Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)


Для цитирования:

Думский Д. В., Павлов А. Н., Тупицын А. Н., Макаров В. В. Классификация нейронных потенциалов действия на основе вейвлет-преобразования // Известия вузов. ПНД. 2005. Т. 13, вып. 6. С. 77-98. DOI: 10.18500/0869-6632-2005-13-5-77-98

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
(загрузок: 182)
Язык публикации: 
русский
Тип статьи: 
Научная статья
УДК: 
519.6:577.359

Классификация нейронных потенциалов действия на основе вейвлет-преобразования

Авторы: 
Думский Дмитрий Викторович, Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского (СГУ)
Павлов Алексей Николаевич, Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского (СГУ)
Тупицын Анатолий Николаевич, Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского (СГУ)
Макаров Владимир Владимирович, Саратовский национальный исследовательский государственный университет имени Н.Г. Чернышевского (СГУ)
Аннотация: 

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: 
Список источников: 
  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.
Поступила в редакцию: 
02.06.2005
Принята к публикации: 
03.11.2005
Опубликована: 
28.02.2006
Краткое содержание:
(загрузок: 116)