Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов

Рассмотрена задача выделения импульсов индивидуальных нейронов из сигналов, полученных при внеклеточной регистрации активности нескольких нейронов. Описаны методы классификации импульсов нейронов, их достоинства и недостатки. Показана необходимость усовершенствования существующих подходов, в частнос...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2005
Hauptverfasser:	Чибирова, О.К., Вилла, А., Аксенова, Т.И.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України 2005
Schlagworte:	Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/13768
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов / О.К. Чибирова, А. Вилла, Т.И. Аксенова // Систем. дослідж. та інформ. технології. — 2005. — № 1. — С. 58-68. — Бібліогр.: 36 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-13768
record_format	dspace
spelling	irk-123456789-137682013-02-13T02:37:02Z Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов Чибирова, О.К. Вилла, А. Аксенова, Т.И. Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи Рассмотрена задача выделения импульсов индивидуальных нейронов из сигналов, полученных при внеклеточной регистрации активности нескольких нейронов. Описаны методы классификации импульсов нейронов, их достоинства и недостатки. Показана необходимость усовершенствования существующих подходов, в частности, из-за отсутствия достаточно быстродействующих методов. Предложено использование разработанных авторами алгоритмов для создания технических средств классификации импульсов нейронов в условиях дефицита времени. Розглянуто задачу виділення імпульсів індивідуальних нейронів із сигналів, одержаних при позаклітинній реєстрації активності кількох нейронів. Описано методи класифікації імпульсів нейронів, їх переваги і недоліки. Показана необхідність вдосконалення існуючих підходів, зокрема, через відсутність достатньо швидкодіючих методів. Запропоновано використання розроблених авторами алгоритмів для створення технічних засобів класифікації імпульсів нейронів в умовах дефіциту часу. Extraction of single-unit spike trains from multiunit recording obtained during extracellular recording is considered. The existing spike sorting methods have been reviewed, their advantages and shortcomings gave been described. The necessity of improvement of existing methods is demonstrated, in particular because of insufficient computational efficiency of the existing algorithms. The spike sorting algorithms developed by authors are suggested to be used for development of spike sorting equipment for use in time deficiency conditions. 2005 Article Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов / О.К. Чибирова, А. Вилла, Т.И. Аксенова // Систем. дослідж. та інформ. технології. — 2005. — № 1. — С. 58-68. — Бібліогр.: 36 назв. — рос. 1681–6048 http://dspace.nbuv.gov.ua/handle/123456789/13768 681.518 ru Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи
spellingShingle	Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи Чибирова, О.К. Вилла, А. Аксенова, Т.И. Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов
description	Рассмотрена задача выделения импульсов индивидуальных нейронов из сигналов, полученных при внеклеточной регистрации активности нескольких нейронов. Описаны методы классификации импульсов нейронов, их достоинства и недостатки. Показана необходимость усовершенствования существующих подходов, в частности, из-за отсутствия достаточно быстродействующих методов. Предложено использование разработанных авторами алгоритмов для создания технических средств классификации импульсов нейронов в условиях дефицита времени.
format	Article
author	Чибирова, О.К. Вилла, А. Аксенова, Т.И.
author_facet	Чибирова, О.К. Вилла, А. Аксенова, Т.И.
author_sort	Чибирова, О.К.
title	Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов
title_short	Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов
title_full	Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов
title_fullStr	Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов
title_full_unstemmed	Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов
title_sort	информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. обзор проблем и методов
publisher	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
publishDate	2005
topic_facet	Прогресивні інформаційні технології, високопродуктивні комп’ютерні системи
url	http://dspace.nbuv.gov.ua/handle/123456789/13768
citation_txt	Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов / О.К. Чибирова, А. Вилла, Т.И. Аксенова // Систем. дослідж. та інформ. технології. — 2005. — № 1. — С. 58-68. — Бібліогр.: 36 назв. — рос.
work_keys_str_mv	AT čibirovaok informacionnyetehnologiivnejrofiziologiiklassifikaciâvrealʹnomvremeniimpulʹsovnejronovobzorproblemimetodov AT villaa informacionnyetehnologiivnejrofiziologiiklassifikaciâvrealʹnomvremeniimpulʹsovnejronovobzorproblemimetodov AT aksenovati informacionnyetehnologiivnejrofiziologiiklassifikaciâvrealʹnomvremeniimpulʹsovnejronovobzorproblemimetodov
first_indexed	2025-07-02T15:34:06Z
last_indexed	2025-07-02T15:34:06Z
_version_	1836549875360071680
fulltext	 О.К. Чибирова, А. Вилла, Т.И. Аксенова, 2005 58 ISSN 1681–6048 System Research & Information Technologies, 2005, № 1 УДК 681.518 ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В НЕЙРОФИЗИОЛОГИИ: КЛАССИФИКАЦИЯ В РЕАЛЬНОМ ВРЕМЕНИ ИМПУЛЬСОВ НЕЙРОНОВ. ОБЗОР ПРОБЛЕМ И МЕТОДОВ О.К. ЧИБИРОВА, А. ВИЛЛА, Т.И. АКСЕНОВА Рассмотрена задача выделения импульсов индивидуальных нейронов из сиг- налов, полученных при внеклеточной регистрации активности нескольких нейронов. Описаны методы классификации импульсов нейронов, их достоин- ства и недостатки. Показана необходимость усовершенствования существую- щих подходов, в частности, из-за отсутствия достаточно быстродействующих методов. Предложено использование разработанных авторами алгоритмов для создания технических средств классификации импульсов нейронов в условиях дефицита времени. Значение информационных технологий в жизни современного общества по- стоянно возрастает, что отражается в развитии новых отраслей медицинской инженерии. В частности, использование современных математических ме- тодов обработки сигналов и изображений в медицине позволило создать оборудование и разработать уникальные методы оперативного лечения не- которых заболеваний. Сегодня при проведении ряда операций хирурги час- тично или полностью управляют процессом с экрана монитора с помощью программных средств. Использование новейших информационных техноло- гий не только делает лечение менее травматичным, но и позволяет осущест- вить такие виды вмешательства, которые принципиально невозможны тра- диционными методами. К относительно новым методам лечения относится, в частности, высо- кочастотная стимуляция различных глубинных структур головного мозга (ВЧС), применяемая при лечении таких тяжелых заболеваний, как болезнь Паркинсона, эпилепсия и др. С этой целью в процессе хирургической опе- рации, проводимой с использованием специальных микроманипуляторов, стимулирующий микроэлектрод имплантируется в различные мозговые структуры. Несмотря на то, что указанные хирургические операции успеш- но проводятся уже в течение пятнадцати лет, до сих пор существуют нере- шенные проблемы обработки сигналов — нейронной активности, регистри- руемой в процессе операции. Например, для точного определения локализации кончика микроэлект- рода необходимо в реальном времени анализировать электрическую актив- ность отдельных нейронов в структуре, которую предполагается стимули- ровать. Определенный набор характеристик регистрируемой нейронной активности [1] является той информацией, которая используется для иден- тификации области локализации микроэлектрода. Однако имплантируемый микроэлектрод обычно находится в непосредственной близости к группе нейронов, вследствие чего регистрируется мультинейронная активность, Информационные технологии в нейрофизиологии: классификация в реальном времени … Системні дослідження та інформаційні технології, 2005, № 1 59 т.е., сигнал является результатом суммарной активности группы нейронов. Таким образом возникает необходимость решения задачи распознавания импульсов (потенциалов действия) отдельных нейронов и выделения импу- льсных рядов из мультинейронной активности непосредственно во время операции. На рисунке показана запись мультинейронной активности длите- льностью 100 мс, зарегистрированная в субталамическом ядре головного мозга пациента, страдающего болезнью Паркинсона во время хирургичес- кого вмешательства. В отличие от нейрофизиологических экспериментов, когда выделение импульсных рядов отдельных нейронов по форме импульсов можно осуще- ствлять в режиме off line, в нейрохирургии это разделение необходимо про- водить в реальном времени. Используемое в настоящее время программное обеспечение не позволяет эффективно решать эту задачу. В реальном вре- мени выделяют только импульсные ряды нейронов, у которых амплитуда потенциалов действия превышает некий заданный порог. Если в непосредс- твенной близости от электрода находится несколько нейронов, хирург вы- нужден использовать характеристики суммарной активности многих нейро- нов вместо индивидуальных характеристик каждого из них, что существенно искажает картину. На разрабатываемые методы и алгоритмы решения задачи распознавания импульсов индивидуальных нейронов нало- жены жесткие временные ограничения. Анализ суммарной активности в ка- ждой точке нахождения микроэлектрода не должен занимать более 2–5 мин, так как в процессе операции анализируются десятки возможных положений электрода. Кроме того, необходима автоматическая система, требующая лишь минимального взаимодействия с пользователем, что означает создание самообучающихся алгоритмов распознавания сигналов. Отметим, что задача сортировки импульсных рядов отдельных нейро- нов возникает также в нейрофизиологии во время проведения определенных типов экспериментов на животных при изучении деятельности головного мозга. ЗАДАЧА СОРТИРОВКИ ИМПУЛЬСОВ НЕЙРОНОВ, ВЫДЕЛЯЕМЫХ ИЗ СИГНАЛА МУЛЬТИНЕЙРОННОЙ АКТИВНОСТИ Выделение импульсных рядов отдельных нейронов из сигнала мультиней- ронной активности в последние 2–3 десятилетия является предметом ин- тенсивных исследований. Предложено множество различных подходов к решению этой проблемы. Однако все они имеют недостатки, затрудняющие их применение в экспериментах на животных и делающие его невозможным во время операций по вживлению микроэлектродов для ВЧС. t Запись активности нескольких нейронов О.К. Чибирова, А. Вилла, Т.И. Аксенова ISSN 1681–6048 System Research & Information Technologies, 2005, № 1 60 Отсутствие методов, надежно работающих в реальном времени — при- чина того, что во многих лабораториях до сих пор используются простей- шие аппаратные методы. В частности, при решении задачи выделения им- пульсов при пересечении заданного порога используется одна из основных характеристик потенциала действия — его максимальная амплитуда. Порог задается пользователем. Очевидным достоинством этого метода является его простота. Однако при этом невозможно различить нейроны, потенциалы действия которых несущественно различаются по амплитуде, но отличаются по форме. Кроме того, в результате можно наблюдать только один нейрон с импульсами, имеющими максимальную амплитуду, или смесь импульсных рядов нейронов с близкими по амплитуде импульсами. В отсутствие разде- ления импульсных рядов невозможно изучать и взаимодействия нейронов. Указанные проблемы инициировали многочисленные попытки реше- ния задачи разделения импульсных рядов нейронов. Предложено множество различных алгоритмов классификации сигналов, в той или иной степени адаптированных к решению специфической задачи классификации импуль- сных разрядов отдельных нейронов. Особенности этой задачи состоят в сле- дующем. Каждый нейрон генерирует импульсы характерной и относительно ста- бильной формы, являющейся функцией расположения нейрона относитель- но микроэлектрода, а также размера и морфологии клетки [2]. Тем не менее, форма импульсов может варьироваться в определенных пределах. Сущест- вуют два источника вариабельности. С одной стороны — это «шум» микро- электрода. С другой — форма импульса систематически изменяется в связи с внутренними процессами, протекающими в клетке. Характер внутренней вариабельности таков, что импульсы одного нейрона могут быть нелинейно деформированы не только по амплитуде, но и по фазе. Например, вследст- вие пачечной активности (резкое увеличение частоты разряда нейрона на коротком промежутке времени) форма импульса несколько изменяется как по амплитуде, так и во времени [3–5]. Это затрудняет использование многих стандартных методов классификации и кластерного анализа, основанных на предположении о нормальном распределении наблюдений. Задача класси- фикации осложняется также тем, что количество классов, т. е. количество наблюдаемых нейронов, не задано априори. Кроме этого, необходим быст- родействующий самообучающийся алгоритм, допускающий реализацию в реальном времени. Для разделения смеси импульсов нейронов необходимо решить следу- ющие подзадачи: 1. Выделение собственно импульсов из суммарного сигнала. 2. Выбор пространства признаков. 3. Обучение алгоритма классификации, требующее оценки количества классов и оценки параметров классов на обучающей выборке. 4. Классификация. В различных работах решение каждой из этих подзадач реализовано в реальном времени или off-line, автоматически, полуавтоматически или вру- чную. Во многих работах первая подзадача (выделение импульсов из сигна- ла) и последняя (классификация) решаются в реальном времени и автомати- чески [4, 6]. Наиболее сложной является задача автоматического обучения алгоритма (оценка числа и параметров классов на обучающей выборке). Ча- сто формирование обучающей выборки проводится вручную, так как испо- Информационные технологии в нейрофизиологии: классификация в реальном времени … Системні дослідження та інформаційні технології, 2005, № 1 61 льзуемые алгоритмы обучения неустойчивы к грубым ошибкам. Такой ана- лиз проводится в режиме off-line и неприменим в условиях оперативного лечения пациентов. Результат обучения также часто контролируется и кор- ректируется пользователем [4]. Число наблюдаемых классов в большинстве работ полагается заданным [4, 6, 9–11]. Некоторые алгоритмы классифика- ции работают без предварительного обучения, но в этом случае классифи- кация проводится в режиме off-line для большой выборки [7, 8]. КЛАСТЕРИЗАЦИЯ В ПРОСТРАНСТВЕ ПРИЗНАКОВ И МЕТОД СОПОСТАВЛЕНИЯ С ЭТАЛОНАМИ Алгоритмы классификации импульсов, основанные на анализе их формы, можно условно разделить на две основные категории: сопоставление с эта- лонами [4, 9 – 13] и кластеризация в пространстве признаков [7, 14–18]. Алгоритмы сопоставления с эталонами — это алгоритмы классифика- ции импульсов, основанные на сравнении формы импульса с предваритель- но определенными эталонами. В качестве признаков чаще всего использую- тся все точки оцифровки сигнала на отрезке, соответствующем импульсу. При кластеризации в пространстве признаков в качестве признаков рассмат- риваются величины, характеризующие форму импульса (максимальная и минимальная амплитуда, ширина импульса и т.д.) и строятся кластеры в пространстве выбранных признаков. Выделение импульсов из сигнала. Обычно для этого используется порог, определяемый на основе статистических характеристик сигнала и наложенного на него шума. При пересечении порога выделяются сегменты сигнала определенной длины, которые полагаются соответствующими им- пульсу одного из нейронов. Основная проблема, осложняющая последую- щую классификацию, состоит в том, что шум является нестационарным, его амплитуда меняется во времени и может быть сравнима с амплитудой сиг- нала. Кроме того, на сигнал часто накладываются артефакты высокой амп- литуды. В результате участки шума и артефакты ошибочно отождествляют- ся с импульсами, что влечет за собой наличие грубых ошибок в обучающей выборке. Выбор пространства признаков. Используются характеристики фор- мы импульсов, такие как время между локальными экстремумами, разность амплитуд в точках экстремумов и т.п. [14, 15] либо форма импульса учиты- вается непосредственно, когда в качестве признаков рассматриваются зна- чения сигнала в точках оцифровки сигнала. В некоторых работах ставится также задача оптимизации пространства признаков [9,19, 24–27]. В частности, в [20, 21] используется метод главных компонент. В [6, 15, 22] для того, чтобы уменьшить объем вычислений, ис- пользуется подход, называемый сопоставлением с эталоном в пространстве признаков уменьшенной размерности, в котором рассматриваются не все точки оцифровки сигнала, а лишь некоторые из них. В работе [6] из 64 точек оцифровки выбирается 8 с максимальной дисперсией. Кластеризация, оцен- ка среднего, а также и последующая классификация проводятся в 8-мерном пространстве признаков. Иногда оптимизация пространства признаков про- водится вручную [4]. При этом оператор выбирает из многих предложенных признаков те, по которым импульсы обучающей выборки максимально раз- личаются. О.К. Чибирова, А. Вилла, Т.И. Аксенова ISSN 1681–6048 System Research & Information Technologies, 2005, № 1 62 Если в качестве признаков рассматриваются значения сигнала в точках оцифровки, то в силу вариабельности формы импульса возникает проблема совмещения импульсов или синхронизации по фазе. Как уже отмечалось выше, в связи с внутренними процессами, протекающими в клетке, форма импульса нелинейно меняется как по амплитуде, так и по оси времени [3]. Но даже в предположении, что внутренняя вариабельность отсутствует, на- личие лишь внешнего шума приводит к тому, что точка пересечения порога при выделении импульсов соответствует разной фазе, что порождает задачу совмещения сигналов. В работе [8] предлагается сопоставлять их по центру масс. Аналогичный подход рассматривается в [3]. При сопоставлении им- пульсов лишь посредством сдвига не учитывается нелинейная вариабель- ность формы. Распределения в пространстве признаков получаются негаус- совы, что затрудняет применение методов, основанных на предположении о нормальном распределении признаков. Поэтому используются более слож- ные вероятностные модели [3], например, иерархической смеси гауссовых распределений [8]. В работе [4] авторы пытаются учесть нелинейную де- формацию, разбивая сигнал на сегменты, соответствующие определенным фазам, и сопоставляя эти сегменты по отдельности. Сопоставляются сегмен- ты по принципу минимизации площади между кривыми, после чего пользо- ватель вручную задает границы кластеров для классификации. Обучение алгоритма для последующей классификации. В случае использования метода сопоставления с эталонами необходимо построить образцы, в случае кластеризации в пространстве признаков — кластеры. При этом количество классов заранее неизвестно и должно быть оценено в процессе обучения. Кроме этого, обучение должно быть проведено при на- личии в обучающей выборке грубых ошибок. В простейшем случае обучение производится вручную, т.е. пользова- тель сам либо проводит границы между кластерами, либо выбирает образец на основе визуальной инспекции [11]. Этот процесс неэффективен, так как занимает много времени и требует высокой квалификации пользователя. Например, в работе [4] для кластеризации используется 27 признаков, для каждого из которых пользователь должен выставить границы. Даже при эк- спериментах на животных, когда, вообще говоря, нет жестких ограничений по времени, это создает существенные трудности. Отмеченные выше проблемы (высокоамплитудный шум, артефакты, нелинейная вариабельность импульсов, неизвестное априори количество классов и жесткие ограничения по времени) делают достаточно сложной какую-либо автоматизацию этого этапа. Чаще всего для проведения авто- матического обучения пользователь производит предварительную визуаль- ную инспекцию обучающей выборки на наличие грубых ошибок и артефак- тов, выбирая для обучения лишь некоторые из выделенных импульсов. Иногда обучение проводится для разного предполагаемого количества клас- сов, после чего пользователь вручную выбирает наилучший вариант [13, 17, 18]. В работе [16] для оценки числа классов используется критерий макси- мального правдоподобия. КЛАССИФИКАЦИЯ Последняя из подзадач — непосредственно классификация — достаточно проста и состоит лишь в том, что выделенные импульсы относятся к тому Информационные технологии в нейрофизиологии: классификация в реальном времени … Системні дослідження та інформаційні технології, 2005, № 1 63 или иному кластеру, определенному на этапе обучения, либо не классифи- цируются. Многие из разработанных на данный момент приложений [15] работают на этом этапе автоматически в реальном времени. Часто, например, в работах [7, 19] классификация производится без предварительного обучения, путем кластеризации большой выборки (от 500 В большинстве работ центры классов оцениваются с помощью средне- го. Для этого на этапе обучения проводится кластеризация, затем вычисля- 00 до 100 000 импульсов). В этом случае классификация проводится вне реального времени. Следует отметить работы, в которых решается задача разделения смеси импульсов нейронов с использованием кластеризации в пространстве приз- наков или сопоставления с эталонами. Для импульсов одного нейрона приз- наки образуют сгущения или кластеры в пространстве признаков. Для авто- матической кластеризации сначала применялись стандартные методы, когда в качестве оценки центра класса берется среднее, а классификация произво- дится по принципу минимума евклидова расстояния до центра класса. Поз- днее стали применяться более сложные алгоритмы, например, байесовская кластеризация [16]. Здесь в качестве статистической модели кластера испо- льзуется мультивариантное гауссово распределение, что позволяет опреде- лить границы кластеров и оценить достоверность классификации. Кроме того, предлагается метод автоматического удаления грубых ошибок путем выделения их в отдельный класс с большим радиусом и малым весом. Число классов оценивается с помощью критерия максимального правдоподобия для композиции разного числа гауссовских распределений [17, 18]. Однако метод дает хорошие результаты только в том случае, если данные хорошо согласуются с предположением о нормальности и, кроме этого, требует бо- льшого объема вычислений. В работе [7] предлагается схема иерархической кластеризации, которая не предполагает нормального распределения внутри кластеров. Вся выборка разбивается на большое количество кластеров с помощью рекурсивной би- секции. Затем пары кластеров объединяются, если отношение плотности вероятности между кластерами к плотности вероятности внутри кластеров превышает заданный порог. В [19] так же, как и в предыдущей работе, прои- зводится разбиение обучающей выборки на большое количество малых кла- стеров. Далее, в предположении, что форма импульса меняется непрерывно во времени, кластеры объединяются, если количество точек в полосе между кластерами превышает рассчитанный порог. Эта работа интересна тем, что позволяет учитывать возможное изменение формы импульса во времени. Однако оба описанных выше алгоритма требуют большого количества вы- числений и не являются алгоритмами, работающими в реальном времени. Медицинское оборудование, выпускаемое компаниями «Альфа-Омега» (Израиль) и «Медтроник» (США), используемое при проведении оператив- ного лечения ВЧС, оснащено программным обеспечением, реализующим алгоритмы классификации импульсов нейронов, основанные на сопоставле- нии с эталонами. Можно считать, что это наиболее распространенный и об- щепринятый подход к решению задачи. В простейших приложениях эталоны определяется вручную на основе визуальной инспекции отдельных импульсов [11, 12], что является трудоем- ким процессом, требующим высокой квалификации оператора. Качество выбора образцов при таком подходе невысоко. О.К. Чибирова, А. Вилла, Т.И. Аксенова ISSN 1681–6048 System Research & Information Technologies, 2005, № 1 64 ется среднее для каждого кластера. Однако при автоматическом выделении импульсов из сигнала практически невозможно избежать в выборке грубых ошибок и артефактов. Поэтому часто обучающая выборка подбирается опе- ратором, либо вручную определяются границы кластеров [4]. В ряде работ используется итерационная процедура поиска эталонов. Обычно в алгоритмах сопоставления с эталонами в качестве пространства признаков используются все значения в точках оцифровки сигнала. Для правильного сопоставления точек оцифровки приходится предварительно решать проблему совмещения импульсов. Итерационные процедуры, пред- ложенные в работах [9, 10], пересчитывают среднее на каждом шаге, пред- варительно сопоставляя импульсы, сдвигая их относительно друг друга и выбирая сдвиг, максимизирующий корреляцию между ними. Пересчет сре- днего на каждом шаге значительно увеличивает время вычислений. Для того чтобы сделать оценку с помощью среднего более устойчивой к грубым ошибкам, в [13] используется нечеткая кластеризация. Предполагается, что каждый импульс принадлежит каждому кластеру с определенной вероятно- стью, которая вычисляется на основе евклидова расстояния до центра клас- са. Для построения кластеров применяется итерационный метод — аналог метода ближайшего соседа для нечетких множеств. Для оценки центра класса используется взвешенное среднее. Весовые коэффициенты вычисля- ются по степени принадлежности импульса заданному кластеру. Для оценки количества кластеров максимизируется отношение величин, характеризую- щих компактность кластеров и их «разделяемость». Итерационная процеду- ра построения кластеров требует достаточно громоздких вычислений и по- вторяется многократно. В описанных выше методах используются вычисления во временной области. Однако разрабатывались также подходы, основанные на использо- вании частотных методов. Один из них — оптимальная линейная фильтра- ция [23] — основан на построении оптимальных фильтров, которые соот- ветствуют одному из эталонов и отвергают остальные. Этот подход дает результаты классификации, которые хуже, чем при использовании многих из описанных выше методов. Однако его преимущество состоит в том, что, построив взаимоортогональные фильтры, можно попытаться также решать проблему детектирования перекрывающихся по времени импульсов. Для распознавания импульсов нейронов применялись также искусст- венные нейросети [24]. Предложенный в работе [24] алгоритм позволяет учитывать нелинейную деформацию импульсов, в отличие от методов ли- нейной кластеризации, и, соответственно, дает лучшие результаты класси- фикации. Используется самообучающийся алгоритм, но импульсы для обу- чения выбираются вручную. Алгоритм требует предварительной оценки количества классов. Этот подход также позволяет рассматривать задачу распознавания перекрывающихся импульсов. В работах [5, 25, 26] предлагаются алгоритмы классификации с исполь- зованием вэйвлет-разложения. Кластеризация проводится в пространстве коэффициентов вэйвлет-разложения. На этапе обучения оценивается коли- чество классов и строятся эталоны. В работе [5] для этого используется не- четкая кластеризация при значительном времени обучения. В [25, 26] клас- сификация проводится вне реального времени. Таким образом, несмотря на значительное количество работ, все из- вестные подходы к решению задачи разделения смеси активности многих Информационные технологии в нейрофизиологии: классификация в реальном времени … Системні дослідження та інформаційні технології, 2005, № 1 65 нейронов имеют те или иные недостатки, мешающие их эффективному ис- пользованию при изучении нейрофизиологической активности мозга и, осо- бенно, во время нейрохирургических операций ВЧС. Главными являются недостаточная степень автоматизации процесса обучения и недостаточное быстродействие. Шагом на пути создания надежного и быстрого метода решения задачи является предложенный авторами автоматизированный метод распознава- ния импульсов индивидуальных нейронов на основе нелинейных уравнений динамики, быстродействие которого допускает его применение в режиме реального времени [27, 29]. Задача распознавания импульсов нейронов — задача распознавания сигналов, имеющая свою специфику среди задач рас- познавания образов. Выбор пространства признаков — одна из ключевых, часто неформализованных проблем, возникающих в процессе решения. Тра- диционный выбор в качестве признаков значений сигнала, наблюдаемых на дискретном множестве точек, приводит к типичным проблемам, одна из ко- торых синхронизация по фазе. Сдвиг по фазе приводит к тому, что классы приобретают структуру и могут не образовывать кластеров (компактных множеств) в пространстве признаков. Сложная структура классов осложняет процедуру обучения даже при наличии обучающей выборки с известной функцией принадлежности. Однако в некоторых задачах получить такую обучающую выборку невозможно, в частности, в случае распознавания им- пульсов нейронов. Так как размерность задачи может быть очень велика, применение трудоемких методов типа искусственных нейросетей становит- ся малопригодным в задачах, близких к реальному времени. Выбор в качес- тве признаков независящих от фазы инвариантов является неформальной процедурой. Для решения многих задач обработки и распознавания сигналов эффек- тивен подход, основанный на использовании для описания сигналов моде- лей возмущенных автоколебаний [30]. Предполагается, что наблюдаемый сигнал — это сумма полезного сигнала )(tx , являющегося решением обык- новенного нелинейного дифференциального уравнения с возмущением, и широкополосного шума )(tξ . Невозмущенное уравнение описывает автоко- лебательную систему с устойчивым предельным циклом. Предполагается, что возмущение ),...,( txF , входящее в уравнение динамики — случайный процесс с нулевым математическим ожиданием, малым временем корреля- ции, ограниченный с вероятностью, близкой к единице. Такая модель сигна- ла позволяет описать сдвиги по фазе. Кроме того, при выполнении изложен- ных выше предположений траектории имеют асимптотически нормальное распределение в фазовом пространстве в окрестности предельного цикла [31]. Это позволяет свести задачу распознавания сигналов к хорошо изучен- ной задаче разделения смеси нормальных распределений [32]. Предполагае- тся, что каждый из наблюдаемых сигналов описывается одним из несколь- ких возмущенных уравнений динамики, и сигналы распознаются в соответствии с этими уравнениями. В [32–34] предложен алгоритм распоз- навания сигналов «с учителем» для классификации результатов хромотог- рафического эксперимента. Для задачи разделения смеси импульсов нейронов разработан самоо- бучающийся алгоритм с одновременной оценкой числа классов, центров и радиусов классов [27–29]. Сигнал характеризуется появлением в случайные моменты времени импульсов, которые относятся к одной из генеральных О.К. Чибирова, А. Вилла, Т.И. Аксенова ISSN 1681–6048 System Research & Information Technologies, 2005, № 1 66 совокупностей jX , ∞<≤≤ pj0 . Предполагается, что каждая генеральная совокупность соответствует активности одного из нейронов ( p — количес- тво регистрируемых нейронов). Составляющие ее сигналы, отрезки ряда наблюдений, описываются одним и тем же возмущенным уравнением дина- мики, в соответствии с которым и производится распознавание. Отметим, что в качестве признаков для классификации используется вектор наблюда- емых значений сигнала и вычисленных 1−n его производных, синхронизо- ванных по фазе ( n — порядок уравнения динамики). Таким образом, размерность пространства признаков увеличивается, поэтому кроме сигнала рассматриваются также значения производных. Но так как задача сводится к хорошо известной задаче разделения смеси нор- мальных распределений, то увеличение размерности пространства призна- ков компенсируется упрощением проблем обучения и распознавания. В результате использования разработанного ранее эффективного метода чи- сленного дифференцирования [35] и эффективного метода оценки центров классов алгоритм, реализованный на базе описанного подхода, требует ми- нимального времени (примерно 30 с на PC Pentium 3 500 МГц) на обучение и может быть использован в реальных условиях проведения оперативного вмешательства ВЧС. Алгоритм обучения — полуавтоматический. Результат его работы — разбиение обучающей выборки на классы и оценка их центров, которые предлагается использовать в качестве эталонов при после- дующем распознавании импульсов в реальном времени. Для оценки эффективности алгоритма в работе [29] проведено тестиро- вание, для которого использовался искусственный сигнал, содержащий за- шумленную смесь трех эталонных импульсов. Сравнение разработанного алгоритма с другими методами (классификацией в пространстве коэффици- ентов вэйвлет-преобразования, методом главных компонент и классифика- цией в пространстве признаков уменьшенной размерности) показали преи- мущество разработанного алгоритма. Алгоритм апробирован на реальных данных, зарегистрированных во время семи хирургических операций ВЧС [36]. Обработано 127 одноканаль- ных записей нейронной активности головного мозга, зарегистрированных в субталамическом ядре пациентов, страдающих болезнью Паркинсона, и вы- делено 492 импульсных ряда отдельных нейронов, для которых проведен анализ типов нейронной активности. ЗАКЛЮЧЕНИЕ Разработка новых методов обработки сигналов является актуальной задачей современной нейрофизиологии. В частности, при проведении эксперимен- тов на животных по изучению деятельности головного мозга и операций ВЧС необходимо решать задачи классификации наблюдаемых импульсов нейронов. Развиваемый авторами подход к решению задач обработки и рас- познавания сигналов с использованием моделей возмущенных автоколеба- ний позволил разработать эффективный автоматизированный алгоритм рас- познавания импульсов нейронов, допускающий реализацию в реальном времени. Перспективность проводимых исследований подтверждается ап- робацией на реальных данных. В дальнейшем требуется создание надежного и удобного программного обеспечения, которое предоставит все необходи- Информационные технологии в нейрофизиологии: классификация в реальном времени … Системні дослідження та інформаційні технології, 2005, № 1 67 мые возможности нейрофизиологам. Необходимы также изучение устойчи- вости и клиническая проверка как методов и алгоритмов, так и реализую- щих их программных средств. ЛИТЕРАТУРА 1. DeLong M.R. Activity of pallidal neurons during movement // Journal of neurophy- siology. — 1997. — № 78. — Р. 199 – 213. 2. Wheler B.S., Heetderks W.J. A comparison of techniques for classification of multiple neuron signals // IEEE Trans. Biomed. Eng. — 1982. — № 12. — Р. 752 – 759. 3. Fee M. S., Mitra M.P., Klenfeld D. Variability of Extracellular Spike Waveforms of Cortical Neurons // Journal of Neurophysiology. — 1996. — 76, № 6. — Р. 3823–3835. 4. Gadike R., Albus K. Real-time separation of muktineuron recordings with a DSP32C signal processor // Journal of neuroscience methods. — 1995. — 57, № 2. — Р. 187 – 193. 5. Zouridakis G., Tam D.C. Multy-unit spike discrimination using wavelet transforms // Comput. Biol. Med. — 1997. — 27, № 1. — Р. 9 – 18. 6. Kreiter A.K., Aertsen A.J., Gerstein G.L. A low coast single board solution for real time unsupervised waveform classification of multyneuron recording // Journal of neuroscience methods. — 1989. — № 30. — Р. 59-69. 7. Fee M. S., Mitra M.P., Klenfeld D. Automatic sorting of multiple unit neuronal sig- nals in the presence of anisotropic and non-Gaussian variability // Journal of neu- roscience methods. — 1996. — № 69. — Р. 175 – 188. 8. Sahani M. Latent Variable Models for neural data analysis. Thesis for the degree of doctor of philosophy. 1999. California institut of technology. 9. Forster C., Handwerker H.O. Automatic classification and analysis of microneuro- graphic spike data using a PC/AT // Journal of neuroscience methods. — 1990. — № 31. — Р.109 – 118. 10. Peterson B.E., Merzenich M.M. EXP: a Macintosh program for automating data ac- quisition and analysis applied to neurophysiology // Journal of neuroscience me- thods. — 1995. — № 57. — Р. 121 – 131. 11. Bergman H., DeLong M.R. A personal computer-based spike detector and sorter: im- plementation and evaluation // Journal of neuroscience methods. — 1992. — № 41. — Р.187 – 197. 12. Okada M., Maruyama N. Software system for real-time discrimination of multy- unit nerve impulses // Computer programming in biomedicine. — 1982. — № 14 (2). — Р. 57 – 64. 13. Zouridakis G., Tam D.C. Identification of reliable spike templates in multi-unit extracellular recordings using fuzzy clustering // Computer methods and pro- grams in biomedicine. — 2000. — № 61. — Р. 91 – 98. 14. Feldman J.F., Roberge F.A. Computer detection and analysis of neuronal spike se- quences // Informatika. — 1971. — № 9. — Р. 185 – 197. 15. Dinning G.J. Real-time classification of multiunit neural signals using reduced fea- ture set // IEEE Trans. Biomed. Eng. — 1981 — № 28. — Р. 804 – 812. 16. Lewichki M.S. Bayesian modeling and classification of neural signals //Neural com- putation. — 1994. — № 6. — Р. 1005 – 1030. 17. Cheesman P., Shutz J. AutoClass: A Bayesian Classification system //5th Intern. conf. of machine learning, 1988 (San Francisco). — Р. 54 – 64. 18. Chikering E.H., Orban G.A. Efficient approximation for the marginal likelihood of Bayesian network with hidden variables // Machine Learning. — 1997. — № 29. — Р. 279 – 284. 19. Snider R.K., Bond A.B. Classification of non-stationary neural signas // Journal of neuroscience methods. — 1998. — № 84. — Р. 155 – 166. О.К. Чибирова, А. Вилла, Т.И. Аксенова ISSN 1681–6048 System Research & Information Technologies, 2005, № 1 68 20. Glaser E.M. Separation of neuronal activity by waveform analysis // Advances in Biomedical engineering. — 1971. — № 1. — P. 77 – 136. 21. Design of laboratory for multineuron studies / G.L. Gerstain, M.J. Bloom, I.E. Espinosa et al. // IEEE Trans. System. Man Cybern. — 1983. — № 13. — Р. 668 – 676. 22. Unsupervised waveform classification for multi-neural recordings / M. Salganicoff, M. Sarna, L. Sax, G.L. Gerstein // Journal neuroscience methods. — 1988. — № 25. — Р. 181 – 187. 23. Gozani S.N., Miller J.P. Optimal discrimination and classification of neuronal action potential waveforms from multiunit multychennel recording using software- based linear filters // IEEE Trans. Biomed. eng. — 1994. — 41, № 4. — Р. 358 – 372. 24. Data processing for multichennel optical recordings: action potential detection by neurol network / S. Yamada, H. Kage, M. Nakashima et al. // Journal of neuros- cience methods. — 1992. — № 43. — Р. 23 – 33. 25. Letelier J.C., Weber P.P. Spike sorting based on discrete wavelet transform coeffi- cients // Journal of neuroscience methods. — 2000. — № 101. — Р. 93 – 106. 26. Hulata E., Segev R., Ben-Jacob E. A method for spike sorting and detection based on wavelet packets and Shannon’s mutual information // Journal of neuroscience methods. — 2002. — № 117. — Р. 1 – 12. 27. Распознавание импульсов нейронов с использованием нелинейных уравнений динамики / Т.И. Аксенова, И.В. Тетко, О.К. Чибирова, А. Вилла // Проб- лемы управления и информатики. — 2001. — № 3. — С. 16 – 27. 28. Detection and separation of extracellular neuronal discharges / T.I. Aksenova, I.V. Tetko, O.A. Dryga et al. // Smart Engineering System Design, Proc. ANNIE’01, 3–8 29. An unsupervised automatic method for sorting neuronal spike waveforms in awake and freely moving animals / T.I. Aksenova, O.K. Chibirova, O.A Dryga et al. // Methods. — 2003. — № 30. — Р. 178 – 187. November, St. Louise, USA, ASME Press, New York, 2001. — Р. 557–562. 30. Аксенова Т.И., Тетко И.В. Распознавание сигналов с использованием нелиней- ных уравнений динамики // Проблемы управления и информатики. — 1999. — № 6. — С. 103 – 111. 31. Гудзенко Л.И. Статистический метод определения характеристик нерегулируе- мой автоколебательной системы // Изв. вузов. Радиофизика. — 1962. — 5, № 3. — С. 573 – 587. 32. Analysis and Pattern Recognition of HPLC Trace Organic Impurity Patterns in Phase Space / T.I. Aksenova, I.V. Tetko, A.A. Patiokha et al. // Smart Engineering Sys- tem Design, Proc. ANNIE’99, 7–10 November, St. Louise, USA, ASME Press, New York, 1999. — 9. — Р. 935 – 940. 33. Pharmaceutical Fingerprinting in Phase Space. 1. Construction of Phase Fingerprints / T.I. Aksenova, I.V. Tetko, A.G. Ivakhnenko et al. // Anal. Chem. — 1999. — № 71 (13). — Р. 2423 – 2430. 34. Pharmace Fingerprinting in Phase Space. 2. Pattern Recognition / I.V. Tetko, T.I. Aksenova, A.A. Patiokha // Anal. Chem. — 1999. — № 71 (13) — Р. 2431–2439. 35. Аксенова Т.И., Шелехова В.Ю. Быстрые алгоритмы оценки производных с ис- пользованием интегральных операторов свертки // Кибернетика и вычисли- тельная техника. — 1997. — Вып. 107. — С. 63 – 73. 36. Unsupervised Spike Sorting of extracellular electrophysiological recording in Sub- thalamic Nucleus of Parkinsonian patients / O.K. Chibirova, T.I. Aksenova, A.L. Benabid // Biosystems. — 2005. — № 79. — Р. 159 – 171. Поступила 16.10.2003 Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов О.К. Чибирова, А. Вилла, Т.И. Аксенова Задача сортировки импульсов нейронов, выделяемых из сигнала мультинейронной активности Кластеризация в пространстве признаков и метод сопоставления с эталонами Классификация Заключение Запись активности нескольких нейронов

Информационные технологии в нейрофизиологии: классификация в реальном времени импульсов нейронов. Обзор проблем и методов

Institution

Ähnliche Einträge