طبقه‌بندي پتانسيل‌هاي عمل نروني با استفاده از شبكه‌هاي عصبي شعاعي

Neuronal spike sorting based on radial basis function neural networks

زمينه و هدف: اهدافي نظير مطالعه رفتار جمعيت‌های نرونی، كشف مكانيزم‌های ارتباطی مغز با ساير اندام‌ها، كشف روش‌های درمان بيماری‌های سيستم عصبی و ساخت پروتزهای عصبی مصنوعی، نيازمند به‌كارگيري الگوريتم‌هايی خودكار برای طبقه‌بندی اسپايك‌های نرونی می‌باشند. با اين حال به‌دليل نسبت پايين سيگنال به نويز در اسپايك‌های نرونی، طبقه‌بندی اين سيگنال‌ها پروسه‌اي دشوار محسوب می‌شود. در اين پژوهش، به‌دنبال طراحی الگوريتمی خودكار، برای طبقه‌بندي اسپايك‌های هم‌شكل ثبت شده از يك ناحيه مشخص از سيستم اعصاب می‌باشيم. روش بررسی: پروسه طبقه‌بندی اسپايك‌هاي نرونی، عموماً از سه مرحله آشكارسازی، استخراج ويژگی و طبقه‌بندی تشكيل شده است. در اين مقاله ابتدا با به‌كارگيری آماره‌های سيگنال، اسپايك‌ها را از داده خام اوليه جداسازی نموديم (مرحله آشكارسازی) و در مرحله بعد، با انتخاب تعداد محدودي از اسپايك‌ها به‌عنوان نمونه (ويژگی)، به آموزش يك شبكه عصبی RBF، جهت طبقه‌بندي اين سيگنال‌ها پرداختيم. ايده استفاده از شبكه‌های عصبی شعاعی، امكان غلبه بر مشكل عدم تفكيك‌پذيری خطی را كه در غالب مسايل طبقه‌بندی سيگنال‌های نرونی وجود دارد، به‌وجود آورده است. يافته‌ها: الگوريتم ارايه شده، قادر است پس از يادگيری تعداد محدودی اسپايك به‌عنوان نمونه، هر تعداد اسپايك را (از همان مجموعه آموخته شده) طبقه‌بندی نمايد. نتايج به‌دست آمده از شبيه‌سازی‌ها نشان می‌دهند كه گرچه اين الگوريتم Radial Basis Spike Sorter (RBSS) دارای خطای مثبت- كاذبی تقريباً مشابه با ساير الگوريتم‌ها می‌باشد، با اين حال در عين سادگی و با حفظ كمترين پيچيدگی محاسباتی، از سرعت نسبتاً بالاتری برخوردار است. نتيجه‌گيری: الگوريتم طراحی شده، می‌تواند برای اهدافی كه در آن‌ها به پردازش و طبقه‌بندی بلادرنگ اسپايك‌ها نياز است، به‌كار برود.

Background: Studying the behavior of a society of neurons, extracting the communication mechanisms of brain with other tissues, finding treatment for some nervous system diseases and designing neuroprosthetic devices, require an algorithm to sort neuralspikes automatically. However, sorting neural spikes is a challenging task because of the low signal to noise ratio (SNR) of the spikes. The main purpose of this study was to design an automatic algorithm for classifying neuronal spikes that are emitted from a specific region of the nervous system. Methods: The spike sorting process usually consists of three stages: detection, feature extraction and sorting. We initially used signal statistics to detect neural spikes. Then, we chose a limited number of typical spikes as features and finally used them to train a radial basis function (RBF) neural network to sort the spikes. In most spike sorting devices, these signals are not linearly discriminative. In order to solve this problem, the aforesaid RBF neural network was used. Results: After the learning process, our proposed algorithm classified any arbitrary spike. The obtained results showed that even though the proposed Radial Basis Spike Sorter (RBSS) reached to the same error as the previous methods, however, the computational costs were much lower compared to other algorithms. Moreover, the competitive points of the proposed algorithm were its good speed and low computational complexity. Conclusion: Regarding the results of this study, the proposed algorithm seems to serve the purpose of procedures that require real-time processing and spike sorting.