詹跃荣 范影乐* 杨文伟 杨 勇 李 轶（杭州电子科技大学自动化学院，杭州 3008）

2（杭州电子科技大学生物医学工程与仪器研究所，杭州 310018）

引言

动作电位（spike）是神经元所接收、分析和传递的信号载体，是神经元网络活动的基本表现形式。近年来，随着植入式多电极阵列（multi-electrode arrays，MEA）记录技术的发展，用细胞外神经元动作电位进行记录和分析已成为神经生理学的重要研究手段。然而，MEA中单个电极所采集到的信号往往是电极附近多个神经元发放的动作电位和大量神经系统内外噪声的叠加。因此，如何有效地对spike信号进行检测和模式分类，是研究神经元动作电位序列（spike train）信息特征的重要工作，并可为后续神经元信息编码研究奠定基础。

动作电位分类过程主要包括信号检测、特征提取、模式分类三部分。针对动作电位的特征提取，国内外学者提出了主成分分析法（principal component analysis， PCA）［1］、小 波 分 析（wavelet analysis，WA）［2－3］和基于相空间（phase space）的特征提取［4］等多种分析方法。目前，主要的研究方法为主成分分析法和小波分析的方法。其中，PCA方法通过样本协方差矩阵求取主要特征值，但由于spike信号具有一定的非线性时变特性，因此 PCA可能无法表征spike信号的完整信息。基于小波分析的方法通过对spike信号进行多层分解，在时频域上对spike信号特征进行动态描述。但是，此方法得到的信号信息是由小波系数整体合并来反映的，而在实际分类中小波系数是单独作用的，很多有用的波形信息可能被丢失。在模式分类阶段，通过对特征向量的分析处理，利用不同的数据特性进行统计聚类。……