19236

۱۹۲۳۶

آشكارسازي اسپايك عصبي در ثبت خارج سلولي با نويز پس زمينه

كارشاسي ارشد

مهندسي پزشكي - بيو الكتريك

۹۳-۹۶

۱۳۹۶/۰۸/۳۰

دكتر دليري - دكتر شالچيان

برق

اطلاعات به دست آمده از سيگنال ثبت شده با الكترودهاي برون¬سلولي در بسياري از حوزه¬هاي تحقيقاتي با كاربردهاي باليني و علمي، مورد نياز است. اطلاعات فعاليت واحد¬هاي نوروني معمولاً به صورت قطار پتانسيل عمل يا اسپايك¬هاي توليد شده توسط واحد¬هاي نوروني در نظر گرفته مي-شوند. با توجه به حضور منابع نوروني گسترده دورتر و ساير منابع پتانسيل الكتريكي كه به عنوان نويز¬هاي پس زمينه درثبت با اسپايك¬هاي هدف تداخل مي¬كنند، نياز به روش¬هايي براي آشكارسازي اسپايك جهت برآورد لحظات زماني وقوع پتانسيل¬هاي عمل مي¬باشد. به دست آوردن اين اطلاعات پيش نياز مهمي براي توسعه سيستم¬هاي واسط مغز و كامپيوترBCI مبتني بر اطلاعات اسپايك عصبي مي¬باشد. الگوريتم پيشنهادي پروژه از چهار مرحله تشكيل شده است: ۱- فيلتر كردن ميانگذر و استفاده از فيلتر بالاگذر تفاضلي, ۲- اعمال فيلتر غيرخطي شانون ۳- تبديل هيلبرت و ۴- آستانه گذاري بر روي سيگنال حاصله. روش پيشنهادي با پنج روش شناخته شده: آستانه گذاري،تبديل موجك ايستا،تبديل موجك پيوسته،اپراتور انرژي غيرخطي(NEO) و MTEO در تشخيص اسپايك مقايسه شده است. اين مقايسه را بر روي دو مجموعه داده‌ي شبيه سازي شده و يك مجموعه داده‌ي واقعي انجام داده‌ايم. نتايج شبيه سازي نشان داد كه در هر دو داده‌ي شبيه سازي شده روش پيشنهادي ما عملكرد بهتري نسبت به روش‌هاي مرسوم داشت. از آن‌جا كه هر دوي داده هاي شبيه‌سازي شده شامل ۴ سطح نويز بود, دقت عملكرد روش ارايه شده در واقع بيانگر مقاوم بودن آن نسبت به نويز است. در مورد داده واقعي شماره3 بايد ذكر كرد كه در ميان هر ۶ روش تنها روش انرژي تيگر (NEO) با مجموع ۱۱۸۹ تشخيص درست و ۲۲ عدم تشخيص اشتباه اندكي بهتر از روش پيشنهادي ما عمل كرده و روش ارايه شده ي ما از ساير روش ها بهتر عمل كرده است و نشان دهنده آن است كه استفاده از فيلتر غيرخطي انرژي شانون مي تواند راه موثري براي تشخيص اسپايكها در سيگنال ثبت خارج سلولي باشد.

1397/05/23

Detection of neural spike in extracellular recording with background noise

5/21/2019 12:00:00 AM

The information obtained from signal recorded with extracellular electrodes is essential in many research fields with scientific and clinical applications. Neuronal activities are usually considered as action potential trains or spikes produced by neuronal units. Given the presence of far more extensive neurotransmitters and other potential electrical sources that interact with background noises, there is a need for methods for detecting spikes to estimate the moments when action potentials occur. Not. Obtaining this information is an important prerequisite for the development of neurotransmitter information based brain and computer interface systems(BCI). In this project, after mentioning the introduction, we will review and recall previous and current methods for detecting spikes and proposed algorithms. The algorithm consists of four stages: 1- Filtering the passage and using the high pass filter Differential, 2 - Shannon nonlinear filter application, 3 - Hilbert transformation, 4 - Thresholding on the received signal. The proposed method is compared with five known methods: thresholding, stationary wavelet transform, continuous wavelet transform, nonlinear energy operator (NEO), and MTEO in spike detection. We compared this comparison to two simulated data sets and a real data set. The results indicate that the proposed method is superior to simulated data compared to other methods, which indicates that the proposed algorithm is resistant to noise. Meanwhile, for real data, the second place has been among the total of six methods, indicating that the use of the nonlinear energy filter of Shannon could be an effective way to detect spikes in the extracellular recording signal.