嗅觉神经信号记录和峰电位分类方法研究

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Offline Sorter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MATLAB的GUI界面工具开发了一个简单实用的分析软件。

目录

文摘

英文文摘

图清单

表清单

第一章 绪论

1.1 引言

1.2 神经元及其峰电位的特征

1.3 胞外记录实验技术

1.4 峰电位波形分类研究现状

1.5 本文的研究意义和研究内容

第二章 大壁虎嗅觉神经信号的胞外记录实验技术

2.1 实验设备

2.1.1 微电极

2.1.2 数据采集系统

2.2 嗅神经的胞外记录实验

2.2.1 实验手术过程

2.2.2 信号记录过程

2.3 小结

第三章 基于离散小波变换(DWT)的峰电位分类方法的研究

3.1 小波消噪

3.1.1 离散小波变换的定义

3.1.2 多分辨率分析及Mallat算法

3.1.3 小波变换在信号消噪中的应用

3.2 聚类分析

3.2.1 系统聚类

3.2.2 动态聚类和K-均值法

3.3 主成分分析方法(PCA)

3.3.1 基本原理和性质

3.3.2 基本算法和步骤

3.4 基于离散小波变换的峰电位的分类方法

3.4.1 仿真信号的产生

3.4.2 信号的离散小波变换

3.4.3 与PCA方法的分类对比

3.5 小结

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(DWT-SFA)

4.1 波形特征分析

4.1.1 波形特征的定义

4.1.2 波形特征的选择

4.2 DWT-SFA方法与PCA方法的分类比较

4.3 DWT-SFA方法的验证

4.4 FeatureSorting分析软件的制作

4.4.1 软件设计

4.4.2 功能和特点

4.5 小结

第五章 总结和展望

5.1 本文工作总结

5.2 未来工作展望

附录1 FeatureSorting分析软件的使用说明

附录2 波形特征的选择（续）

参考文献

致谢

在学期间的研究成果及发表的学术论文