زمینه و
هدف: اهدافی
نظیر مطالعه رفتار جمعیت‌های نرونی، کشف مکانیزم‌های ارتباطی مغز با سایر اندام‌ها،
کشف روش‌های درمان بیماری‌های سیستم عصبی و ساخت پروتزهای عصبی مصنوعی، نیازمند به‌کارگیری
الگوریتم‌هایی خودکار برای طبقه‌بندی اسپایک‌های نرونی می‌باشند. با این حال به‌دلیل
نسبت پایین سیگنال به نویز در اسپایک‌های نرونی، طبقه‌بندی این سیگنال‌ها پروسه‌ای
دشوار محسوب می‌شود. در این پژوهش، به‌دنبال طراحی الگوریتمی خودکار، برای طبقه‌بندی
اسپایک‌های هم‌شکل ثبت شده از یک ناحیه مشخص از سیستم اعصاب می‌باشیم.
روش بررسی: پروسه طبقه‌بندی اسپایک‌های
نرونی، عموماً از سه مرحله آشکارسازی، استخراج ویژگی و طبقه‌بندی تشکیل شده است.
در این مقاله ابتدا با به‌کارگیری آماره‌های سیگنال، اسپایک‌ها را از داده خام
اولیه جداسازی نمودیم (مرحله آشکارسازی) و در مرحله بعد، با انتخاب تعداد محدودی
از اسپایک‌ها به‌عنوان نمونه (ویژگی)، به آموزش یک شبکه عصبی RBF، جهت طبقه‌بندی
این سیگنال‌ها پرداختیم. ایده استفاده از شبکه‌های عصبی شعاعی، امکان غلبه بر مشکل
عدم تفکیک‌پذیری خطی را که در غالب مسایل طبقه‌بندی سیگنال‌های نرونی وجود دارد،
به‌وجود آورده است.
یافته‌ها: الگوریتم ارایه شده،
قادر است پس از یادگیری تعداد محدودی اسپایک به‌عنوان نمونه، هر تعداد اسپایک را
(از همان مجموعه آموخته شده) طبقه‌بندی نماید. نتایج به‌دست آمده از شبیه‌سازی‌ها
نشان می‌دهند که گرچه این الگوریتم Radial
Basis Spike Sorter (RBSS) دارای خطای مثبت- کاذبی تقریباً مشابه با سایر
الگوریتم‌ها می‌باشد، با این حال در عین سادگی و با حفظ کمترین پیچیدگی محاسباتی،
از سرعت نسبتاً بالاتری برخوردار است.
نتیجه‌گیری: الگوریتم طراحی شده، می‌تواند
برای اهدافی که در آن‌ها به پردازش و طبقه‌بندی بلادرنگ اسپایک‌ها نیاز است، به‌کار
برود.
