
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于混合知识与数据驱动的建模方法,用于实现人类C纤维微神经图谱中稳健的脉冲检测与分类
《Scientific Reports》:Hybrid knowledge- and data-driven modelling for robust spike detection and sorting in human C-fiber microneurography
【字体: 大 中 小 】 时间:2026年03月13日 来源:Scientific Reports 4.9
编辑推荐:
摘要 由于仅使用一个记录电极、波形存在差异以及不同神经元之间的脉冲形状高度相似,通过微神经图技术记录的C纤维中的时间脉冲模式分析面临诸多挑战,这限制了我们对疼痛和瘙痒等感觉编码的理解。我们提出了一种结合峰值
由于仅使用一个记录电极、波形存在差异以及不同神经元之间的脉冲形状高度相似,通过微神经图技术记录的C纤维中的时间脉冲模式分析面临诸多挑战,这限制了我们对疼痛和瘙痒等感觉编码的理解。我们提出了一种结合峰值检测与监督分类的脉冲排序计算方法,以此改进通过对活动依赖性传导速度变化所识别的脉冲放电的分析。在知识驱动阶段,我们从低频刺激过程中获得的电激发脉冲中提取脉冲模板,并将“最佳”模板视为目标纤维。脉冲检测进一步限制在那些存在活动依赖性延迟变化的区间内,相比无监督聚类方法,这大大减少了搜索范围。在数据驱动阶段,我们系统地评估了三种特征集和三种机器学习模型:单类SVM、SVM以及XGBoost。为进行评估,我们设计了一套专门的刺激方案,为所有电激发脉冲提供可靠的真实标签,从而实现精确的脉冲时间锁定。与Spike2软件相比,我们的方法获得了更高的F1分数,且假阳性更低,表明脉冲排序效果更好。尽管XGBoost的中位数F1分数最高,但最佳性能仍取决于每次记录对应的特征集和模型的具体组合。在某些含有大量神经纤维且信噪比较低的记录中,无法实现可靠的脉冲排序。这凸显出需要为每段记录确定其可排序性及最优配置。为展示该方法在感觉脉冲列分析方面的潜力,我们展示了将该流程应用于化学诱导的C纤维活动的概念验证案例。这些研究结果为可靠分析与疼痛和瘙痒信号相关的活动奠定了重要基础。