30998

تشخيص و دسته بندي اسپايك با استفاده از روش هاي يادگيري عميق

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

1400

1403/2/31

دكتر محمدرضا دليري

ندارم

مهندسي برق

مرتب سازي اسپايك ها گامي مهم در استخراج اطالعات از ثبت هاي عصبي خارج سلول ي است. با ظهور آرايه هاي الكترود با چگالي باال كه امكان نظارت همزمان صدها نورون را فراهم مي كند، سناريوي نسل بعد ي الگوريتم ها هم هيجان انگ يز و هم چالش برانگ يز است. با اين حال، اين نياز به يك رويكرد جد يد براي توسعه يك چارچوب مرجع مشترك براي ارزيابي سريع عملكرد الگوريتم پيشرفته دارد. در اين پژوهش، مفاهيم اساس ي مرتبسازي اسپايك، از جمله الزامات براي كاربردهاي مختلف، همراه با چالشهايي كه الگوريتم هاي موجود با آن روبرو هستند را بررس ي م ي كنيم. با ارائه ي ك نقشه راه با تاك يد بر نكات كليد ي كه بايد براي حمايت از تحقي قات علوم اعصاب آينده مورد توجه قرار گيرند، به اين نتي جه رس يد يم كه نظارت بر فعاليت تك نورون ها در ثبت ها ي خار ج سلولي براي درك مكانيسم هاي مغز ي اساس ي است. دقت باال در مرتب سازي اسپايكها نقش كليد ي در پردازش س يگنال هاي عصبي دارد. در اين پايان نامه ، يك روش جد يد براي حذف نويز از اسپايك ها با استفاده از شبكه ترانسفورمر ارائه شده است كه شامل شناسايي و جداسازي سيگنالهاي توليد شده توسط نورون هاي فردي از ثبت هايي است كه از چند ين نورون به دست آمده اند. شبكه ترانسفورمر، مدلي از يادگ يري عميق است كه از خود- توجه براي تمايز وزن اهميت هر بخش از دادههاي ورود ي استفاده مي كند . اين شبكه شامل دو قسمت اصلي است: رمزگذار و رمزگشا. رمزگذار متشكل از اليه هاي رمزنگاري است كه داده هاي ورو دي را به طور تكراري به يك فضاي جد يد نگاشت ميكند، در حال ي كه رمزگشا شامل اليههاي رمزگشايي است كه يك س يگنال بدون نويز را از خروجي رمزگذار توليد مي كند . رويكرد توسعه يافته از شبكه ترانسفورمر براي افزاي ش دقت شناسايي منبع اصل ي اسپايكها استفاده مي كند و همچنين در مواردي كه اسپايكها با هم همپوشاني دارند، منبع اصلي اسپايك را استخراج مي كند . براي ارزيابي عملكرد مدل خود، آن را روي دو مجموعه داده عمومي آزمايش كرديم. اولين مجموعه داده براي ارزيابي توانايي مدل در مقابله با نويز طراحي شده بود، در حال ي كه دومين مجموعه داده چالشهايي براي طبقه بند ي اسپايك ارائه م ي داد، كه آزمون مناسبي براي توانايي هاي مدل ما بود. مدل ما در هر دو مجموعه داده عملكرد بهتر ي نسبت به مدل هاي موجود داشت. مدل ما به طور متوسط دقت طبقه بند ي ٪99.85 را در مجموعه داده شبي ه سازي شده و ٪95.06 در مجموعه داده تجربي به دست آورد، كه از ساير مدل ها برتر بود. اين نتايج نشان مي دهد كه مدل ما براي مقابله با نويز و سناريوهاي دشوار طبقه بند ي اسپايك مناسب است و نسبت به ساير مدلهاي موجود برتري دارد

1403/04/04

Spike detection and classification with deep learning

5/20/2025 12:00:00 AM