بهينه‌سازي ضرايب ويولت پيوسته براي مرتب‌سازي اسپايك‌هاي عصبي

ثبت خارج‌سلولي فعاليت تك‌نورون‌هاي مغزي به عنوان روشي پرطرفدار در تحقيقات حوزه‌ي علوم اعصاب و مهندسي توان‌بخشي عصبي شناخته مي‌شود. اين ثبت‌ها شامل فعاليت تمام نورون‌هاي اطراف الكترود مي‌شود كه براي استفاده‌ي بهتر از آن‌ها بايد با روش‌هاي طبقه‌بندي اسپايك به فعاليت تك‌نورون‌ها رسيد. بر اساس ويژگي‌هاي ساختاري نورون، مانند درخت دندريتي آن و فاصله و جهت ثابتي كه نسبت به الكترود ثبت دارد، مي‌توان نتيجه گرفت كه شكل اسپايك توليدي آن منحصر به فرد و ثابت است. با اين حال انجام طبقه‌بندي پتانسيل عمل‌ها در مقادير نسبت سيگنال به نويز پايين، همواره با چالش‌هايي همراه است. طبقه‌بندي اسپايك‌هاي نوروني معمولا شامل سه بخش آشكارسازي، استخراج ويژگي و طبقه‌بندي مي‌شود. در اين مقاله، روشي بر مبناي بهينه‌سازي ضرايب ويولت پيوسته در مرحله‌ي استخراج ويژگي­ها ارائه شده كه در مقادير نسبت سيگنال به نويز پايين نيز كارايي خوبي دارد. در روش پيشنهادي، بعد از محاسبه‌ي ضرايب ويولت پارامتري‌شده، با استفاده از معيارهاي فاصله‌ي اقليدسي و سطح زير منحني مشخصه‌ي عمل‌گر گيرنده در طبقه‌بندي دو گروه، بهترين پارامترها براي افزايش تفكيك‌پذيري ويژگي‌ها انتخاب مي‌شوند، به طوري كه ابتدا مقياس مناسب با معيار فاصله‌ي اقليدسي پيدا شده و در نهايت انتقال زماني با معيار دوم انتخاب مي‌شود. در اين پژوهش براي خوشه‌بندي از الگوريتم ساده و در عين حال كارامد k-means استفاده شده است. براي بررسي و ارزيابي روش پيشنهادي از سه مجموعه داده‌ي شبيه‌سازي‌شده استفاده گرديد كه در 9 حالت مختلف نسبت سيگنال به نويز و با مدل‌سازي نويز زمينه از نويز حقيقي ثبت‌شده تهيه شده بودند. نتايج به دست آمده از مرتب‌سازي داده‌هاي شبيه‌سازي‌شده نشان داد كه بهينه‌سازي پارامترهاي تبديل ويولت پيوسته با روش پيشنهادي مي‌تواند در ارتقاي كارايي طبقه‌بندي اسپايك‌ها نسبت به روش آناليز اجزاي اصلي، موثر واقع شود.