طبقه‌بندی پتانسیل‌های عمل نرونی با استفاده از شبکه‌های عصبی شعاعی

زمینه وهدف: اهدافینظیر مطالعه رفتار جمعیت‌های نرونی، کشف مکانیزم‌های ارتباطی مغز با سایر اندام‌ها،کشف روش‌های درمان بیماری‌های سیستم عصبی و ساخت پروتزهای عصبی مصنوعی، نیازمند به‌کارگیریالگوریتم‌هایی خودکار برای طبقه‌بندی اسپایک‌های نرونی می‌باشند. با این حال به‌دلیلنسبت پایین سیگنال به نویز در اسپایک‌های نرونی، طبقه‌بندی این سیگنال‌ها پروسه‌ایدشوار محسوب می‌شود. در این پژوهش، به‌دنبال طراحی الگوریتمی خودکار، برای طبقه‌بندیاسپایک‌های هم‌شکل ثبت شده از یک ناحیه مشخص از سیستم اعصاب می‌باشیم. روش بررسی: پروسه طبقه‌بندی اسپایک‌هاینرونی، عموماً از سه مرحله آشکارسازی، استخراج ویژگی و طبقه‌بندی تشکیل شده است.در این مقاله ابتدا با به‌کارگیری آماره‌های سیگنال، اسپایک‌ها را از داده خاماولیه جداسازی نمودیم (مرحله آشکارسازی) و در مرحله بعد، با انتخاب تعداد محدودیاز اسپایک‌ها به‌عنوان نمونه (ویژگی)، به آموزش یک شبکه عصبی rbf، جهت طبقه‌بندیاین سیگنال‌ها پرداختیم. ایده استفاده از شبکه‌های عصبی شعاعی، امکان غلبه بر مشکلعدم تفکیک‌پذیری خطی را که در غالب مسایل طبقه‌بندی سیگنال‌های نرونی وجود دارد،به‌وجود آورده است. یافته‌ها: الگوریتم ارایه شده،قادر است پس از یادگیری تعداد محدودی اسپایک به‌عنوان نمونه، هر تعداد اسپایک را(از همان مجموعه آموخته شده) طبقه‌بندی نماید. نتایج به‌دست آمده از شبیه‌سازی‌هانشان می‌دهند که گرچه این الگوریتم radialbasis spike sorter (rbss) دارای خطای مثبت- کاذبی تقریباً مشابه با سایرالگوریتم‌ها می‌باشد، با این حال در عین سادگی و با حفظ کمترین پیچیدگی محاسباتی،از سرعت نسبتاً بالاتری برخوردار است. نتیجه‌گیری: الگوریتم طراحی شده، می‌تواندبرای اهدافی که در آن‌ها به پردازش و طبقه‌بندی بلادرنگ اسپایک‌ها نیاز است، به‌کاربرود.