用于尖峰排序的特征提取与聚类统一模型
信号处理
2020-11-23 v1
摘要
尖峰排序在理解大脑编码中起着不可替代的作用。传统尖峰排序技术在尖峰被良好检测后分别进行特征提取与聚类。然而，当数据集中存在噪声和/或重叠尖峰时，这常会导致许多额外处理并进一步造成低精度和不/或不稳定结果。为解决这些问题，本文提出了一种集成特征提取与聚类的尖峰排序统一优化模型。有趣的是，不同于广泛使用的组合策略（即依次使用主成分分析 (PCA) 进行尖峰特征提取和 K-means (KM) 进行聚类），我们将 PCA 和 KM 统一为一个优化模型，从而以更少迭代次数减少额外处理。随后，通过在求解过程中嵌入 K-means++ 初始化策略和比较更新规则，所提模型能很好处理噪声和/或重叠干扰。最后，将最佳聚类有效性指标引入所提模型，我们推导出一种自动尖峰排序方法。在合成与真实数据集上的大量实验结果证实，我们所提方法优于相关最先进方法。
引用
@article{arxiv.2011.10163,
title = {A Unified Model of Feature Extraction and Clustering for Spike Sorting},
author = {Libo Huang and Lu Gan and Bingo Wing-Kuen Ling},
journal= {arXiv preprint arXiv:2011.10163},
year = {2020}
}
备注
10 pages, 5 figures