独立分量分析在神经元锋电位分类中的一种新应用

杨彭举 封洲燕 孙 静

(浙江大学 生物医学工程与仪器科学学院 生物医学工程教育部重点实验室，杭州 310027)

独立分量分析在神经元锋电位分类中的一种新应用

杨彭举 封洲燕*孙 静

(浙江大学 生物医学工程与仪器科学学院 生物医学工程教育部重点实验室，杭州 310027)

爆发式锋电位(Burst)是大脑神经元动作电位发放的一种常见形式，它在增强神经信号传递的可靠性以及形成突触可塑性变化等方面具有重要的作用。在细胞外记录的锋电位信号中，同源Burst也表现为幅值和波形都明显变化的一串高频发放序列，这给神经元序列的正确分类提出了难题。为了解决这个问题，本研究设计了一种四极电极记录的锋电位信号检测和分类方法。在阈值法检出锋电位的基础上，首先根据锋电位时间间隔指标检出候选Burst信号小段，然后利用独立分量分析(ICA)的盲源分离特性，区分每个小段信号中所包含的不同来源的锋电位，再用于最后的整体信号的锋电位聚类。实验记录数据和仿真数据的检验结果表明，该方法不仅能够将来自不同神经元的Burst和单发放锋电位正确分类;而且，由于ICA应用的对象是短时间的候选Burst信号，因此，即使对于4通道信号也能够满足ICA源信号数量小于记录信号通道数的限制条件，同时，短信号处理又避免了ICA计算量大等问题，为Burst的正确检测与分类提供了一种新方法。

爆发式发放;锋电位;独立分量分析;四极电极;分类

引言

大脑神经元的动作电位发放模式中，除了单发放(single spike)以外，还有一种短促的多个动作电位的爆发式发放(complex spike burst)，文中简称为Burst。细胞内记录表明，Burst是由较大的细胞膜去极化电位诱发产生，它表现为叠加在同一个持续去极化波上的数个动作电位的高频率连续发放。在细胞外记录的动作电位(常称为锋电位)信号中，Burst表现为一串幅值和波形都明显变化的锋电位［1－2］，脉冲之间的时间间隔为 2 ～ 20 ms。大脑皮层和海马组织等区域的锥体神经元都普遍存在Burst形式的动作电位发放，这种发放在增强神经信号传递的可靠性、实现选择性信号传输以及产生突触可塑性效应等方面具有重要的作用［3－4］。但是，Burst锋电位的变化特性给神经元发放序列的检测和分析带来了难题，同源锋电位很容易被误分为来自不同神经元的信号。至今为止，锋电位分类的商品化软件(如 Plexon公司的“offline sorting”等)和“wave_clus”、“MClust”等开源软件对于 Burst锋电位的分类都需要人工干预，尚不能实现自动正确分类。

利用细胞外微电极阵列记录技术，可以同时获得大量神经元的锋电位信号［5］，这种包含了来自多个神经元的锋电位信号需要进行分类，才能够提取出各个不同神经元的动作电位发放序列［6－7］。常用锋电位分类的基本依据是细胞发放的动作电位具有“全或无”特性。也就是，如果记录电极与细胞之间的距离保持不变，那么，细胞外某个特定测量点上记录到的来自同一个细胞的锋电位的幅值和波形应该相近，它们的差异是由噪声引入的［6］。但是，上述Burst所包含的锋电位却破坏了这个原则，因为来自同一个神经元的Burst锋电位幅值显著递减，波形虽然相似也有很大变化，从而难以正确分类［8］。为了解决这个问题，研究人员提出了许多处理Burst的锋电位分类算法，大致可以分成两种:一是先将锋电位过度分类，然后再将属于同一个神经元Burst发放的那些类合并起来;二是根据Burst中锋电位发放的特性先检出属于 Burst的锋电位，然后再进行锋电位分类。

第一种算法的关键是如何将初始的过度分类结果中属于Burst的那些类合并起来。Burst锋电位波形的渐变特性使它们在聚类特征参数空间中表现为拖长的条带状，根据这个特点可以挑选出那些属于同一个神经元的Burst锋电位［9］。例如，Snider等人将初始分类获得的每两个类的所有聚类点投影到穿过这两类聚类中心点的直线上［10］，如果两个聚类中心之间存在的投影点数量大于某个设定的阈值，那么，中间的这些样本点就被认为是Burst中锋电位渐变所形成的过渡带，它们与两个聚类点一起应该合并成同一类。不过，这种算法需要足够多的用于聚类的锋电位数量，否则，即使两个聚类属于同一个神经元，两个聚类中心之间的投影点数量仍然可能达不到阈值，从而不能将两个聚类联系起来。而且，仅仅根据波形特征参数空间中聚类点的形式来合并，很可能误将不同神经元的锋电位合并在一起。虽然有人通过计算合并之后的锋电位发放时间间隔(inter-spike interval，ISI)直方图，检查直方图中是否存在清晰的不应期，来判断合并的正确性［11］，但是，如果初始过度分类所产生的候选合并组合比较多，那么，ISI方法的计算量就很大。

第二种算法先检出所有Burst内的锋电位，再取出每个Burst中的第1个锋电位与其它锋电位一起进行分类。这里的关键是如何识别Burst。如果仅仅依据Burst内锋电位之间的ISI小于某个阈值来确定 Burst［12－14］，显然，很容易将时间间隔较小的不同神经元的发放误判为Burst。如果根据前后相邻的锋电位之间的ISI、幅值衰减系数以及衰减因子相关性等多个参数来确定属于 Burst的锋电位，可以提高Burst识别的正确率［8］，但是，这些参数的取值范围较难确定，对于不同的实验数据经常需要重新设置参数的阈值。

为了解决上述 Burst锋电位分类的难题，针对四极电极(tetrode)记录的多通道信号设计了一种新算法，首先根据ISI检出可能包含多个神经元锋电位的“候选 Burst”;然后，利用独立分量分析(independent component analysis，ICA)的盲源分离特性［15］，对各个候选Burst的小段信号进行ICA计算，将其中包含的不同来源锋电位分离开来;最后，再进行整个记录信号的锋电位分类。利用ICA处理短时间的小段信号是本算法的创新之处，它既能够满足ICA源信号数量小于记录信号通道数的限制条件，又避免了ICA计算量大的问题，为Burst的正确检测与分类提供了一种新方法。

1 材料和方法

1.1 锋电位信号的检测和分类方法

图1所示的四极电极记录信号Ch1～Ch4中含有2个Burst串，分别由5个和2个锋电位构成。用该信号的分析过程来说明所设计的锋电位信号的检测和分类方法，主要包括4个步骤。

图1 包含爆发式发放的锋电位信号检测和分类方法示意Fig.1 Detecting and clustering algorithm for spike signals with bursts

1.1.1 应用阈值法检测锋电位

关键是根据噪声大小设定检测阈值。由于常用的根据信号标准差设定的阈值受锋电位发放率的影响较大，因此，采用基于中值的阈值设定法［16］，其阈值的计算公式为

分别计算每个通道锋电位的阈值并检出各自的锋电位之后，再取4个通道检测结果的并集，这样，就获得了包含多个神经元锋电位发放的时间序列。

1.1.2 根据ISI数值检出锋电位序列中的候选Burst

根据实验数据的观察结果，虽然 Burst中相邻锋电位之间的ISI都很小，但其变异性较大，很难设定某个固定的ISI阈值用于判定不同实验数据的Burst。因此，采用一种自适应式计算 Burst内部锋电位最大ISI值的方法［14］。这种方法对原始锋电位时间序列的ISI数据进行2次抽取。首先计算整个锋电位发放序列的平均ISI，表示为

式中，ISIn是第n个与第n+1个锋电位之间的时间间隔，N为锋电位总数。

然后，选出所有小于平均值的 ISIn数据，并组成一个新的ISI序列 L(n)，该 L(n)中包含了所有Burst内部的 ISIn［14］。为了进一步减少其中的非Burst的ISIn，最后，对 L(n)再求一次平均值，并再抽取其中小于平均值的 ISIn，这些ISIn的平均值就作为候选Burst内部锋电位检测的ISI阈值ML。如果ISIn＜ ML，那么，就将其作为 Burst内部的 ISIn，再把其中相邻的 ISIn合并，就完成了候选 Burst的检测。

图1所示的这段锋电位信号经过2次ISI抽取之后检出3个候选Burst。显然，由于它们只满足了锋电位ISI的特性，其中很可能包含了来自不同神经元的锋电位，因此，下面必须进一步对候选Burst中的锋电位进行分离。

1.1.3 ICA计算和锋电位分离

将候选Burst所对应的各个4通道记录信号小段分别进行ICA计算，从而分离出其中包含的不同神经元的锋电位。如果多通道测量信号是多个源信号的线性组合，并且，各个源信号之间统计独立，那么，ICA方法就能够从测量信号中把源信号分解出来。来自不同神经元的锋电位信号可以满足这个要求［15］。设 x=(x1，x2，…xm)T是 m 维测量信号，它由源信号 s=(s1，s2，…sn)T中 n个未知的独立源信号si线性组合而成，即

式中，A为m×n矩阵。ICA分解的关键就是要找到解混矩阵Wn×m，使线性变换 y=Wx求得的向量 y=(y1，y2，…yn)T中的每个元素 yi(i=1，2，…，n)相互之间都统计独立。

ICA求解 W 的方法有很多，如 FastICA、Infomax、JADE和 RADICAL等算法。比较而言，RADICAL算法根据统计独立中最自然的判据—最小互信息原则来判断统计独立［16］，从而不必估计信号的概率密度，而且也不易受野值的影响。同时，该算法采用一种快速熵估计算法，提高了计算效率。经过测试，该算法对噪声的分离效果也很好。因此，使用RADICAL算法实现ICA盲源分离，并使用文献［16］提供的MATLAB程序。

4通道候选Burst经过ICA计算后得到4路分离的信号，这4路信号中究竟哪些是锋电位信号通道和噪声通道，以及这些通道的排列顺序，都是不确定的，锋电位的峰值取向也会发生变化(如负峰变成正峰)，但其中锋电位出现的时刻与原信号中一致;因此，通过计算锋电位时间位置上各个通道波形的幅值大小和光滑程度(即计算局部极值个数)，来判定包含锋电位的信号通道和噪声通道［17］。与噪声相比，锋电位的波形大而光滑，局部极值个数较少，而噪声的局部极值个数较多。

1.1.4 锋电位分类

经过1.1.2和1.1.3两个步骤的处理之后，锋电位信号所包含的Burst已确定，取出各个Burst中的第1个锋电位与其它所有单发放的锋电位一起，再进行4通道锋电位分类计算。采用的分类算法与文献［18］相似，简介如下:首先将同一锋电位在4个通道上的波形连接起来，形成一个复合波形，计算该复合波形的主成分(principalcomponent analysis，PCA)，并取90%的主成分分量作为聚类的特征值。然后，应用近邻传播算法(affinity propagation，AP)对这些特征值进行聚类［19］。

AP聚类算法的特点是无需预先知道类别数量，且分类较精细，大批量数据分类时效率很高［20］。它利用迭代法寻找聚类中心，首先毫无偏向地将所有样本点都视为聚类中心，再计算两两样本点之间的相似度s(i，k)(相似度可以是欧氏距离或者互相关系数等)，构成一个样本集的相似度矩阵。然后分别从样本点k和样本点i的角度出发，建立另外两个参数r(i，k)和a(i，k)，用于判断这两个样本点相互选择的合适度。其中r(i，k)的含义是:与 k作为其它样本点的聚类中心相比，k作为i聚类中心的合适度。而a(i，k)的含义是:在 i的所有潜在聚类中心里，i选择 k作为聚类中心的合适度。r(i，k)和 a(i，k)的值越大，k成为最终聚类中心的可能性就越大。这样，通过反复迭代，计算每个样本点i到所有其它样本点 k的 r(i，k)和 a(i，k)的值，最终得到的聚类中心就是使(r(i，k)+a(i，k))取值最大的样本点k。可见，这种算法直接将各个锋电位聚集成不同的类，不需要训练过程。AP聚类算法的实现使用文献［19］提供的Matlab程序。

聚类完成之后，再加上没有参加聚类的各个Burst的其它锋电位，就得到了图1最下方所示的最终锋电位分类结果。

1.2 锋电位信号实验数据的采集

锋电位信号采用美国NeuroNexus Technologies公司生产的微电极阵列在麻醉大鼠海马CA1和CA3区采集。如图2所示，电极阵列的每根电极杆上有4个间距只有25 μm的记录点，它们模仿传统金属丝制作的四极电极，构成一个菱形。这4个记录点由于距离很近，因此，一般都能够同时记录到电极附近来自同一个神经元的锋电位，并且通常能够记录多个神经元的信号。各通道记录信号的频率范围设定为500 Hz～5 kHz，采样频率为20 kHz。

图2 微电极阵列上菱形排列的记录点Fig.2 The structure of multisite recording electrodes

1.3 锋电位仿真信号的建立

由于实验记录中所包含锋电位信号的确切信息无法获得，为了检验本研究所设计的 Burst锋电位检测和分类算法的有效性，建立了10组4通道仿真数据，共包含来自5个不同神经元的锋电位信号。其中3个神经元既有单发放也有Burst发放，而另外2个神经元只有单发放。单发放和Burst的锋电位波形都是利用实验记录数据平均求得的模板。各个Burst发放中包含的锋电位数有2、3、4个不等，它们出现的概率根据实验数据设定在0.08～0.64的范围之内，其ISI的范围则设定为6～20 ms。

根据神经元锋电位发放的γ分布规律［13］，首先生成长度为120 s的8路数据，其中 3路为3类Burst序列，另5路为5类单发放序列(其中3类分别为3个Burst神经元的单发放);然后，通过一个基于正态分布的4×8随机矩阵，将这8路数据线性组合成4通道仿真信号，并在每个通道上叠加高斯白噪声。这样获得的4通道仿真数据中分别包含了来自5个神经元的统计独立信号源以及噪声。各个神经元的锋电位在各通道中的信噪比不等，锋电位峰峰幅值与噪声标准差之比的平均值为9.6±1.6，与实验记录数据相当。仿真数据中存在某个神经元的Burst内包含其它神经元的单发放和其它Burst发放，以及不同锋电位重叠等复杂情况，由于其中包含的各个锋电位及其所属神经元已知，因此，可以用于验证算法的有效性。

1.4 锋电位检测的评价参数

设NREF为实际锋电位个数，NS为检测获得的锋电位总数，NCS为正确检出的锋电位个数，那么，根据文献［21］中的定义，锋电位的误检率和漏检率分别为

2 结果

2.1 实验数据分析结果

用所设计的算法分析了多组实验记录信号，表1所示是其中一组长22.6 s的4通道记录信号所包含的锋电位信息以及分析结果。经过仔细的人工目测挑选，统计得到这组数据中共包含6个不同神经元发放的1 132个锋电位，其中2个神经元具有Burst发放(即神经元1和2)，另外4个神经元(即神经元3～6)只有单发放锋电位。该组数据的锋电位总漏检率为1.0%，误检率为2.6%。表中3列数据从左至右分别是人工目测的锋电位统计数值(这里不妨作为标准)、本算法检出并分类正确的锋电位数，以及算法的正确率(即前2个数值的百分比)。该组数据的最终锋电位分类总体正确率为94.3%。

表1 某组实验数据的锋电位数量和检测分类结果Tab.1 Result of the algorithm for a typical set of experimental recording

图3是这组实验记录数据的4种分析结果比较，图中所示是第1和第2主成分分量 PC1和 PC2组成的特征空间聚类投影图。其中，图3(a)是人工目测挑选的结果，图3(b)是所设计算法的分类结果，可见两者基本相符。两图中，神经元1的 Burst锋电位发放在特征空间中呈现明显的条带状，表明了这些锋电位波形的渐变过程。尽管它们在聚类空间中很分散，但本算法仍然能够正确分类。如果跳过1.1节所述的第2和第3个Burst处理步骤，直接将所有测得的锋电位一起进行分类，那么，如图3(c)所示，锋电位数量较多的神经元1的锋电位就被分成了4类。

如果在应用ISI阈值法提取候选Burst后，就将它们作为Burst，而不用ICA法做锋电位分离，也就是跳过1.1节算法的第3步骤，直接取出各个Burst的第1个锋电位参与后续分类;那么，如图3(d)所示，由于在神经元1的Burst期间或者紧随其后，夹杂着许多其它单发放锋电位(它们主要来自神经元3、4和6)，这些锋电位在 ISI阈值法提取 Burst时就直接被误归入神经元1的Burst中。同时，图3(d)还表明有许多神经元1的锋电位被误归入神经元3、4和6的类别中，这是由于神经元1锋电位之前在ISI阈值范围内出现了这些神经元的锋电位。由此可见ICA分离操作的重要性。

其实，这组实验数据的锋电位发放情况比较复杂，其中包含的大部分Burst内都夹杂着其它神经元的单发放锋电位，甚至还有2个不同神经元的Burst互相交叉的情况。图4的两张图分别显示了其中的2个候选 Burst及其 ICA分离结果，图的左边是4通道记录数据，其上方的短竖线表示检出的锋电位及其序数。比较4路信号可以看出，图4(a)中的第1～5个以及第7个锋电位是同一个神经元的Burst发放，而第6个锋电位来自另一个神经元。经过ICA分解之后，这段候选 Burst中属于2个神经元的锋电位被分离在第1和2个通道上，另两个通道则是噪声。

图4(b)的情况更复杂，它共包含来自4个神经元的锋电位。其中第 1、3、4、6个锋电位组成的Burst与图4a的Burst是同一类，只是锋电位个数不同。而第 5、7、8、9、10 个锋电位组成的 Burst则来自另一个神经元。值得注意的是，图4b的第3个锋电位波形其实是2个神经元的锋电位的叠加，相当于图4a中第2个和第6个锋电位的重叠。如果不仔细分析，这种重叠肉眼很难辨别，而 ICA却能够正确地将重叠的2个锋电位分开，这进一步说明了ICA分析的作用。但是，除了噪声通道以外，4路ICA信号最多只能区分3类锋电位信号，因此，图4(b)中的第2个锋电位(属于第4个神经元)就没有被分出来，不过，在如此短的时间段中像图4(b)这样复杂的锋电位发放情况较少见。

图3 某组实验数据的聚类结果。(a)根据人工目测统计结果作出的聚类图;(b)本算法的聚类图;(c)未进行Burst处理直接将所有锋电位进行分类的结果;(d)根据ISI检出Burst但不使用ICA分离处理而直接聚类的结果Fig.3 Clustering results of a typical experimental recording.(a)human visual inspection;(b)using the complete algorithm;(c)using the algorithm lack of burst processing;(d)using the algorithm lack of ICA separation

笔者统计了2 630个 Burst信号段，其中包含4类以上锋电位的只占1.4%;因此，绝大多数候选Burst小段信号中只含有3类及以下锋电位，满足ICA源信号数量小于记录信号通道数的限制条件。

2.2 仿真数据分析结果

由于噪声和不同锋电位重叠等复杂因素的影响，实验记录中的真实锋电位发放信息无法获得，从而无法精确统计算法的分析结果，用10组仿真数据检验了本研究所设计算法的正确性，其结果如表2所示。这10组数据的锋电位平均总数为1 326±22个，本算法的锋电位漏检率为(2.6±0.48)%，误检率为(1.8±0.7)%。仿真数据的3个具有Burst发放的神经元的锋电位中，属于Burst的锋电位总数分别为(221±14)、(134 ±9)和(72 ±5)个，单发放锋电位总数分别为(23 ±2)、(51 ±4)和(74±2)个。Burst检出率定义为检出的 Burst锋电位总数与Burst实际包含的锋电位总数之比。本算法的Burst平均检出率达(95.1±1.7)%，包括单发放的所有锋电位分类的最终总体正确率为(96.5±1.0)%。

图5所示的是某组仿真数据的聚类结果在前3个主成分特征分量(即PC1、PC2和PC3)组成的特征空间中的投影，其中图5(a)是根据已知的仿真信息建立的完全正确的理想分类图，图5(b)是文中1.1节所述算法的分类结果，而图5(c)则是跳过该算法的第2个和第3个Burst处理步骤，直接将所有检测的锋电位一起进行分类的结果。与实验数据的检测结果相似，图5(b)与图5(a)的结果基本吻合，只有少量误检和误分类。仿真数据中包含的3类Burst的锋电位在特征空间中分别呈现出沿3条直线排列的多个聚类(见图5(a)和(b))，而图5(c)却把这些属于同一类Burst的锋电位分成了不同的类，而且还把不属于同一类的 Burst误分成了同一类。

图4 候选Burst及其ICA分离示例。(a)信号中包含2类锋电位和1个Burst;(b)信号中包含4类锋电位和2个BurstFig.4 Illustration of candidate burst and its ICA separation.(a)a signal segment with 3 types of spike including 1 burst;(b)a signal segment with 4 types of spike including 2 bursts

图5 某组仿真数据的聚类结果。(a)完全正确的理想分类图;(b)本算法的分类图;(c)未进行Burst处理直接将所有锋电位进行分类的结果Fig.5 Clustering result for a typical set of synthetic signals.(a)real spike clusters;(b)clusters of the complete algorithm;(c)clusters of the algorithm without burst detection and ICA separation.Different colors represent different spike clusters

表2 仿真数据的锋电位数量和检测分类结果(n=10)Tab.2 Results of the algorithm for 10 sets of synthetic signals

3 讨论

所设计的锋电位检测和分类算法较好地处理了Burst锋电位难以正确分类的问题，其特点是根据ISI特性检出候选 Burst信号小段之后，先利用ICA盲信号分离技术确定Burst小段中包含的不同类锋电位，然后再应用主成分分量对整个信号的锋电位进行分类。其中ICA的应用具有如下特点:

(1)应用 ICA处理候选 Burst信号小段。ICA分离技术的独特优势是能够识别Burst这样的来自同一个信号源而波形却明显变化的非稳态锋电位，并且能够分离几乎完全重叠的锋电位(图4)，这些是其它方法很难做到的［6］。而且，Burst期间，同一个神经元高频率发放动作电位，其锋电位与其它神经元的锋电位重叠的概率要比动作电位单发放期间高，这进一步体现了本研究算法中应用ICA技术的重要性。

(2)四极电极记录信号符合ICA的应用要求。ICA只适用于多个通道能够同时记录到来自同一信号源的情况，因此，它常用于脑电图EEG之类频率较低、传播距离较远的多通道信号分析［22］。神经元锋电位(即细胞外记录的动作电位)由于频率高、衰减快，相距稍远的电极记录点就不能同时记录到同一个神经元的锋电位，即使是多通道记录信号，如果每个通道记录到的神经元都不相同，也无法使用ICA分离技术。不过，实际上仅仅根据单通道记录信号并不能正确判断锋电位是否来自同一个神经元，因此，锋电位信号采集中经常使用相距很近的四极电极［9］，如 4根金属丝并在一起制作成的电极，或者使用本研究的微电极阵列等。这类电极记录的4通道信号能够同时记录到相同神经元的信号，可以利用ICA技术。

(3)候选Burst信号小段的 ICA分析满足通道数的限制条件。ICA分离技术有一个限制条件，即源信号的数量要小于记录的通道数，这就意味着除了噪声以外，四极电极记录的4通道信号最多只能识别3个神经元的锋电位。而四极电极能够记录到的总的神经元数很容易超过这个数量，虽然有人设计了许多算法来克服这个限制条件［23］，再将ICA用于锋电位分类，但效果不佳。不过，本研究设计的算法却能够满足这个限制条件，因为只对各个候选Burst的小段信号进行 ICA计算，由于时间很短，这些小段信号98%以上包含的锋电位类别不超过3类。实验数据和仿真数据较高的总体锋电位分类正确率也证明了这一点。

(4)只对一部分信号小段进行ICA分析也大大减少了ICA计算量。长时间记录信号分析时计算量过大也是阻碍ICA应用的一个大问题。因此，本研究的算法既发挥了ICA的优势又克服了其缺点。

另外，有关Burst内部最大锋电位时间间隔 ISI的数值，Harris等设定为6 ms，并将 ISI为7～20 ms的称为伪爆发［2］。笔者根据4通道实验记录信号中各个通道上锋电位的形态变化，发现 Burst内锋电位的 ISI变化较大，因此，本研究检测候选 Burst时采用了2次抽取ISI的自适应方法来确定阈值［14］，而不是设定某个固定的 ISI阈值。共统计了25组实验数据，计算得到两次“抽取”之后所得ISI的平均值为(17.2 ±10.1)ms。该数值远比文献中常用的固定 ISI(如6 ms)要大，因此，不会漏检Burst。而且，将候选 Burst做进一步处理后才获得真正的Burst，即使候选 Burst中包含了多余的较大ISI的非Burst信号也无妨。如果需要检测满足某个固定ISI阈值的 Burst，那么，可以在检测候选 Burst时直接使用固定阈值，或者在分类结束之后的锋电位序列中，再用ISI的固定阈值检出Burst。

4 结论

本研究利用ICA盲源分离技术设计的方法不仅能够将属于Burst的锋电位和单发放锋电位正确分类，而且还能够分离重叠锋电位，同时又满足了ICA源信号数量的限制条件，并避免了ICA计算量大等问题，为Burst的正确检测与分类提供了一种新方法。

［1］ Roberts MT，Bender KJ，Trussell LO.Fidelity of complex spike-mediated synaptic transmission between inhibitory interneurons［J］.J Neurosci，2008，28(38):9440 － 9450.

［2］ Harris KD，Hirase H，Leinekugel X，et al.Temporal interaction between single spikes and complex spike bursts in hippocampal pyramidal cells［J］.Neuron，2001，32(1):141 － 149.

［3］ Izhikevich EM，Desai NS，Walcott EC，et al.Bursts as a unit of neural information:selective communication via resonance［J］.Trends Neurosci，2003，26(3):161 －167.

［4］ Krahe R，Gabbiani F.Burst firing in sensory systems［J］.Nat Rev Neurosci，2004，5(1):13 － 23.

［5］ 封洲燕，光磊，郑晓静，等.应用线性硅电极阵列检测海马场电位和单细胞动作电位［J］.生物化学与生物物理进展，2007，34(4):401－407.

［6］ Lewicki MS.A review of methods for spike sorting:the detection and classification of neural action potentials［J］.Network，1998，9(4):R53－R78.

［7］ Quiroga RQ，Nadasdy Z，Ben-Shaul Y.Unsupervised spike detection and sorting with wavelets and superparamagnetic clustering［J］.Neural Comput，2004，16(8):1661 － 1687.

［8］ Kaneko H，Tamura H，Suzuki SS.Tracking spike-amplitude changes to improve the quality of multineuronal data analysis［J］.IEEE Trans Biomed Eng，2007，54(2):262 －272.

［9］ Gray CM，Maldonado PE，Wilson M，et al.Tetrodes markedly improve the reliability and yield of multiple single-unit isolation from multi-unit recordings in cat striate cortex［J］.J Neurosci Methods，1995，63(1－2):43－54.

［10］ Snider RK，Bonds AB.Classification of non-stationary neural signals［J］.J Neurosci Methods，1998，84(1 －2):155 －166.

［11］ Fee MS，Mitra PP，Kleinfeld D.Automatic sorting of multiple unit neuronal signals in the presence of anisotropic and non-Gaussian variability［J］.J Neurosci Methods，1996，69(2):175－188.

［12］ 陈琳，林云生，陈传平，等.基于最大锋电位间隔的爆发检测自适应算法［J］.生物物理学报，2006，22(4):318－324.

［13］ Gourevitch B，Eggermont JJ.A nonparametric approach for detection of bursts in spike trains［J］.J Neurosci Methods，2007，160(2):349－358.

［14］ Chen Lin，Deng Yong，Luo Weihua，et al.Detection of bursts in neuronal spike trains by the mean inter-spike interval method［J］.Progress in Natural Science，2009，19(2):229 －235.

［15］ Brown GD，Yamada S，Sejnowski TJ.Independent component analysis at the neural cocktail party［J］. Trends Neurosci，2001，24(1):54－63.

［16］ Learned-Miller EG，Fisher JW.ICA using spacings estimates of entropy［J］.Journal of Machine Learning Research，2004，4(7－8):1271－1295.

［17］ Greene BR，Faul S，Marnane WP，et al.A comparison of quantitative EEG features for neonatal seizure detection［J］.Clin Neurophysiol，2008，119(6):1248 －1261.

［18］ 王静，封洲燕.多通道神经元锋电位检测和分类的新方法［J］.生物化学与生物物理进展，2009，36(5):641－647.

［19］ Frey BJ，Dueck D.Clustering by passing messages between data points［J］.Science，2007，315(5814):972 － 976.

［20］ Kelly. Affinity Program SlashesComputing Times［OL］.http://www.scientificblogging.com/cash/affinity_program_slashes_computing_times.2007－10－25/2011－03－10.

［21］ Maccione A，Gandolfo M，Massobrio P，et al.A novel algorithm for precise identification of spikes in extracellularly recorded neuronal signals［J］.J Neurosci Methods，2009，177(1):241－249.

［22］ Jervis BW，Belal S，Cassar T，et al.Waveform analysis of nonoscillatory independent components in single-trial auditory eventrelated activity in healthy subjects and Alzheimer＇s disease patients［J］.Curr Alzheimer Res.2010，7(4):334 － 347.

［23］ Takahashi S，Anzai Y，Sakurai Y.A new approach to spike sorting for multi-neuronal activities recorded with a tetrode-how ICA can be practical［J］.Neurosci Res，2003，46(3):265 －272.

Novel Application of Independent Component Analysis on Neuronal Spike Sorting

YANG Peng-Ju FENG Zhou-Yan*SUN Jing
(College of Biomedical Engineering and Instrumentation Science，Key Lab for Biomedical Engineering of Education Ministry，Zhejiang University，Hangzhou 310027，China)

Complex spike burst(i.e.，Burst)is one of the common modes of neuronal action potential firing in brain.Evidences have showed that burst firings play important roles in increasing reliability of neuronal signal transmission，in generating synaptic plasticity and so on.In extracellular recordings，a burst appears as a train of high-frequency firing spikes with obvious changes both in amplitude and in waveform of spikes.The nonsteady change feature of burst spikes is a challenge to the accurate analysis of neuronal firing sequences.This paper presented a spike sorting algorithm for tetrode recording signals in order to deal with the burst spikes.In this method，based on the spike signals collected by a threshold detecting method，short candidate burst segments were selected firstly according to inter-spike intervals.Then the independent component analysis(ICA)was used to separate spikes from different sources in each of the short signal segments.Finally spike clustering for the whole signals was fulfilled based on the results of ICA.The results obtained from both experimental recordings and synthetic data showed that the algorithm was able to sort the burst spikes and single spikes from different sources accurately.In addition，because the ICA is applied on the very short signal segments of candidate bursts，even for the only four channel signals the algorithm can also meet the source signal number limit of ICA technique.Further more，the short signal processing decreases the ICA computing time.Therefore，the algorithm provides a new method for accurate burst spike detecting and sorting.

complex spike burst;spike;independent component analysis;tetrode;sorting

R338，TP391

A

0258-8021(2011)04-0500-09

10.3969/j.issn.0258-8021.2011.04.004

2011-03-20，录用日期:2011-05-22

国家自然科学基金(30770548，30970753).

* 通信作者。 E-mail:hnfzy@yahoo.com.cn