طبقه‌بندی پتانسیلهای عمل نرونی با استفاده از شبکههای عصبی شعاعی
Authors
Abstract:
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.
similar resources
آشکارسازی پتانسیلهای عمل در ثبت های خارج سلولی با استفاده از انرژی شانون و تبدیل هیلبرت
آشکارسازی اسپایک‌های عصبی اولین گام برای تجزیه و تحلیل پتانسیل عمل واحدهای نورونی در ثبت خارج سلولی است. وجود نویز پس زمینه درثبت های خارج سلولی که عمدتا از جمع آثار پتانسیل عمل واحد های نورونی دورتر از منطقه ثبت ناشی می شود در بسیاری از اوقات آشکارسازی و تشخیص اسپایک های عصبی کم دامنه را دشوار می سازد. تاکنون محققین زیادی به این امر پرداخته اند و برای حل این مشکل الگوریتم‌های زیادی پیشنهاد شده...
full textتخمین هدایت هیدرولیکی اشباع در برخی از خاکهای استان ایلام با استفاده از شبکههای عصبی مصنوعی و روشهای رگرسیونی
هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار بوده و در سطوحبزرگ نیز غیرعملی است. افزون بر این، بهدلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازهگیریها غیرقابل ...
full textتقریب تابع ارزش عمل با استفاده از شبکه توابع پایه شعاعی برای یادگیری تقویتی
مشکل تنگنای ابعاد، یکی از چالش هایی است که کاربرد الگوریتم های یادگیری تقویتی گسسته را در مورد مسائل کنترلی واقعی که دارای فضای حالت و عمل بزرگ و یا پیوسته می باشند محدود نموده است. ترکیب روش های آموزشی گسسته با تقریب زننده های تابعی برای حل این مشکل چندی است مورد توجه محققان قرارگرفته است. در همین راستا در این مقاله یک الگوریتم جدید یادگیری تقویتی عصبی (NRL) بر مبنای معماری نقاد- تنها معرف...
full textپیش بینی رفتار مشتریان با استفاده از تکنیک شبکههای عصبی مصنوعی
امروزه روش های کمی، به یکی از مهم ترین ابزارهای پیش بینی برای اخذ تصمیمات و سرمایه گذاریهای کلان در بازارها تبدیل شده اند. دقت پیش بینی، یکی از مهم ترین فاکتورهای انتخاب روش پیش بینی است؛ شبکه های عصبی مصنوعی، برنامه های کامپیوتری منعطفی هستند که در سطح گسترده ای برای پیش بینی، با درجه بالایی از دقت به کار برده می شوند. امروزه میتوان با استفاده از تکنیک های داده کاوی و شبکه های عصبی به بررسی و ...
full textMy Resources
Journal title
volume 68 issue None
pages 638- 643
publication date 2011-02
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023