基于FMM混合模型的神经元信号函数型聚类
应用统计
2022-03-14 v3
摘要
未标记神经元电信号的识别是神经科学中最具挑战性的开放问题之一，被广泛称为Spike Sorting（尖峰排序）。受解决该问题的驱动，我们提出了一种在混合建模框架内用于聚类振荡函数型数据的基于模型的方法，称为MixFMM。该方法的核心是非线性参数化时间函数FMM waves，其足够灵活以描述不同的振荡模式，又足够简单以高效估计。具体而言，特定模型参数描述了波形的相位、幅度和形状。使用FMM waves作为基函数并加上高斯误差定义了一个混合模型，并提出了一种EM算法用于估计参数。此外，该方法包含了一种簇数选择的方法。Spike Sorting在文献中已受到相当关注，传统上已考虑不同的函数型聚类方法。我们在包括基准模拟和真实数据的广泛数据集集合中将这些方法与MixFMM进行比较。MixFMM方法在跨数据集的一系列指标中取得了出色的结果，且在特定场景中获得的显著改进激发了有趣的神经元见解。
引用
@article{arxiv.2203.03588,
title = {Functional Clustering of Neuronal Signals with FMM Mixture Models},
author = {Alejandro Rodríguez-Collado and Cristina Rueda},
journal= {arXiv preprint arXiv:2203.03588},
year = {2022}
}