跳到主要內容

簡易檢索 / 詳目顯示

回結果列表
研究生： 謝博文
Po-Wen Hsieh
論文名稱： 自動分類軟體在動作電位上的研究
A Study of Spike Sorting by Autoclass
指導教授： 單維彰
Wei-Chang Shann
口試委員:
學位類別： 碩士
Master
系所名稱： 理學院 - 數學系
Department of Mathematics
畢業學年度： 94
語文別： 中文
論文頁數： 64
中文關鍵詞： Autoclass 、神經動作電位 、動作電位分類
外文關鍵詞： Autoclass, neural action potential, spike sorting
相關次數： 點閱：11  下載：0 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報

    • 為了分析一顆神經細胞的行為，我們需要了解其發生動作電位的頻率變化。通常一根微電極會接收到多個神經細胞所發出的動作電位以及一些環境雜訊，因此對於這些混雜的神經訊號，我們處理的步驟是先過濾雜訊，之後再將不同神經細胞所發出的動作電位分類。
    主成分分析法最常被用於處理動作電位的分類問題上，但分類結果需由使用者觀看資料分布圖來決定，所以客觀性不高。Autoclass是目前網路上公開的一種分類軟體，其分類結果會顯示每筆資料屬於每一群的機率值。以機率值大小將資料分群的結果比用眼睛判斷的分類結果還具客觀性。本論文的目的是使Autoclass能有效應用在處理神經細胞動作電位的工作上，同時提出一個先驗標準來判斷一組訊號是否該以Autoclass分類，以及一個後驗方法來評估分類的結果是否可以信賴。

    In order to analyze the actions of a neuron, we need to understand the variations of the frequency of its spikes. An electrode usually receives spikes generated by several neurons as well as some background noises, which become interference in our analysis. Therefore, the task is to first filter out noises from these electrical signals and then to classify the spikes.
    In spike sorting, Principal Component Analysis (PCA) is the method scholars tend to adopt most often. However, the classification produced by PCA is not objective for it is based on operators’ observation of the graph. An alternative choice, Autoclass, is a popular method for clustering and its classification shows the probability of each data which belongs to each cluster. We can get a more objective classification according to probability than by visual estimation. Hence, a classification produced by Autoclass is more objective than one produced by PCA. The goal of this article is to show how Autoclass makes spike sorting more effective, meanwhile, to provide a prior knowledge to determine whether a data is suitable to be clustered by Autoclass, and to propose a posterior method to confirm the validity of its classification.

    目 錄 第1章 緒論………1 第2章 背景知識………2 2.1 動作電位………2 2.2 門檻探測法………3 2.3 主成分分析法………3 第3章 Autoclass使用指引………4 3.1 Autoclass簡介………4 3.2 如何使用Autoclass………5 3.2.1 搜尋………5 3.2.1.1 Data檔案………5 3.2.1.2 Header檔案………7 3.2.1.3 Model檔案………11 3.2.1.4 Search params檔案………13 3.2.1.5 執行Search指令………20 3.2.2 報告………21 3.2.2.1 Report params檔案………21 3.2.2.2 執行Report指令………23 3.2.2.3 influence檔案、case檔案、class檔案………23 第4章 Autoclass測試………24 4.1 參數的測試………24 4.2 測試最佳分類的準確性………25 第5章 Autoclass實驗………26 5.1 實驗一………26 5.1.1 測試一………26 5.1.2 測試二………26 5.1.3 測試三………27 5.2 實驗二………28 5.3 實驗三………29 5.4 實驗四………30 5.5 實驗五………31 第六章 結論與建議………32 6.1 Autoclass的優缺點 ………32 6.2 Autoclass處理分類問題步驟之建議 …………33

    [1] 李易霖（2004）。《神經細胞訊號的一種分類法》。國立中央大學數學系碩士論文，6-9。
    [2] 1996 Bayesian classification（autoclass）. theory and results Advances in Knowledge Discovery and Data Mining ed U M Fayyad et al（Menlo Park,CA: AAAI Press）pp 153-80.
    [3] Michael S Lewicki（1998）. A review of methods for spike sorting: the detection and classification of neural action potentials. pp R56

    QR CODE
    :::