo f a e r o n a u t i c sa n d a s t r o n a u t i c s t h eg r a d u a t es c h o o l c o l l e g eo fm e c h a n i c a le n g i n e e r i n g t h e a c q u i s i t i o no fo l f a c t o r yn e u r a ls i g n a l s 1 _- a n d s p i k es o r t i n g ( n a t i o n a ln a t u r a ls c i e n c ef o u n d a t i o no fc h i n a , n o 3 0 5 7 0 2 3 8 ，n o 6 0 5 3 5 0 2 0 ) a t h e s i si n m e c h a n i c a le n g i n e e r i n g b y l i nm e n g h u i a d v i s e db y p r o f 物el i n s u b m i t t e di np a r t i a lf u l f i l l m e n t o ft h er e q u i r e m e n t s f o rt h ed e g r e eo f m a s t e ro fe n g i n e e r i n g m a r c h ，2 0 1 0 舢7舢1 舢00趼 脚1脚y - _ 。一一 jl_、 承诺书 本人郑重声明：所呈交的硕士学位论文，是本人在导师指导下，独 立进行研究工作所取得的成果。尽我所知，除文中已经注明引用的内容 外，本学位论文的研究成果不包含任何他人享有著作权的内容。对本论 文所涉及的研究工作做出贡献的其他个人和集体，均已在文中以明确方 式标明。 本人授权南京航空航天大学可以有权保留送交论文的复印件，允许 论文被查阅和借阅，可以将学位论文的全部或部分内容编入有关数据库 进行检索，可以采用影印、缩印或其他复制手段保存论文。 ( 保密的学位论文在解密后适用本承诺书) 作者签名：丛碰 日 期：趔翌：三! ! 南京航窄航天人学硕：i ：论文 摘要 神经系统主要通过动作电位( 峰电位) 进行信号的传递和处理。神经信息的相互传递和整 合通常是通过若干峰电位组成的放电序列来实现的。从多电极记录到的信号中获取峰电位信号， 并对峰电位信号进行聚类分析，这对神经系统的深层研究具有非常重要的意义。本文研究的具 体内容如下： 首先，参与了在大壁虎嗅球上开展的神经信号记录实验，掌握了微电极的制作技术及数据 采集系统的使用；掌握了大壁虎的实验手术过程和信号记录过程。通过胞外记录实验得到神经 信号，是对峰电位信号进行检测和分类的前提。 其次，实现了基于离散小波变换的峰电位信号的分类方法，并将该方法应用到了大壁虎嗅 觉神经元峰电位信号的分类。引入了“分类正确率”的量化指标，仿真结果表明，在不同信噪 比的情况下，基于离散小波变换的方法比使用主成分分析方法得到的分类正确率高，即离散小 波变换的方法优于主成分分析方法。 最后，采用了基于离散小波消噪和波形特征分析相结合的一种新的神经元峰电位信号的分 类方法。通过对大壁虎嗅觉神经元峰电位信号的分类处理，结果表明：该方法明显优于主成分 分析方法。此外，该方法与商业软件o f f l i n es o r t e r 的分类对比也验证了它的正确性和精确性。 依据离散小波变换和波形特征分析的原理，用m a t l a b 的g u i 界面工具开发了一个简单实用 的分析软件。 关键词：胞外记录，峰电位，分类，离散小波变换，特征分析，主成分分析 嗅觉神经信号记录和峰电位分类方法研究 a b s t r a c t a c t i o np o t e n t i a l ( s p i k e ) i sv e r yi m p o r t a n tf o rn e r v o u ss y s t e m st ot r a n s m i ti n f o r m a t i o n n e u r o n s k e e pt o u c hw i t he a c ho t h e rb ys e n d i n gs e r i e so fa c t i o np o t e n t i a l s d e t e c t i n ga n ds o r t i n go fn e u r a l a c t i o np o t e n t i a lh a sag r e a ts i g n i f i c a n c ef o rs t u d y i n gt h en e r v o u ss y s t e m t h ed e t a i l so ft h i sp a p e ra r e a sf o l l o w s ： f i r s t l y , w ec a r r yo u te x t r a c e l l u l a rr e c o r d i n ge x p e r i m e n t so ng e c k o so l f a c t o r yb u l b im a s t e rt h e p r o d u c t i o nt e c h n o l o g yo fm i c r o e l e c t r o d e sa n du s eo fd a t aa c q u i s i t i o ns y s t e m o p e r a t i o na n ds i g n a l r e c o r d i n gh a v eas i g n i f i c a n ti n f l u e n c ef o re x t r a c e l l u l a rr e c o r d i n ge x p e r i m e n t s g e t t i n gn e u r o n a l s i g n a l st h r o u g he x t r a c e l l u l a rr e c o r d i n ge x p e r i m e n t si sap r e r e q u i s i t ef o rd e t e c t i n ga n ds o r t i n gs p i k e s s e c o n d l y , w er e a l i z et h em e t h o dw a su s e dt os o r tn e u r a ls p i k e sb yu s i n gd i s c r e t ew a v e l e t t r a n s f o r m a t i o n t h i sm e t h o dw a sa l s ou s e dt oa n a l y z et h em u l t i c h a n n e le x t r a c e l l u l a rr e c o r d i n go f g e c k o ，so l f a c t o r yb u l b t h ee f f i c i e n c yo ft h i sm e t h o dw a sw e l ls h o w nb yt h er e s u l t so fs i m u l a t i o n u n d e rd i f f e r e n ts i g n a l t o - n o i s e ，t h i sm e t h o do u t p e r f o r m sp r i n c i p a lc o m p o n e n t a n a l y s i s f i n a l l y , an e wm e t h o dw a su s e dt os o r tn e u r o n a ls p i k e sb yu s i n gd i s c r e t ew a v e l e tt r a n s f o r m a t i o n a n ds p i k ef e a t u r ea n a l y s i s t h ep r o p o s e dm e t h o dw a sa l s ou s e dt oa n a l y z en e u r o n a ls p i k e so f g e c k o s o l f a c t o r yb u l b t h er e s u l t ss h o wt h a t ：t h ep r o p o s e dm e t h o do u t p e r f o r m sp r i n c i p a lc o m p o n e n ta n a l y s i s t h ec o m p a r i s o nb e t w e e nt h ep r o p o s e dm e t h o da n d0 m i n es o r t e r a l s ov e r i f i e dt h ec o r r e c t n e s sa n d a c c u r a c yo ft h ep r o p o s e dm e t h o d i nt h ee n d ，ap r a c t i c a la n a l y s i st o o lw a sd e v e l o p e do nt h eb a s i so f t h ep r o p o s e dm e t h o d t h es o f t w a r ew a sd e v e l o p e di nm a t l a b k e y w o r d s ：e x t r a c e l l u l a rr e c o r d i n g ，s p i k e ，s o r t i n g ，d i s c r e t ew a v e l e tt r a n s f o r m a t i o n ，s p i k ef e a t u r e a n a l y s i s ，p r i n c i p a lc o m p o n e n ta n a l y s i s i i 南京航空航天人学硕：l 论文 第一章 1 1 1 2 1 3 1 4 1 5 第二章 2 1 目录 绪论l 弓i 言l 神经元及其峰电位的特征2 胞外记录实验技术3 峰电位波形分类研究现状5 本文的研究意义和研究内容7 大壁虎嗅觉神经信号的胞外记录实验技术9 实验设备9 2 1 1微电极9 2 1 2数据采集系统1 l 2 2 嗅神经的胞外记录实验。1 3 2 2 1实验手术过程。1 3 2 2 2 信号记录过程。1 3 2 3 小结1 5 第三章基于离散小波变换( d 、 ，t ) 的峰电位分类方法的研究1 7 3 1 小波消噪：1 7 3 1 1 离散小波变换的定义。1 7 3 1 2 多分辨率分析及m a l l a t 算法。1 8 3 1 3 小波变换在信号消噪中的应用一2 i 3 2 聚类分析。2 2 3 2 1 系统聚类2 2 3 2 2动态聚类和k - 均值法2 3 3 - 3主成分分析方法( p c a ) 2 5 3 3 1基本原理和性质2 5 3 3 2基本算法和步骤。2 7 3 4基于离散小波变换的峰电位的分类方法。2 8 3 4 1仿真信号的产生2 8 3 , 4 2信号的离散小波变换。3 0 3 4 3与p c a 方法的分类对比3 2 3 5 ，j 、结3 4 第四章基于离散小波消噪和波形特征分析的峰电位的分类方法( d w t s f a ) 3 5 4 1 波形特征分析3 5 4 1 1波形特征的定义3 5 4 1 2 波形特征的选择3 6 4 2 d w t - s f a 方法与p c a 方法的分类比较4 l 4 3d w t - s f a 方法的验证。4 7 嗅觉神经信号记录和峰电位分类方法研究 4 4 f e a t u r e s o r t i n g 分析软件的制作4 9 4 4 1 软件设计一4 9 4 4 2 功能和特点5 l 4 5 小结5 2 第五章总结和展望。5 3 5 1本文工作总结5 3 5 2 未来工作展望。5 3 附录lf e a t u r e s o r t i n g 分析软件的使用说明5 5 附录2 波形特征的选择( 续) 5 9 参考文献6 5 致谢6 8 在学期间的研究成果及发表的学术论文一6 9 i v 南京航空航天大学硕二l = 论文 图1 1 图1 2 图1 3 图2 1 图2 2 图2 3 图2 4 图2 5 图2 6 图2 7 图3 1 图3 2 图3 3 图3 4 图3 5 图3 6 图3 7 图3 8 图3 9 图3 1 0 图3 1 l 图3 1 2 图4 1 图4 2 图4 3 图4 4 图4 5 图4 6 图4 7 图清单 神经元的基本结构2 动作电位图3 细胞内外记录的神经元放电差异4 微电极测试电路图。l l 神经元峰电位信号胞外记录系统组成图ll r m 6 2 4 0 b c 生物信号采集处理系统数据采集显示1 2 记录到的神经元峰电位1 2 电极定位基准点。1 4 嗅觉刺激装置示意图1 5 放电信号和刺激标记同步记录。1 5 三层多分辨率分析树结构图1 9 动态聚类流程框图。2 4 主成分分析流程图。2 8 峰电位信号模板2 9 纯净( 无噪声) 信号。2 9 基噪声。2 9 系数n = 1 5 时的仿真信号3 0 检测到的所有s p i k e 。3 1 小波变换系数。3 2 基于离散小波变换的分类结果3 2 p c a 方法的分类结果。3 4 不同信噪比下p c a 和d w t 方法的分类正确率对比。3 4 波形特征示意图。3 6 检测到的所有峰电位3 8 分析特征组合为：p _ p l 。a s p e c t _ r a t i o 和s l o p e l 时的分析结果3 8 g e c k 0 0 7 13 o ! t 2 s u b 6 7 中检测到的峰电位3 9 特征组合：s l o p e 4 ，b a n d 4 9 p 的分析结果3 9 特征组合：s l o p e 4 ，a s p e c tr a t i o ，p ，的分析结果3 9 特征组合：p _ p l 。b a n d , s l o p e l 的分析结果4 0 v 嗅觉神经信号记录和峰电位分类方法研究 v i 图4 8 图4 9 图4 1 0 图4 1 1 图4 1 2 图4 1 3 图4 1 4 图4 1 5 图4 1 6 图4 1 7 图4 1 8 图4 1 9 图4 2 0 图4 2 1 图4 2 2 图4 2 3 附图l 附图2 附图3 附图4 附图5 附图6 附图7 附图8 附图9 附图1 0 附图l l 附图1 2 附图1 3 附图1 4 附图1 5 附图1 6 附图1 7 特征组合：p _ p l ，a s p e c tr a t i o , d o p e l 的分析结果4 0 特征组合：p _ p l ，a s p e c tr a t i o ，p ，的分析结果4 0 特征组合：p _ p l ，b a n d , p _ _ p 的分析结果4 0 d w t - s f a 方法对g e c k 0 1 2 2 2 o l f 2 s u b 2 0 的分析结果4 2 p c a 方法对g e c k 0 1 2 2 2 o i l 2 s u b 2 0 的分析结果4 2 p c a 方法对g e c k 0 0 6 2 8 o i l 2 s u b 3 6 c h l 的分析结果4 3 d w t - s f a 方法对g e c k 0 0 6 2 8 一o i l 2 s u b 3 6 c h l 的分析结果4 4 p c a 方法对g e c k 0 0 6 2 8 o l f - s u b l 3 的分析结果4 5 d w t - s f a 方法对g e c k 0 0 6 2 8 o l f - s u b l 3 的分析结果4 6 o f f l i n e s o r t e r 软件对数据l 的分析结果。4 8 波形特征分析方法对数据1 的分析结果4 9 f e a t u r e s o r t i n g 软件的界面5 0 f e a t u r e s o r t i n g 数据分析流程图5 0 离散小波消噪前后的神经元信号5l 检测剑的峰电位5 1 分类结果图5 2 选择数据通道5 5 小波消噪一5 6 峰电位的检测。5 6 波形特征选择5 7 波形特征。5 7 确定分类数目5 7 放电序列参数设置5 8 特征组合为s l o p e 3 ，b a n d 和s l o p e i 时分析结果5 9 特征组合为s l o p e 3 ，b a n d 和s l o p e i 时分析结果5 9 特征组合为s l o p e 3 ，b a n d 和p ，时分析结果6 0 特征组合为s l o p e 3 ，a s p e c t _ r a i t o 和s l o p e l 时分析结果6 0 特征组合为s l o p e 3 ，a s p e c t _ r a i t o 和s l o p e 2 时分析结果6 0 特征组合为s l o p e 3 ，a s p e c t _ r a i t o 和p ，时分析结果6 1 特征组合为s l o p e 4 ，b a n d 和s l o p e l 时分析结果6 l 特征组合为s l o p e 4 ，b a n d 和s l o p e 2 时分析结果6 l 特征组合为s l o p e 4 ，b a n d 和p ，时分析结果6 2 特征组合为s l o p e 4 , a s p e c t _ r a t i o 和s l o p e l 时分析结果6 2 一 雨京航空航天大学硕士论文 附图1 8 特征组合为s l o p e 4 ，a s p e c t _ r a t i o 和s l o p e 2 时分析结果6 2 附图1 9 特征组合为s l o p e 4 ，a s p e c t _ r a t i o 和耻时分析结果6 3 附图2 0 特征组合为p _ p l ，b a n d 和s l o p e l 时分析结果6 3 附图2 l 特征组合为p _ p l ，b a n d 和s l o p e 2 时分析结果6 3 附图2 2 特征组合为p _ p l ，b a n d 矛np _ p 时分析结果6 4 附图2 3 特征组合为p _ p l ，a s p e c tr a t i o 和s l o p e 2 时分析结果6 4 附图2 4 特征组合为p _ p l ，a s p e c tr a t i o 和p p 时分析结果6 4 v i i 嗅觉神经信号记录和峰电位分类方法研究 v i 表清单 表3 1各小波系数对应的频率段3 0 表3 2系数n = i 5 时，p c a 和d w t 的对比情况3 3 表4 1l8 种分析特征组合3 7 表4 2分类结果比较理想的6 种特征组合一3 8 表4 3 o f f i i n es o r t e r 和s f a 对数据正确分类数目的比较4 9 南京航窄航天人学硕：i ：学位论文 第一章绪论 1 1 引言 2 0 世纪9 0 年代以来，工作于自然环境和极限环境下的先进和特种机器人成为机器人技术 研究和发展的主要方向。特种机器人能在有毒，易燃易爆等危险与恶劣环境中代替人完成复杂 的作业任务，改善人的劳动条件，降低伤亡事故。随着反恐安全，从事复杂危险环境下搜救， 狭小空间内工业表面的状态检测等要求的提高；随着人类探索太空，建设航天站等不适合由人 承担的任务的增加，这些都对机器人的性能提出了更高的要求。 在3 5 亿年的进化过程中，生物体形成了灵巧的运动机构和机敏的运动模式，模仿生物结构 和行为方式的仿生机器人一直是机器人领域的研究热点【1 1 。生物机器人是指利用动物体的运动 机能，动力供应机制，从动物运动的感受传入或神经支配入手，实现对动物的运动和某些行为 的人为控制或干预，从而利用动物的特长代替人类完成人所不能和人所不敢的特殊任务【2 l 。实 现对动物的运动干预，首先要研究动物的特异性行为特征及诱发其行为的相关神经系统的神经 信息的发生，整合与运输。 2 0 世纪3 0 年代，1 9 6 3 年诺贝尔奖获得者霍奇金( a l a nl l o g dh o d g k i n ) 和赫胥黎( a n d r e w f i e l d i n gh u x l e y ) 等应用神经元单电极记录技术，进行了一系列经典电生理学研究工作，发现了 神经元动作电位及其传播机制，奠定了神经电生理学的基础。人们对大脑的认识，主要基于对 神经系统各个部分的结构、功能及各部分之间相互联系、相互作用的研究。对神经系统研究的 一个主要方向就是对神经信号传输的道路和信息的整合方法。神经信号的表达方式之一是神经 元产生的动作电位。神经元之间通过若干动作电位组成的放电序列进行传输和整合。动作电位 序列内蕴含着神经系统的丰富信息，对神经元动作电位序列及其信息模式的研究成为神经科学 和信息科学的一个重要领域【3 】。 大壁虎( g e k k og e c k o ) 是一种可在地面、陡壁、天花板等不同法向面上自由灵活运动的四 足动物【4 1 ，而且体型大，可以负载更多控制及侦测系统，同时还具有运动灵活、工作可靠、隐 蔽性好等优点，具有重要的潜在应用价值。生物进化史表明低等动物有更加灵敏的嗅觉【5 】。大 壁虎具有发达的嗅神经系统【6 】，所以本课题选择大壁虎为研究对象，研究其嗅觉神经系统对气 味刺激的反应模式。进一步理解神经元对嗅觉刺激的响应方式，不同脑区对不同气味的映射关 系。了解气味刺激信息在神经元群体内以及群体之间的处理机制，为实现人工干预提供基础信 息。 嗅觉神经信号记录和峰电位分类方法研究 1 2 神经元及其峰电位的特征 神经系统包含两大类细胞，即神经细胞和神经胶质细胞。神经细胞也叫神经元，它既是神 经系统发生、形态构成、营养的基本单位，同时又具有信号的加工传递和信息处理的功能。神 经元是人脑信息处理的基本功能单位。神经元之间通过丰富的突触联系构成复杂的功能性网络。 大脑通过这个网络中各部分的协同工作对外部世界进行感知，对注意力进行调整，并实施对行 为的控制。因此，对人脑功能机制研究的一个有效途径在于对神经元所构成的信号通路以及通 过突触传递所实现的细胞间通讯进行研究。 所有的神经元细胞都具有相似的结构和基本特性，见图1 1 。神经元的基本构成包括细胞体 及自胞体发出的两种突起树突和轴突。树突的功能在于来自其他神经元的信号，构成对神 经元的主要输入。神经系统中信号加工传递的结构基础是神经元之间相互连接所形成的神经网 络。神经元细胞膜相互接触并实现信号传递的特化部位称为突触。突触既可以在两个神经元的 突起与突起之间形成，也可以在胞体与胞体之间形成，或在突起与胞体之间形成。 图1 1神经元的基本结构 神经元具有对信号的整合功能。来自接收区的多路信号在整合区得到汇总处理，由传导区 给出输出信号，传给下位神经元或效应器。这种电信号在神经元内自树突或胞体的接收部位流 向轴突触发区的方式称为动态极化原理。神经元虽然在形态和功能上各不相同，但他们的工作 方式却大体遵循这样的信息流方式。另外，神经元活动特性的不同以及大脑活动的复杂性并不 在于单个神经元自身结构上的差异1 7 1 ，而是在很大程度上取决于神经元之间的相互联系方式和 信号传递方式。 神经系统一个重要的特性在于它仅仅使用两种电信号：一种是局部电位，这种电位会在传 播过程中发生衰减和变形：另一种是脉冲式的动作电位，这种电位携带了神经元的信息，在神 经元回路中以耗能的主动形式进行快速传播，而且不发生任何变形。动作电位( 锋电位) 是一 个快速的全或无过程，它可以沿轴突不受衰减地进行传播。动作电位在神经系统的不同部位具 2 南京航空航天大学硕：i ：学位论文 有不同的传播速度，在大的神经纤维中信号传播速度最快。 神经电信号的发生及其传播机制在脊椎动物和非脊椎动物中大致是一样的。因此局部电位 的综合和动作电位的传播，构成了神经系统中信号传递的通用语言。其中动作电位是神经元所 接收、分析和传递的信号载体【8 】。 不同细胞的动作电位波形虽有很大变化，但其动态变化过程均包含一个迅速的去极化正相 电位变化和缓慢的复极化负向电位的变化。动作电位的另一特征是电位的极性在峰电位顶端倒 转，细胞内由静息时的负电位变为正电位。这种全或无式的神经冲动是神经系统信息传递的基 本方式。 神经元动作电位的产生，会导致局部的兴奋性发生一系列变化。大致在动作电位的超射时 相，无论用如何强的刺激电流在该处都不能引起动作电位，这个时相称为绝对不应期；在随后 的短时间内，用较强的闽上刺激方可以在该处引起动作电位，而且反应幅度还会小一些，这个 时相称为相对不应期，见图1 2 。 绝对不应期相对不应期 1 3 胞外记录实验技术 时间m s 图1 2动作电位图 电位 神经元通过动作电位进行信号的传递和处理。通过向组织中植入微电极，获得神经元的动 作电位( 锋电位) 发放信息的胞外记录实验方法，不仅具有时间空间分辨率高的特点，而且对 神经系统的损伤程度也很小。因此，长期以来它是研究神经元或神经网络的行为和功能的主要 方法【9 , 1 0 , 1 1 】。 3 0 弱 人m趟1审巡 嗅觉神经信号记录和峰电位分类方法研究 动作电位的产生实际上是细胞膜内离子浓度的变化。如果将微细电极插入细胞内，测量细 胞膜内外电势差的变化，就可以检测到动作电位，即细胞内记录方法。这种方法对设备和操作 的精度要求很高，不容易实现，对神经元的损伤很大，记录信号不稳定。 在动作电位发放时，由于细胞内外的离子交换，细胞膜外离子浓度也会发生变化，引起电 平的波动。如果将电极放在细胞附近检测这种电压波动，也可以间接地获得动作电位的发放情 况，即细胞外记录方法。由于细胞外离子的数量远高于细胞内，同样数目的离子流动在细胞内 引起的电压波动达到1 0 0m v ，在细胞# l - r n 只有数十到数百微伏，见图1 3 【l2 1 。并且电极与胞体 的距离要小于1 4 0 弘m 【】，才能记录到动作电位，电极离胞体越远，信号越微弱，因此对信号检 测设备有严格的要求。神经元胞体直径介于4 1 0 0p m ，为了准确拾取个别神经元的活动，电 极尖端直径一般不超过1 0 0 f m 。 细胞外记录 图1 3细胞内外记录的神经元放电差异 神经系统靠大量神经元组成的神经网络协同工作，如果要从系统层次上研究神经系统的编 码，需要获取更多的神经元活动状况。经过不断的改进与发展，胞外记录技术由仅限于固定、 半固定动物上的应用，逐渐发展为同样适用于自由活动动物，并且也逐渐由单电极单细胞记录 向多电极同时记录多个细胞的方向发展m 1 5 1 6 1 。 最早的细胞外记录技术多为单电极记录。微电极是使用玻璃毛细管加热拉细，中间灌注电 解液。玻璃微电极的尖端直径可以达到l 肛m 以下，能够确保记录到单个神经元的放电。但尖 端强度低，容易损坏，很难与动物肢体固定，其中的电解液也会逐渐流失，因此不能用于在体 的长期记录n 7 1 。而金属电极则具有电阻低，机械强度高，电噪声低的优点，还能够进行电刺激。 在实际使用中，也方便结合成多电极。可以弯曲，便于同定在动物的颅骨上，尤其有利于自由 活动动物的记录。因此金属电极获得了广泛的应用。单细胞记录方法极大地推动了神经科学的 发展，但并不适用于中枢神经系统中存在大量协同活动神经元的记录【1 8 1 。 微电极可以获得周围多个神经元的放电，如何将各个神经元的信号分离开来是胞外记录信 号处理中的一个重要问题。如果两个神经元与电极尖端的距离接近，而锋电位形状又相似，就 4 南京航窄航天人学硕 ：学位论文 不能做到可靠分离。针对这个问题，m c n a u g h t o n 等提出了双电极记录和四电极记录方法2 0 1 ， 即将两根或四根相同的电极并置在一起同时进行记录。同一个神经元由于相对于电极的位置差 异，在每个电极上形成的信号幅度也不同，神经元的位置不同，幅度差异的分布规律也不同， 据此来实现神经元信号的分离。此外，许多机构组织还研制了一些新型电极装置。例如：犹他 大学神经接e l 中心通过微加工方法研制了一种硅阵列电极【2 、新泽西州立大学使用微机电系统 ( m i c r o e l e c t r o m e c h a n i c a ls y s t e m s ，m e m s ) 技术研制了一种能够同时记录不同深度神经元的 硅电极2 2 1 及华东师范大学林龙年等设计了一种应用于小鼠在体记录的多电极整体驱动装置1 2 3 】。 1 4 峰电位波形分类研究现状 神经元的放电信号是一个个独立的波形，而记录电极上获得的信号则是混合了周围多个神 经元放电的连续信号。因此记录信号一般要进行锋电位检测、特征提取、特征聚类等处理，分 离混合信号，获得单个神经元的放电序列，才能准确描述神经元的活动状态，进而揭示其对信 息的处理方式。神经元放电信号非常微弱，往往耦合有环境和生物体本身的噪声干扰，更增加 了数据处理的难度口4 】。 国内外有不少学者致力于神经元峰电位( s p i k e ) 信号的分类研究，提出了阈值检测方法【2 5 1 、 特征分析方法【2 6 册、主成分分析方法【2 8 刀1 、模板匹配法【2 7 1 、基于小波变换的方法【3 0 剖, 3 2 , 3 3 1 、聚 类分析方法p 4 1 及独立成分分析方法 3 5 , 3 6 , 3 7 等。 1 ) 阈值检测( t h r e s h o l dd e t e c t i o n ) ：在多数情况下，s p i k e 波形最为直观的特征是它的幅度。 幅度阈值检测也就成为了峰电位信号检测和分类的一个最为基本的方法。阈值检测的明显优点 是简单、快速，但也具有极大的局限性。该方法仅适用于幅度差别明显的s p i k e 信号。对于幅 度差别不明显的信号，该方法只能将s p i k e 波形和白噪声进行有效的分离。 2 ) 特征分析法( f e a t u r ea n a l y s i s ) ：s p i k e 波形除了幅度( 峰峰值) 这个特征外，波谷值， 波峰值和宽度等都是描述峰电位波形的特征。根据峰电位信号波形的一些特性，选择两个可以 描述出波形之间差异的特征，以选取的两个特征为坐标轴建立二维坐标平面，绘制出一个二维 散点图，图中每一点均代表一个峰电位波形。根据峰电位波形在图中的位置，对神经元活动进 行分类。对于落在某个边界范围中的数据点，可以认为它们属于同一个神经元产生的峰电位， 该方法为特征分析法。 3 ) 主成分分析方法( p r i n c i p a lc o m p o n e n ta n a l y s i s ，p c a ) ：s p i k e 波形之间的差别往往是由 非常多的特征体现的，构成一个多维数据。因此，首先需要对原始数据进行降维处理，以便在 三维或二维的空间内对其特征进行描述，并将具有不同特征的数据区分开来。随机变量可以通 过线性组合得到一组新的变量。主成分分析，在于寻找一种特定的线性组合方式，在这种组合 方式下所产生的新的变量相互正交，而其中某些变量具有较大的变异度，以体现不同数据之间 的的差异。具有这种特性的线性组合称为主成分。通过对主成分的考察，将有助于对具有不 5 嗅觉神经信号记录和峰电位分类方法研究 同特征的数据进行分类。主成分分析的计算过程在于将初始矢变量通过坐标轴的变化转化为具 有另一个新的坐标系统的主成分，以寻找具有最大方差的变量的线性组合。 4 ) 模板匹配法( t e m p l a t em a t c h i n g ) ：同一电极上接收到的同一神经元产生的峰电位波形 基本相同，而接收到的不同的神经元产生的峰电位波形一般是不同的。基于这样的观点，模板 匹配方法要求事先选取一组典型的峰电位信号作为模板，然后用检测到的峰电位信号与模板比 较，把与某一模板相似的峰电位信号归为一类。确定两个信号波形形状的相互匹配，就是确定 这些信号之间的相关程度，可以用相关系数来表示两个或更多信号形状间匹配的程度。求一个 信号与另一个信号相关，就是求模板与输入信号之间相对准程度。在对准方式上，d o b b s 等人 提出了两种对准方式( 3 8 j ：1 利用每个信号上的基准点将模板和输入信号对准，其中基准点是通 过其他方法处理得到的，如果模板上和信号上的基准点对准了，那么就能完成相关。2 考虑一 段输入信号和模板间的连续相关，每当一个新的信号数据点移近时，一个最老的数据点同时从 这段中移出( 先进先出结构) ，然后，求出这段信号与模板( 它有与信号点相同的数目) 的相关 系数。模板匹配法不需要指定信号基准点的处理时间，可以把模板看成一个窗口，它在输入信 号上每次移动一个数据点。这样当窗口移动穿过整个信号时，至少能发生一次信号段与此窗口 匹配。 5 ) 基于小波变换的方法( w a v e l e t t r a n s f o r m s ) ：小波变换时继傅立叶分析方法后一种强有 力的分析工具，已广泛应用在众多的学科领域里并取得了重大进展。小波变换法是一种时频分 析方法，具有多分辨率分析的特点。基于对信号的时间频率分析，小波变换可以对信号在时间 和两域的局部特征进行表征。它的特点在于时间窗和频率窗都可以因信号的特征而调节，在低 频段具有较高的频率分辨率和较低的时间分辨率，而在高频段则具有较高的时间分辨率和较低 的频率分辨率，因此，可以有效地检测出正常信号中夹带的瞬态信号中展示其成分【8 l 。 6 ) 独立成分分析法( i n d e p e n d e n tc o m p o n e n ta n a l y s i s ，i c a ) ：独立成分分析法理论的发展 是2 0 世纪9 0 年代，法国学者c j u t t e n 和j h e r a u l t 等人首次提出了i c a 的概念【3 9 1 。与主成分分 析法相比较，主成分分析法的主要目的在于降低维数，去除随机信号间的线性相关性，找出原 始信号中隐含的内在能量较大的信号。但是由于p c a 方法在实际计算时只涉及到输入数据概率 分布函数的二阶统计特性( 仅利用信号的协方差矩阵) ，所以分解出的个主成分相互正交( 假设 信号是零均值的，所以个主分量之间不相关) 。从数理统计的观点来说，实际信号的大部分重要 信息往往包含在高阶统计特征中，因此只有当多变量观测数据是有高斯分布的源信号时，p c a 方法才能用来实现信号的分离，这是由于服从正态分布的随机过程的不相关与统计独立是等价 的，用一、二阶统计特性就可以完全描述信号。然而，在实际问题中，真正满足正态分布的随 机信号很少，绝大多数随机信号都不是高斯分布的【柏1 【4 i 】。 目前国际上将i c a 应用于s p i k e 研究的主要是日本的t a k a h a s h i 等人，他们将i c a 应用与 四管微电极上记录到的s p i k e 信号的分类，并取得了成功。g l e nd b r o w n 等人用i c a 对电极阵 6 南京航窄航天大学顾： ：学位论文 列上的神经元信号进行分析和分类，并分析了神经元在空间的位置【4 2 】。 7 ) 聚类分析( c l u s t e ra n a l y s i s ) ：前面提到的特征分析法、主成分分析法年i l d x 波分析法得 出的是s p i k e 的具体特征，但将具有何种特征的s p i k e 确定为是同一类? 这就需要聚类分析的方 法，聚类就是把大量的数据样本聚集成几类，使一类内样本的相似性最大，