培养神经元网络自发电信号的特性分析

论文摘要

神经元网络是人脑中记忆存储和信息处理的基础。研究神经元网络在发育过程中自发电生理活动是理解神经回路形成和其蕴涵网络可塑性和适应性的关键。多电极阵列（MEA）是现今神经科学研究中的一个独特工具,它允许观察神经元网络电活动在时空中的传播。本文对利用MEA系统采集到的培养海马神经元网络自发电活动信号从爆发活动检测,不同自发模式的时间编码特性、复杂度和频率特性等方面来揭示神经元电信号在时域和频域中蕴藏的信息。在各种类型的培养神经元网络、哺乳动物中枢神经系统和切片中,都可以观察到爆发①。爆发是空间—时间放电模式的重要特征。以爆发内部最大锋电位间隔（ISI）参数作为确定爆发的约束条件,改进爆发检测自适应算法。实验结果表明,改进后爆发检测的平均准确率为93.8%,比原自适应算法提高35.3%。采用该方法研究培养神经元网络发育过程中自发爆发活动的时空变化,印证在神经元网络不同发育阶段其爆发活动特性不同。此外,提出平均锋电位间隔（mean inter-spike interval, MISI）算法自动检测爆发,它能够根据神经元锋电位序列特性自动确定参数,而不需要任何人为选择或设置。该方法可从不同爆发活动模式中自动提取爆发,并能鉴别出电刺激前后爆发活动参数的变化。采用锋电位间隔时域图（ISI vs. time histogram）、锋电位间隔直方图（ISIH）、联合锋电位间隔分布图（JISI）得到MEA上三种典型自发活动模式（爆发,持续单发,爆发与单发交替）的时间编码规律和特性。采用ISI时域图研究神经元网络自发锋电位序列中信息的时间编码和信息传递,结果提示自发活动中存在精确重复的时间编码序列信息。引入近似熵（ApEn）统计方法衡量神经元不同自发活动模式时间序列的复杂度和规律性。近似熵动态变化曲线能够预测和检测神经元锋电位发放和爆发活动,表征神经元生理活动状态的变化。用该方法分析ISI时间序列的信息复杂度变化。爆发模式的复杂度变化曲线呈现明显分层现象,ApEn值较小;爆发与单发交替发放模式的复杂度变化曲线分层不明显,ApEn值高于爆发模式。另外,在网络水平用近似熵分析,结果是电极上自发电活动复杂度随着神经元网络发育波浪式升高;整个神经元网的ApEn灰度图展示了自发活动复杂度空间分布结构。用时频分析方法中的平滑伪Wigner-Vile分布（SPWVD）、Choi-Williams分布（CWD）以及Morlet小波变换方法描述神经元网络自发电信号的时频分布特性。结果显示该方法能展示不同自发活动模式信号中频率随时间变化的信息。自发电信号是由多个频段组成,锋电位发放是高频信号。爆发活动信号高能量所在频段比随机单发锋电位活动和连续发放锋电位活动信号的要低。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 多电极阵列（MEA）技术
• 1.2 多电极记录神经元电信号分析方法概述
• 1.3 本文主要研究内容
• 2 基于锋电位间隔的爆发检测算法及应用
• 2.1 引言
• 2.2 基于最大锋电位间隔的爆发检测自适应算法
• 2.3 培养神经元网络发育过程中爆发活动的动力学分析
• 2.4 基于ISI 平均值的爆发检测算法
• 2.5 本章小结
• 3 神经元网络自发放电序列的时间编码特性
• 3.1 引言
• 3.2 ISI 时间编码方法
• 3.3 神经元网络不同自发放电模式的ISI 时间编码特性
• 3.4 神经元网络自发活动的精确时间编码与信息传递
• 3.5 本章小结
• 4 用近似熵描述培养神经元网络自发信号的复杂度
• 4.1 引言
• 4.2 近似熵定义与算法
• 4.3 神经元网络自发活动波形的复杂度
• 4.4 神经元网络不同模式锋电位序列复杂度
• 4.5 神经元网络锋电位时空活动的复杂度
• 4.6 本章小结
• 5 培养神经元网络自发信号的时频特性
• 5.1 引言
• 5.2 时频分析基本理论
• 5.3 不同自发活动模式的功率谱特性
• 5.4 不同自发活动模式的SPWVD 和CWD 时频分布
• 5.5 用MORLET 小波变换分析不同自发活动模式的时频特性
• 5.6 本章小结
• 6 总结及展望
• 致谢
• 参考文献
• 附录 1 攻读博士学位期间发表的学术论文目录