نوع مقاله: مقاله کامل پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد مهندسی پزشکی، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران

2 استادیار، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق ، دانشگاه علم و صنعت ایران، تهران

3 استاد، گروه مهندسی پزشکی، دانشکده‌ی مهندسی برق، دانشگاه علم و صنعت ایران، تهران

10.22041/ijbme.2018.89373.1367

چکیده

آشکارسازی اسپایک­های عصبی، نحستین گام برای تجزیه و تحلیل پتانسیل عمل واحدهای نورونی در ثبت خارج سلولی می‌باشد. وجود نویز پس‌زمینه درثبت‌های خارج سلولی، که عمدتا از جمع آثار پتانسیل عمل واحد های نورونی دورتر از منطقه‌ی ثبت ناشی می‌شود، در بسیاری از مواقع، آشکارسازی و تشخیص اسپایک‌های عصبی کم‌دامنه را دشوار می‌سازد. تا کنون محققان زیادی به این موضوع پرداخته و برای حل این مشکل، الگوریتم­های زیادی پیشنهاد داده‌اند. در این مقاله، یک الگوریتم خودکار برای آشکارسازی اسپایک­های عصبی در سیگنال ثبت خارج سلولی آغشته به نویز پس‌زمینه، ارائه شده است. این الگوریتم از چهار مرحله، شامل ۱- فیلتر کردن میان­گذر و استفاده از فیلتر بالاگذر تفاضلی، ۲- اعمال فیلتر غیرخطی انرژی شانون، ۳- تبدیل هیلبرت و ۴- آستانه‌گذاری روی سیگنال به دست آمده، تشکیل شده است. روش پیشنهادی در این مقاله، با پنج روش شناخته شده در تشخیص اسپایک، روی دو مجموعه‌ی داده‌ی شبیه‌سازی شده و یک مجموعه‌ی داده‌ی واقعی، مورد مقایسه قرار گرفته است. نتایج به دست آمده، حاکی از برتری روش پیشنهادی نسبت به سایر روش­ها برای داده‌های شبیه‌سازی شده، بوده که نشان‌دهنده‌ی مقاوم بودن الگوریتم پیشنهادی نسبت به نویز می‌باشد. علاوه بر این، برای داده‌های واقعی، روش پیشنهاد شده رتبه‌ی دوم را در میان تمام روش­ها به خود اختصاص داده است. استفاده از فیلتر غیرخطی انرژی شانون، می‌تواند راه‌حل موثری برای تشخیص اسپایک­های عصبی در سیگنال ثبت خارج سلولی آغشته به نویز، به حساب آید.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Detection of Neural Spike in Extracellular Recording using Shannon Energy and Hilbert Transform

نویسندگان [English]

  • Sahar Akbari 1
  • Vahid Shalchyan 2
  • Mohammad Reza Daliri 3

1 M.Sc. Student, Biomedical Engineering Department, School of Electrical Engineering, Iran University of Science & Technology (IUST), Tehran, Iran

2 Assistant Professor, Biomedical Engineering Department, School of Electrical Engineering, Iran University of Science & Technology (IUST), Tehran, Iran

3 Professor, Biomedical Engineering Department, School of Electrical Engineering, Iran University of Science & Technology (IUST), Tehran, Iran

چکیده [English]

Neural spike detection is the first step in the analysis of neural action potentials in extracellular recordings. The background noise which mainly originates from a large number of far neuronal units, usually confront with detection of low-amplitude spikes. So far, many scholars have devoted their works to this subject and many algorithms have been proposed. In this paper we present an automatic spike detection algorithm for the noise-contaminated extracellular signal. This algorithm consists of four steps: 1- A bandpass filtering and using a differential filter; 2- applying Shannon's energy nonlinear filter; 3- Hilbert transform; and 4- Thresholding of the signal. The proposed method has been compared with five known methods in spike detection. This comparison is done on two simulated datasets and one real data set. The results indicate the superiority of the proposed method for simulated data compared to other methods, which indicates the robustness of the proposed algorithm to the noise.  Meanwhile, for real data, it reaches the second place among all six methods. Using Shannon's non-linear energy filter can be an effective way to detect spikes in extracellular signal recordings. The comparison indicates that this method is superior to the commonly known methods for spike detection.

کلیدواژه‌ها [English]

  • Extracellular recording
  • Spike detection
  • Action potential
  • Shannon energy

[1]     Azami H, Sanei S. Spike detection approaches for noisy neuronal data: Assessment and comparison. Neurocomputing. 2014 Jun 10;133:491-506.

[2]     Nenadic Z, Burdick JW. Spike detection using the continuous wavelet transform. IEEE Transactions on Biomedical Engineering. 2005 Jan;52(1):74-87.

[3]     Liu X, Yang X, Zheng N. Automatic extracellular spike detection with piecewise optimal morphological filter. Neurocomputing. 2012 Mar 1;79:132-9.

[4]     Chapin JK. Realtime control of a robot arm using simultaneously recorded brain neurons. InRobotics Research 2000 (pp. 283-287). Springer, London.

[5]     Hochberg LR, Serruya MD, Friehs GM, Mukand JA, Saleh M, Caplan AH, Branner A, Chen D, Penn RD, Donoghue JP. Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature. 2006 Jul 13;442(7099):164-71.

[6]     Kim KH, Kim SJ. A wavelet-based method for action potential detection from extracellular neural signal recording with low signal-to-noise ratio. IEEE Transactions on Biomedical Engineering. 2003 Aug;50(8):999-1011.

[7]     Shahid S, Walker J, Smith LS. A new spike detection algorithm for extracellular neural recordings. IEEE Transactions on Biomedical Engineering. 2010 Apr;57(4):853-66.

[8]     Takekawa T, Ota K, Murayama M, Fukai T. Spike detection from noisy neural data in linear‐probe recordings. European Journal of Neuroscience. 2014 Jun 1;39(11):1943-50.

[9]     Benitez R, Nenadic Z. Robust unsupervised detection of action potentials with probabilistic models. IEEE Transactions on Biomedical Engineering. 2008 Apr;55(4):1344-54.

[10]  Yang X, Shamma SA. A totally automated system for the detection and classification of neural spikes. IEEE Transactions on Biomedical Engineering. 1988 Oct;35(10):806-16.

[11] Shalchyan V, Jensen W, Farina D. Spike detection and clustering with unsupervised wavelet optimization in extracellular neural recordings. IEEE Transactions on Biomedical Engineering. 2012 Sep;59(9):2576-85.

[12] Liu X, Wan H, Shang Z, Shi L. Automatic extracellular spike denoising using wavelet neighbor coefficients and level dependency. Neurocomputing. 2015 Feb 3;149:1407-14.

[13] Mtetwa N, Smith LS. Smoothing and thresholding in neuronal spike detection. Neurocomputing. 2006 Jun 30;69(10):1366-70.

[14] Azami H, Escudero J, Darzi A, Sanei S. Extracellular spike detection from multiple electrode array using novel intelligent filter and ensemble fuzzy decision making. Journal of neuroscience methods. 2015 Jan 15;239:129-38.

[15] Zhou Y, Wu T, Rastegarnia A, Guan C, Keefer E, Yang Z. On the robustness of EC–PC spike detection method for online neural recording. Journal of neuroscience methods. 2014 Sep 30;235:316-30.

[16] Manikandan MS, Soman KP. A novel method for detecting R-peaks in electrocardiogram (ECG) signal. Biomedical Signal Processing and Control. 2012 Mar 31;7(2):118-28.

[17] Quiroga RQ, Nadasdy Z, Ben-Shaul Y. Unsupervised spike detection and sorting with wavelets and superparamagnetic clustering. Neural computation. 2004 Aug;16(8):1661-87.

[18] Rutishauser U, Schuman EM, Mamelak AN. Online detection and sorting of extracellularly recorded action potentials in human medial temporal lobe recordings, in vivo. Journal of neuroscience methods. 2006 Jun 30;154(1):204-24.

[19] Henze DA, Borhegyi Z, Csicsvari J, Mamiya A, Harris KD, Buzsáki G. Intracellular features predicted by extracellular recordings in the hippocampus in vivo. Journal of neurophysiology. 2000 Jul

[20] Gibson S, Judy JW, Markovic D. Technology-aware algorithm design for neural spike detection, feature extraction, and dimensionality reduction. IEEE transactions on neural systems and rehabilitation engineering. 2010 Oct;18(5):469-78.

[21] Choi JH, Jung HK, Kim T. A new action potential detector using the MTEO and its effects on spike sorting systems at low signal-to-noise ratios. IEEE Transactions on Biomedical Engineering. 2006 Apr;53(4):738-46.

[22] Kim KH, Kim SJ. A wavelet-based method for action potential detection from extracellular neural signal recording with low signal-to-noise ratio. IEEE Transactions on Biomedical Engineering. 2003 Aug;50(8):999-1011.