论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　提取到Spike发放特征后，由于数据庞大，引起计算量增加，需要对特征进行整合。本文计算步骤如下：
　　1）构造数据点Xi，i=1，2，…，n，Xi∈RD的邻接图G，距离定义为欧氏距离dx（i，j）邻接关系定义为k最近邻。
　　2）计算Xi和Xj在流形M上的测地线距离矩阵其中dc（i，j）为邻接图G中两点间的最短距离。
　　3）对DG运行多维尺度变换（multidimensionalscaling，MDS），得到低维坐标
　　lsomap降维维数是由残差E来确定，即E=1-R2（DG，DY），其中DG为距离矩阵，DY为d维空间中的欧氏距离矩阵，R2为线性相关系数。本文通过多次试验得到残差变化曲线图，并通过寻找曲线的拐点或已经小到一定的阈值来确定降维维数。
　　2.3视像整体信息的特征分类
　　特征整合之后，需要对特征进行分类以完成识别的目的，SVM分类方法是一种建立在统计学习理论上的模式识别方法。SVM较常见的核函数中径向基（radialbasisfunction，RBF）核函数的收敛域较宽，对维数的高低和样本的大小没有限制，因此本文使用RBF核函数。
　　使用SVM进行多分类的关键是惩罚系数C和核函数宽度因子g的选取。惩罚系数C代表着SVM算法对噪声的容忍度，C越大越不允许噪声的出现。核函数宽度因子g影响着聚类的紧密度和聚类的数目。g越大，聚类越模糊，反之，聚类越精细。
　　本文对SVM参数的选取采用网格法，即首先根据经验选取C和g的范围、初始值以及步长，然后存这个范围内按照步长，做出正确率随C和g变化的三维视图，在图中寻求正确率最高的C和g组合。
　　3结果与分析
　　随机选取7只大鼠的实验数据作为样本，对其中112个神经元的数据进行了分析，本文所有的数据处理均在MatlabR2012a软件平台下进行。
　　按照2.1.1所述步骤，统计出每个时间窗内的神经元的平均发放率，由于一次实验包括刺激1秒，休息1秒，而时间窗△t=50ms，所以每一次实验都会得到40个平均发放率，做出平均发放率随时间变化图，并得到有效响应区间。
　　为7只LE大鼠112个神经元的刺激有效响应时间区间统计图。可以看出大鼠神经元一般在刺激后约100ms开始响应，150～250ms达到峰值，450ms左右结束。
　　根据区间统计图，拟合有效响应时间点的概率密度分布图如图3所示，其中阴影部分的概率密度和已达到90%以上，可见对于此刺激，大鼠的有效响应时间区间在100～450ms，持续时间在350ms左右。
　　按2.1.2和2.1.3的步骤提取有效响应特征，分别使用Isomap和PCA两种方法对归一化后的数据进行降维作为对比，两种方法降维维数的确定如图4和图5所示。
　　本文经试算，选取每一数据点的最近邻连接数k=4，图4为k=4时残差随降维维数的变化图。从图4中可以看出在维数大于4后，随着维数的增加，残差变化很小。此组数据可以用Isomap方法降到4维。图5为前10个主成分的累计贡献率，从图5中可以得到前5个主成分的累计贡献率已经达到90%，可选取前5个主成分来代替原数据。
　　对于已降维的数据运用支持向量机进行特征分类，随机选取其中的1/2数据作为训练样本，其他的数据作为测试样本。图6为分类正确率随C和g变化的三维视图。从图6中可以看出不同的参数选择会得到不同的结果，图6中C=0.7，g=0.02处准确率达到峰值86%。为检验方法的适应性，需多次随机抽样.并计算多次分类准确率的方差。
　　为未使用有效响应区间时，使用Isomap进行特征整合和使用PCA进行特征整合的分类正确率及方差对比，可以看出使用Isomap进行特征整合较使用PCA进行特征整合的分类正确率有明显提高。
　　为同样使用Isomap进行特征整合，使用和未使用有效响应区间的最终分类平均正确率及方差的对比，从图8中可以看出，提取了有效响应区间前，分类的准确率在60%左右，使用有效响应区间后，分类的准确率得到了极大的提升，达到了80%左右。可见本文提出的在有效响应时间区间统计发放率，使用Isomap进行特征整合，分类后得到的整体特征识别准确率，较其他两种方法得到的识别准确率均有不同程度的提高。
　　为了验证本方法的适应性，本文随机选取了7只大鼠，在有效响应区间中提取特征并用I—somap整合特征，SVM进行特征分类，得到的平均分类准确率及方差。本方法的识别准确率都达到了70%以上，可见该方法比较稳定，对于不同的大鼠差异不明显。
　　4结论与讨论
　　本文通过统计刺激后神经元集群的Spike发放率变化，确定出大鼠Vl区的有效响应时间区间，并提取有效响应特征，运用Isomap方法进行特征整合处理然后分类，并将本方法与其他方法进行了分类正确率比较。结果表明：1）对于本文刺激，大鼠神经元的有效响应区间一般在刺激后约100ms开始，450ms左右结束，有效响应时间区间的长度在350ms左右；2）其他条件都相同的情况下，使用Isomap进行特征整合比使用PCA进行特征整合最终求得的整体特征识别准确率有一定的提高；3）提取了有效响应区间后再进行特征提取与直接进行特征提取相比，最终的整体特征识别准确率得到了很大的提升；4）使用多只大鼠进行相同的实验和分析发现本文方法比较稳定，对于不同的大鼠差异不明显。因此，本文提出的方法能更好地解析大鼠Vl区神经元对视像整体特征的处理机制，这对于进一步研究视觉皮层对不同特征视觉刺激的信息处理机制具有重要意义。后续将进一步研究其他具有复杂特征的图像刺激下，大鼠神经元的响应变化情况。