بهینه‌سازی ضرایب ویولت پیوسته برای مرتب‌سازی اسپایک‌های عصبی

ثبت خارج‌سلولی فعالیت تک‌نورون‌های مغزی به عنوان روشی پرطرفدار در تحقیقات حوزه‌ی علوم اعصاب و مهندسی توان‌بخشی عصبی شناخته می‌شود. این ثبت‌ها شامل فعالیت تمام نورون‌های اطراف الکترود می‌شود که برای استفاده‌ی بهتر از آن‌ها باید با روش‌های طبقه‌بندی اسپایک به فعالیت تک‌نورون‌ها رسید. بر اساس ویژگی‌های ساختاری نورون، مانند درخت دندریتی آن و فاصله و جهت ثابتی که نسبت به الکترود ثبت دارد، می‌توان نتیجه گرفت که شکل اسپایک تولیدی آن منحصر به فرد و ثابت است. با این حال انجام طبقه‌بندی پتانسیل عمل‌ها در مقادیر نسبت سیگنال به نویز پایین، همواره با چالش‌هایی همراه است. طبقه‌بندی اسپایک‌های نورونی معمولا شامل سه بخش آشکارسازی، استخراج ویژگی و طبقه‌بندی می‌شود. در این مقاله، روشی بر مبنای بهینه‌سازی ضرایب ویولت پیوسته در مرحله‌ی استخراج ویژگی­ها ارائه شده که در مقادیر نسبت سیگنال به نویز پایین نیز کارایی خوبی دارد. در روش پیشنهادی، بعد از محاسبه‌ی ضرایب ویولت پارامتری‌شده، با استفاده از معیارهای فاصله‌ی اقلیدسی و سطح زیر منحنی مشخصه‌ی عمل‌گر گیرنده در طبقه‌بندی دو گروه، بهترین پارامترها برای افزایش تفکیک‌پذیری ویژگی‌ها انتخاب می‌شوند، به طوری که ابتدا مقیاس مناسب با معیار فاصله‌ی اقلیدسی پیدا شده و در نهایت انتقال زمانی با معیار دوم انتخاب می‌شود. در این پژوهش برای خوشه‌بندی از الگوریتم ساده و در عین حال کارامد k-means استفاده شده است. برای بررسی و ارزیابی روش پیشنهادی از سه مجموعه داده‌ی شبیه‌سازی‌شده استفاده گردید که در 9 حالت مختلف نسبت سیگنال به نویز و با مدل‌سازی نویز زمینه از نویز حقیقی ثبت‌شده تهیه شده بودند. نتایج به دست آمده از مرتب‌سازی داده‌های شبیه‌سازی‌شده نشان داد که بهینه‌سازی پارامترهای تبدیل ویولت پیوسته با روش پیشنهادی می‌تواند در ارتقای کارایی طبقه‌بندی اسپایک‌ها نسبت به روش آنالیز اجزای اصلی، موثر واقع شود.