通用尖峰分类器

在电生理学中，微电极是记录单神经元（单单元活动）神经数据的主要来源。这些微电极可单独植入，或以由数百电极组成的微电极阵列形式植入。记录期间，部分通道捕获神经元活动，通常受外部伪迹与噪声污染。另有相当比例的通道不记录任何神经数据，而仅有外部伪迹与噪声。因此，自动识别与追踪含神经数据的通道意义重大，可加速分析过程，例如离线及在线尖峰排序中有意义通道的自动选取。另一重要方面是在脑机接口应用的在线解码中选择有意义通道，其中阈值穿越事件通常用于特征提取，尽管其未必对应于神经事件。此处我们提出一种基于新引入的特征向量提取方式与有监督深度学习方法的新算法：通用尖峰分类器（USC）。USC 使我们能解决上述两方面问题。USC 采用卷积神经网络（Conv net）的标准架构。它以一批波形而非单个波形作为输入，将其通过多层结构传播，最终将其分类为含神经尖峰数据或伪迹的通道。我们在植入犹他阵列于不同脑区的单个四肢瘫痪患者记录数据上训练 USC 模型。该训练模型随后在未重新训练的情况下，评估于六名植入深度电极的癫痫患者与两名各植入两个犹他阵列的四肢瘫痪患者分别采集的数据。