師黎 李恒 王治忠 牛曉可

摘要：整體特征是視覺信息的基本特征之一。為了認知大鼠初級視覺皮層神經(jīng)元對視像整體特征的處理機制，首先給出確定有效響應(yīng)時間區(qū)間的方法，確定了有效響應(yīng)時間區(qū)間；然后，確定有效響應(yīng)時間區(qū)間內(nèi)、不同整體特征視像刺激下的神經(jīng)元發(fā)放特征，并利用等度規(guī)映射進行了特征整合，進而對整合后的特征使用支持向量機進行分類；最后.將該方法應(yīng)用于大鼠的初級視覺皮層視像整體特征識別，并將其分類結(jié)果分別與使用主成分分析法進行特征整合以及直接統(tǒng)計神經(jīng)元發(fā)放特征的分類結(jié)果進行了對比。對比表明：該方法較其他兩種方法，對于整體特征的識別準確率均有不同程度的明顯提高。

關(guān)鍵詞：初級視覺皮層；整體特征；有效響應(yīng)時間區(qū)間；等度規(guī)映射

中圖分類號：Q424

文獻標識碼：A

文章編號：1007-7847（2014）04-0286-06

動物獲取外部世界的信息中，有80%以上是通過視覺途徑獲取的。初級視覺皮層（primary vi一sual cortex，V1區(qū)）作為視覺信息傳遞的兩條通路中的必經(jīng)區(qū)域，幾乎所有的視覺信息都需經(jīng)過Vl區(qū)的加工處理。

整體特征是視覺信息的基本特征之一.Vl區(qū)在處理視像整體特征的過程中發(fā)揮著不可小覷的作用。1999年，Yasuko用幾何形狀、人臉以及猴臉的不同表情對猴子進行刺激試驗，發(fā)現(xiàn)視皮層V1區(qū)上最先出現(xiàn)一些邊緣、輪廓特征，隨后出現(xiàn)細節(jié)信息，并認為先出現(xiàn)的輪廓特征是用于檢測外界客體的基本特征，識別和區(qū)分它所屬的類別；后出現(xiàn)的細節(jié)信息，則用于進一步地做出類內(nèi)不同個體的識別。2002年，李朝義等研究發(fā)現(xiàn)，在貓的Vl區(qū)中存在著一種與處理大范圍復(fù)雜圖形特征有關(guān)的“球狀功能結(jié)構(gòu)”。這種腦功能結(jié)構(gòu)有效解釋了Vl區(qū)形成視像整體的視覺機理，即動物首先在Vl區(qū)整合自然圖像的整體特征，然后再向高級視皮層傳遞信息。2008年，趙松年等在功能磁共振成像（functional magnetic resonanceimaging，F(xiàn)MRI）試驗中發(fā)現(xiàn)Vl區(qū)對具有相同的輪廓與形狀，而細節(jié)不同的視覺刺激表現(xiàn)出近似不變。2013年，Petro等同樣在FMRI試驗中發(fā)現(xiàn)，利用Vl區(qū)的信息，可以區(qū)分出不同的臉型。而從VI區(qū)神經(jīng)元響應(yīng)中，提取與視覺信息相關(guān)的特征，是識別視覺信息的關(guān)鍵，對于揭示視覺信息處理的機制有著至關(guān)重要的意義。

在動物的視覺系統(tǒng)中，視覺信息是以神經(jīng)電信號的形式進行傳遞的。從細胞外采集到的神經(jīng)電信號中，高頻的鋒電位信號（Spike）是其中重要一種，主要特征包括：平均發(fā)放率和發(fā)放間隔（inter spike interval，ISI）。2002年，F(xiàn)reiwald等研究發(fā)現(xiàn)大鼠VI區(qū)的Spike的發(fā)放率可以在一定程度上反映光柵的朝向信息。2010年，Rathbu等發(fā)現(xiàn)將Spike發(fā)放率與ISI結(jié)合反應(yīng)視覺刺激信息的穩(wěn)定性比單獨使用一種編碼方式要高，攜帶信息量也更多。2008年，Bathellier等通過統(tǒng)計大鼠的嗅覺神經(jīng)元集群的發(fā)放特征，通過PCA降維并分類，最后得到刺激氣體的種類信息等。但用線性的主成分分析法（primary component analy-sis，PCA）來降維，這樣易造成數(shù)據(jù)信息的丟失，Tenenbaum等在Science雜志上提出的Isomap算法，是一種非線性的流形降維方法，在計算數(shù)據(jù)點間的距離時，用測地線距離代替了歐氏距離，可以彌補線性降維方法的不足。2009年，Busse等研究了貓的Vl區(qū)神經(jīng)元集群對對比度的編碼情況，但在統(tǒng)計Spike發(fā)放率的過程中忽略了視覺刺激的有效響應(yīng)時間區(qū)間。

鑒于以上問題，本文首先給出了計算有效響應(yīng)時間區(qū)間的方法，確定了LE大鼠的有效響應(yīng)時間區(qū)間；然后，提取了有效響應(yīng)時間區(qū)間內(nèi)的Spike發(fā)放特征，利用等度規(guī)映射（Isomap）進行了特征整合，進而對整合后的特征使用支持向量機（support vector machines， SVM）進行分類；最后，將該方法應(yīng)用于Long Evans （LE）大鼠的初級視覺皮層視像整體特征識別，并將其分類結(jié)果分別與直接統(tǒng)計Spike發(fā)放特征以及使用PCA進行特征整合的分類結(jié)果進行了對比。結(jié)果表明：提取了有效響應(yīng)區(qū)間后，同樣用Isomap方法進行特征整合，分類的準確率得到了較大提升。其他條件相同的情況下，使用Isomap方法比使用PCA進行特征整合，最終得到的分類的準確率有明顯提高。

1材料

1-1手術(shù)及電極植入

實驗采用河南省實驗動物中心提供的健康雄性LE大鼠（體重260～320g，10～12周齡），手術(shù)前按照0.75mL/l00g的量腹腔注射20%的烏拉坦進行麻醉。參考大鼠腦立體定位圖譜，確定Vl區(qū)的位置，并進行開顱手術(shù)。完成硬腦膜的剝除后，植入2x8的鉑銥合金Microprobes微電極陣，連接數(shù)據(jù)采集系統(tǒng)，記錄Vl區(qū)神經(jīng)元放電情況。實驗刺激屏幕采用戴爾LED電子顯示屏20cm×15cm，分辨率1280x960，刷新頻率60Hz，放置在距離大鼠眼睛22cm處。

1.2視覺刺激模式設(shè)計

Navon提出了研究視覺的整體和局部的理論，當刺激是由小圖形組成的大圖形時，可以認為大圖形是刺激的整體特征，小圖形是刺激的局部特征。本文據(jù)此設(shè)計的刺激方案如圖1所示，刺激圖形分別由E、F、L、T小圖形組成的E、F、L、T大圖形，據(jù)此理論，每一列圖形具有相同的整體特征，本文中具有相同整體特征的刺激視為一類刺激。為保證實驗中大鼠不受光亮強度的影響，本文統(tǒng)一了所有刺激圖案的平均亮度。每一次實驗包括圖形刺激1秒鐘，休息1秒鐘。每一組實驗包括16次實驗，在一組實驗中，每個圖形均顯示一次。

1.3動作電位的檢測與預(yù)處理

數(shù)據(jù)采集系統(tǒng)應(yīng)用Blackrock公司的Cerebus，多通道微電極陣列信號采集系統(tǒng)，本實驗中有16個有效通道。由于動作電位屬于高頻信號，采集到的原始信號通過二階巴特沃斯帶通濾波器（250～5000Hz）得到連續(xù)的信號，然后采用閾值檢測法提取動作電位。由于植入大鼠Vl區(qū)的多通道電極極有可能會檢測到多個神經(jīng)元的放電信號，因此，為了實驗結(jié)果更加精確，需要對各通道的Spike信號進行分類，得到單個神經(jīng)元的發(fā)放結(jié)果。

2方法

對視像整體特征的識別分為三步：特征提取、特征整合和特征分類。本文首先根據(jù)大鼠的V1區(qū)神經(jīng)元響應(yīng)隨時間變化特征，確定了大鼠神經(jīng)元有效響應(yīng)時間區(qū)間，然后提取了有效響應(yīng)時間區(qū)間內(nèi)的Spike發(fā)放特征，進而對特征進行整合，最后對整合后的特征進行分類，從而實現(xiàn)了對視像整體特征的識別。

2.1有效響應(yīng)的特征提取

提取神經(jīng)元的有效響應(yīng)特征，是進行目標識別的基礎(chǔ)，也是最重要的部分。本文給出了確定了有效響應(yīng)時間區(qū)間的方法，確定了LE大鼠的有效響應(yīng)時間區(qū)間；然后在有效響應(yīng)時間區(qū)間內(nèi)提取Spike發(fā)放特征。

2.1.1有效響應(yīng)的時間區(qū)間確定

神經(jīng)元在受到刺激后會發(fā)生反應(yīng)，通常表現(xiàn)為其放電頻率在基礎(chǔ)放電背景上的增高或者降低，而這些增高或降低的部分通常代表了有效的神經(jīng)信息。可以根據(jù)刺激前后Spike平均發(fā)放率的變化來確定有效響應(yīng)的時間區(qū)間。

1）設(shè)定時間窗口的長度：△t=ti+1-ti，本文根據(jù)刺激時間以及LE大鼠的響應(yīng)周期設(shè)定為△t=50ms；

2）統(tǒng)計時間窗（ti，ti+1）內(nèi)單個神經(jīng)元發(fā)放個數(shù)，記為Si（ti，ti+1），并計算神經(jīng)元的平均發(fā)放率：其中i=1，2，…，m-1，m；

3）按以上步驟，統(tǒng)計n次實驗的刺激時間段和休息時間段的平均發(fā)放率記為rij，i=l，2，…，m-l，m，j=l，2，…，n-l，n；

4）平均多次的實驗結(jié)果其中i=1，2，…，m-l，m得到刺激時間段和休息時間段的平均發(fā)放率；

5）根據(jù)Ri隨時間變化圖，找到Spike發(fā)放率開始大幅度上升的時間點作為有效響應(yīng)時間區(qū)間的開始點，Spike發(fā)放率回到刺激開始前的平均水平的時間點作為有效響應(yīng)時間區(qū)間的結(jié)束點，最終得到刺激有效響應(yīng)時間區(qū)間（ton，toff）。

2.1.2 Spike平均發(fā)放率的計算

針對特定參數(shù)的視覺圖像刺激下得到的神經(jīng)元發(fā)放序列，采用特定的窗，計算刺激開始后每個時間窗內(nèi)神經(jīng)元的發(fā)放個數(shù)，并除以時間窗的寬度，得到每個時間窗內(nèi)的Spike平均發(fā)放率。其計算具體步驟如下：

1）按照2.1.1步驟1）、2）、3）計算自發(fā)平均發(fā)放率

2）計算時間窗（ton，toff）內(nèi)神經(jīng)元的發(fā)放率：

3）計算此次實驗的Spike誘發(fā)發(fā)放率

4）重復(fù)進行n次實驗，按照以上步驟2），3）統(tǒng)計每一次實驗的平均誘發(fā)發(fā)放率，記為（ri1，ri2，…，rin），i=0，1，…，38，39。

2.1.3發(fā)放時間間隔計算

刺激后神經(jīng)元的響應(yīng)除了發(fā)放率發(fā)生變化，另外響應(yīng)的時間模式如響應(yīng)時間間隔的分布等也攜帶了刺激相關(guān)的信息。發(fā)放時間間隔計算步驟如下：

1）設(shè)單個神經(jīng)元的一次發(fā)放時刻Ti，計算一次刺激期間神經(jīng)元相鄰發(fā)放的時間間隔△T=Ti+1-Ti；

2）統(tǒng)計有效響應(yīng)時間區(qū)間（ton，toff）內(nèi)的發(fā)放時間間隔（△Ti1，△Ti2，…，△Tin），則平均發(fā)放間隔為

3）計算平均發(fā)放間隔下，單位時間的發(fā)放個數(shù)

4）依照上述步驟統(tǒng)計k次實驗中，平均發(fā)放間隔下，單位時間的發(fā)放個數(shù)Sk。

2.2多神經(jīng)元的特征整合

提取到Spike發(fā)放特征后，由于數(shù)據(jù)龐大，引起計算量增加，需要對特征進行整合。本文計算步驟如下：

1）構(gòu)造數(shù)據(jù)點Xi，i=1，2，…，n，Xi∈RD的鄰接圖G，距離定義為歐氏距離dx（i，j）鄰接關(guān)系定義為k最近鄰。

2）計算Xi和Xj在流形M上的測地線距離矩陣其中dc（i，j）為鄰接圖G中兩點間的最短距離。

3）對DG運行多維尺度變換（multi dimensionalscaling，MDS），得到低維坐標

lsomap降維維數(shù)是由殘差E來確定，即E=1-R2（DG，DY），其中DG為距離矩陣，DY為d維空間中的歐氏距離矩陣，R2為線性相關(guān)系數(shù)。本文通過多次試驗得到殘差變化曲線圖，并通過尋找曲線的拐點或已經(jīng)小到一定的閾值來確定降維維數(shù)。

2.3視像整體信息的特征分類

特征整合之后，需要對特征進行分類以完成識別的目的，SVM分類方法是一種建立在統(tǒng)計學(xué)習理論上的模式識別方法。SVM較常見的核函數(shù)中徑向基（radial basis function，RBF）核函數(shù)的收斂域較寬，對維數(shù)的高低和樣本的大小沒有限制，因此本文使用RBF核函數(shù)。

使用SVM進行多分類的關(guān)鍵是懲罰系數(shù)C和核函數(shù)寬度因子g的選取。懲罰系數(shù)C代表著SVM算法對噪聲的容忍度，C越大越不允許噪聲的出現(xiàn)。核函數(shù)寬度因子g影響著聚類的緊密度和聚類的數(shù)目。g越大，聚類越模糊，反之，聚類越精細。

本文對SVM參數(shù)的選取采用網(wǎng)格法，即首先根據(jù)經(jīng)驗選取C和g的范圍、初始值以及步長，然后存這個范圍內(nèi)按照步長，做出正確率隨C和g變化的三維視圖，在圖中尋求正確率最高的C和g組合。

3結(jié)果與分析

隨機選取7只大鼠的實驗數(shù)據(jù)作為樣本，對其中112個神經(jīng)元的數(shù)據(jù)進行了分析，本文所有的數(shù)據(jù)處理均在Matlab R2012a軟件平臺下進行。

按照2.1.1所述步驟，統(tǒng)計出每個時間窗內(nèi)的神經(jīng)元的平均發(fā)放率，由于一次實驗包括刺激1秒，休息1秒，而時間窗△t=50ms，所以每一次實驗都會得到40個平均發(fā)放率，做出平均發(fā)放率隨時間變化圖，并得到有效響應(yīng)區(qū)間。

圖2為7只LE大鼠112個神經(jīng)元的刺激有效響應(yīng)時間區(qū)間統(tǒng)計圖。從圖2中，可以看出大鼠神經(jīng)元一般在刺激后約100ms開始響應(yīng)，150～250ms達到峰值，450ms左右結(jié)束。

根據(jù)區(qū)間統(tǒng)計圖，擬合有效響應(yīng)時間點的概率密度分布圖如圖3所示，其中陰影部分的概率密度和已達到90%以上，可見對于此刺激，大鼠的有效響應(yīng)時間區(qū)間在100～450ms，持續(xù)時間在350ms左右。

按2.1.2和2.1.3的步驟提取有效響應(yīng)特征，分別使用Isomap和PCA兩種方法對歸一化后的數(shù)據(jù)進行降維作為對比，兩種方法降維維數(shù)的確定如圖4和圖5所示。

本文經(jīng)試算，選取每一數(shù)據(jù)點的最近鄰連接數(shù)k=4，圖4為k=4時殘差隨降維維數(shù)的變化圖。從圖4中可以看出在維數(shù)大于4后，隨著維數(shù)的增加，殘差變化很小。此組數(shù)據(jù)可以用Isomap方法降到4維。圖5為前10個主成分的累計貢獻率，從圖5中可以得到前5個主成分的累計貢獻率已經(jīng)達到90%，可選取前5個主成分來代替原數(shù)據(jù)。

對于已降維的數(shù)據(jù)運用支持向量機進行特征分類，隨機選取其中的1/2數(shù)據(jù)作為訓(xùn)練樣本，其他的數(shù)據(jù)作為測試樣本。圖6為分類正確率隨C和g變化的三維視圖。從圖6中可以看出不同的參數(shù)選擇會得到不同的結(jié)果，圖6中C=0.7，g=0.02處準確率達到峰值86%。為檢驗方法的適應(yīng)性，需多次隨機抽樣.并計算多次分類準確率的方差。

圖7為未使用有效響應(yīng)區(qū)間時，使用Isomap進行特征整合和使用PCA進行特征整合的分類正確率及方差對比，從圖7中可以看出使用Isomap進行特征整合較使用PCA進行特征整合的分類正確率有明顯提高。

圖8為同樣使用Isomap進行特征整合，使用和未使用有效響應(yīng)區(qū)間的最終分類平均正確率及方差的對比，從圖8中可以看出，提取了有效響應(yīng)區(qū)間前，分類的準確率在60%左右，使用有效響應(yīng)區(qū)間后，分類的準確率得到了極大的提升，達到了80%左右。可見本文提出的在有效響應(yīng)時間區(qū)間統(tǒng)計發(fā)放率，使用Isomap進行特征整合，分類后得到的整體特征識別準確率，較其他兩種方法得到的識別準確率均有不同程度的提高。

為了驗證本方法的適應(yīng)性，本文隨機選取了7只大鼠，在有效響應(yīng)區(qū)間中提取特征并用I—somap整合特征，SVM進行特征分類，得到的平均分類準確率及方差如圖9所示。從圖9中可以看出，本方法的識別準確率都達到了70%以上，可見該方法比較穩(wěn)定，對于不同的大鼠差異不明顯。

4結(jié)論與討論

本文通過統(tǒng)計刺激后神經(jīng)元集群的Spike發(fā)放率變化，確定出大鼠Vl區(qū)的有效響應(yīng)時間區(qū)間，并提取有效響應(yīng)特征，運用Isomap方法進行特征整合處理然后分類，并將本方法與其他方法進行了分類正確率比較。結(jié)果表明：1）對于本文刺激，大鼠神經(jīng)元的有效響應(yīng)區(qū)間一般在刺激后約100ms開始，450ms左右結(jié)束，有效響應(yīng)時間區(qū)間的長度在350ms左右；2）其他條件都相同的情況下，使用Isomap進行特征整合比使用PCA進行特征整合最終求得的整體特征識別準確率有一定的提高；3）提取了有效響應(yīng)區(qū)間后再進行特征提取與直接進行特征提取相比，最終的整體特征識別準確率得到了很大的提升；4）使用多只大鼠進行相同的實驗和分析發(fā)現(xiàn)本文方法比較穩(wěn)定，對于不同的大鼠差異不明顯。因此，本文提出的方法能更好地解析大鼠Vl區(qū)神經(jīng)元對視像整體特征的處理機制，這對于進一步研究視覺皮層對不同特征視覺刺激的信息處理機制具有重要意義。后續(xù)將進一步研究其他具有復(fù)雜特征的圖像刺激下，大鼠神經(jīng)元的響應(yīng)變化情況。