КЛАССИФИКАЦИЯ НЕЙРОННЫХ ПОТЕНЦИАЛОВ ДЕЙСТВИЯ НА ОСНОВЕ ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ

В работе проводится сопоставление методов классификации нейронных потенциалов действия – классического метода анализа главных компонент и алгоритмов, основанных на вейвлет-преобразовании. Показано, что существует, по крайней мере, два случая, когда алгоритмы классификации на основе вейвлет-преобразования являются предпочтительнее. Это наличие мелкомасштабной структуры в формах спайков или наличие медленного шума высокой интенсивности. Установлено, что качество сортировки спайков может быть улучшено за счет предварительной фильтрации сигналов. Обсуждается проблема выбора оптимальных вейвлет-коэффициентов для решения задачи классификации. Предлагается новый метод, сочетающий алгоритм анализа главных компонент с техникой вейвлет-преобразования. Идея метода состоит в определении характерных волновых форм спайков и в использовании для классификации тех вейвлет-коэффициентов, которые обеспечивают максимальные различия между выделенными волновыми формами. Предложенный подход позволяет уменьшить ошибку классификации спайков.

Ключевые слова: 
-
Литература

1. Lewicki M. A review of methods for spike sorting: the detection and classification of neural potencials // Net. Com. Neu. Sys. 1998. Vol. 9. P. R53–R78.

2. Harris K., Henze D., Csicsvari J., Hirase H., Buzsaki G. Accuracy of tetrode spike separation as determined by simultaneous intracellular and extracellular measurements // J. Neurophysiol. 2000. Vol. 84. P. 401–414.

3. Schmidt E. Computer separations of multi-unit neuroelectric data: a review // J. Neurosci. Methods. 1984. Vol. 12. P. 95–111.

4. Gray C., Maldonado P., Wilson M., McNaughton B. Tetrodes markedly improve the reliability and yield of multiple single-unit isolation from multi-unit recordings in cat striate cortex // J. Neurosci. Methods. 1995. Vol. 63. P. 43–54.

5. Eggermont J., Epping W., Aertsen A. Stimulus dependent neural correlations in the auditory midbrain of the grassfrog (Rana temporaria L.) // Biol. Cybern. 1983. Vol. 47. P. 103–117.

6. Salganicoff M., Sarna M., Sax L., Gerstein G. Unsupervised waveform classification for multi-neural recordings: a real-time, software based system. I. Algorithms and implementation // J. Neurosci. Methods. 1988. Vol. 25. P. 181–187.

7. Sarna M., Gochin P., Kaltenbach J., Salganicoff M., Gerstein G. Unsupervised waveform classification for multi-neuron recordings: a real-time, software based system. II. Performance comparison to other sorters // J. Neurosci. Methods. 1988. Vol. 25. P. 189–196.

8. Zouridakis G., Tam D. Multi-unit spike discrimination using wavelet transforms // Comput. Biol. Med. 1997. Vol. 27. P. 9–18.

9. Hulata E., Segev R., Ben-Jacob E. A metod for spike sorting and detection based on wavelet packets and Shannon’s mutual information // J. Neurosci. Methods. 2002. Vol. 117. P. 1–12.

10. Letelier J., Weber P. Spike sorting based on discrete wavelet transform coefficients // J. Neurosci. Methods. 2000. Vol. 101. P. 93–106.

11. Quian Quiroqa R., Nadasdy Z., Ben-Shaul Y. Unsupervised spike detection and sorting with wavelets and superparamagnetic clustering // Neural Computation. 2004. Vol. 16. P. 1661–1687.

12. Kim K., Kim S. A Wavelet-Based Method for Action Potential Detection From Extracellular Neural Signal Recording With Low Signal-to-Noise Ratio // IEEE Trans. on Biomed. Eng. 2003. Vol. 50, No 8. P. 999–1011.

13. Simon W. The real-time sorting of neuro-electric action potentials in multiple unit studies Electroenceph // Clin. Neurophysiol. 1965. Vol. 18. P. 192–195.

14. Feldman J., Roberge F. Computer detection and analysis of neuronal spike sequences // Inform. 1971. Vol. 9. P. 185–197.

15. Dinning G. Real-time classification of multiunit neural signals using reduced feature sets // IEEE Trans. Biomed. Eng. 1981. Vol. 28. P. 804–812.

16. Glaser E., Marks W. On-line separation of interleaved neuronal pulse sequences Data Acquisition Process // Biol. Med. 1968. Vol. 5. P. 137–156.

17. Gerstein G., Bloom M., Espinosa I., Evanczuk S., Turner M. Design of a laboratory for multineuron studies// IEEE Trans. Systems,ManCybern. 1983. Vol. 13. P. 668–676.

18. Press W.H., Teukolsky S.A., Vetterling W.T., Flanney B.P. Numerical Recipes in C: the art of scientific computing. Cambridge University Press, 1992.

19. Burrus C.S., Gopinath R.A., Guo H. Introduction to Wavelets and Wavelet Transforms: A Primer. N.J: Prentice Hall, 1997.

20. Chui C.K. Wavelets: A Mathematical Tool for Signal Analysis SIAM Monographs on Mathematical Modeling and Computation. Philadelphia, PA: SIAM, 1997.

21. Астафьева Н.М. Вейвлет-анализ: основы теории и примеры применения // УФН. 1996. Т. 166, No 4. С. 1145–1170.

Статус: 
одобрено к публикации
Краткое содержание (PDF): 
Текст в формате PDF: