基于等度规映射的大鼠初级视觉皮层视像整体特征识别

摘要：整体特征是视觉信息的基本特征之一。为了认知大鼠初级视觉皮层神经元对视像整体特征的处理机制，首先给出确定有效响应时间区间的方法，确定了有效响应时间区间；然后，确定有效响应时间区间内、不同整体特征视像刺激下的神经元发放特征，并利用等度规映射进行了特征整合，进而对整合后的特征使用支持向量机进行分类；最后.将该方法应用于大鼠的初级视觉皮层视像整体特征识别，并将其分类结果分别与使用主成分分析法进行特征整合以及直接统计神经元发放特征的分类结果进行了对比。对比表明：该方法较其他两种方法，对于整体特征的识别准确率均有不同程度的明显提高。

关键词：初级视觉皮层；整体特征；有效响应时间区间；等度规映射

中图分类号：Q424

文献标识码：A

文章编号：1007-7847（2014）04-0286-06

动物获取外部世界的信息中，有80%以上是通过视觉途径获取的。初级视觉皮层（primary vi一sual cortex，V1区）作为视觉信息传递的两条通路中的必经区域，几乎所有的视觉信息都需经过Vl区的加工处理。

整体特征是视觉信息的基本特征之一.Vl区在处理视像整体特征的过程中发挥着不可小觑的作用。1999年，Yasuko用几何形状、人脸以及猴脸的不同表情对猴子进行刺激试验，发现视皮层V1区上最先出现一些边缘、轮廓特征，随后出现细节信息，并认为先出现的轮廓特征是用于检测外界客体的基本特征，识别和区分它所属的类别；后出现的细节信息，则用于进一步地做出类内不同个体的识别。2002年，李朝义等研究发现，在猫的Vl区中存在着一种与处理大范围复杂图形特征有关的“球状功能结构”。这种脑功能结构有效解释了Vl区形成视像整体的视觉机理，即动物首先在Vl区整合自然图像的整体特征，然后再向高级视皮层传递信息。2008年，赵松年等在功能磁共振成像（functional magnetic resonanceimaging，FMRI）试验中发现Vl区对具有相同的轮廓与形状，而细节不同的视觉刺激表现出近似不变。2013年，Petro等同样在FMRI试验中发现，利用Vl区的信息，可以区分出不同的脸型。而从VI区神经元响应中，提取与视觉信息相关的特征，是识别视觉信息的关键，对于揭示视觉信息处理的机制有着至关重要的意义。

在动物的视觉系统中，视觉信息是以神经电信号的形式进行传递的。从细胞外采集到的神经电信号中，高频的锋电位信号（Spike）是其中重要一种，主要特征包括：平均发放率和发放间隔（inter spike interval，ISI）。2002年，Freiwald等研究发现大鼠VI区的Spike的发放率可以在一定程度上反映光栅的朝向信息。2010年，Rathbu等发现将Spike发放率与ISI结合反应视觉刺激信息的稳定性比单独使用一种编码方式要高，携带信息量也更多。2008年，Bathellier等通过统计大鼠的嗅觉神经元集群的发放特征，通过PCA降维并分类，最后得到刺激气体的种类信息等。但用线性的主成分分析法（primary component analy-sis，PCA）来降维，这样易造成数据信息的丢失，Tenenbaum等在Science杂志上提出的Isomap算法，是一种非线性的流形降维方法，在计算数据点间的距离时，用测地线距离代替了欧氏距离，可以弥补线性降维方法的不足。2009年，Busse等研究了猫的Vl区神经元集群对对比度的编码情况，但在统计Spike发放率的过程中忽略了视觉刺激的有效响应时间区间。

鉴于以上问题，本文首先给出了计算有效响应时间区间的方法，确定了LE大鼠的有效响应时间区间；然后，提取了有效响应时间区间内的Spike发放特征，利用等度规映射（Isomap）进行了特征整合，进而对整合后的特征使用支持向量机（support vector machines， SVM）进行分类；最后，将该方法应用于Long Evans （LE）大鼠的初级视觉皮层视像整体特征识别，并将其分类结果分别与直接统计Spike发放特征以及使用PCA进行特征整合的分类结果进行了对比。结果表明：提取了有效响应区间后，同样用Isomap方法进行特征整合，分类的准确率得到了较大提升。其他条件相同的情况下，使用Isomap方法比使用PCA进行特征整合，最终得到的分类的准确率有明显提高。

1材料

1-1手术及电极植入

实验采用河南省实验动物中心提供的健康雄性LE大鼠（体重260～320g，10～12周龄），手术前按照0.75mL/l00g的量腹腔注射20%的乌拉坦进行麻醉。参考大鼠脑立体定位图谱，确定Vl区的位置，并进行开颅手术。完成硬脑膜的剥除后，植入2x8的铂铱合金Microprobes微电极阵，连接数据采集系统，记录Vl区神经元放电情况。实验刺激屏幕采用戴尔LED电子显示屏20cm×15cm，分辨率1280x960，刷新频率60Hz，放置在距离大鼠眼睛22cm处。

1.2视觉刺激模式设计

Navon提出了研究视觉的整体和局部的理论，当刺激是由小图形组成的大图形时，可以认为大图形是刺激的整体特征，小图形是刺激的局部特征。本文据此设计的刺激方案如图1所示，刺激图形分别由E、F、L、T小图形组成的E、F、L、T大图形，据此理论，每一列图形具有相同的整体特征，本文中具有相同整体特征的刺激视为一类刺激。为保证实验中大鼠不受光亮强度的影响，本文统一了所有刺激图案的平均亮度。每一次实验包括图形刺激1秒钟，休息1秒钟。每一组实验包括16次实验，在一组实验中，每个图形均显示一次。

1.3动作电位的检测与预处理

数据采集系统应用Blackrock公司的Cerebus，多通道微电极阵列信号采集系统，本实验中有16个有效通道。由于动作电位属于高频信号，采集到的原始信号通过二阶巴特沃斯带通滤波器（250～5000Hz）得到连续的信号，然后采用阈值检测法提取动作电位。由于植入大鼠Vl区的多通道电极极有可能会检测到多个神经元的放电信号，因此，为了实验结果更加精确，需要对各通道的Spike信号进行分类，得到单个神经元的发放结果。

2方法

对视像整体特征的识别分为三步：特征提取、特征整合和特征分类。本文首先根据大鼠的V1区神经元响应随时间变化特征，确定了大鼠神经元有效响应时间区间，然后提取了有效响应时间区间内的Spike发放特征，进而对特征进行整合，最后对整合后的特征进行分类，从而实现了对视像整体特征的识别。

2.1有效响应的特征提取

提取神经元的有效响应特征，是进行目标识别的基础，也是最重要的部分。本文给出了确定了有效响应时间区间的方法，确定了LE大鼠的有效响应时间区间；然后在有效响应时间区间内提取Spike发放特征。

2.1.1有效响应的时间区间确定

神经元在受到刺激后会发生反应，通常表现为其放电频率在基础放电背景上的增高或者降低，而这些增高或降低的部分通常代表了有效的神经信息。可以根据刺激前后Spike平均发放率的变化来确定有效响应的时间区间。

1）设定时间窗口的长度：t=ti+1-ti，本文根据刺激时间以及LE大鼠的响应周期设定为t=50ms；

2）统计时间窗（ti，ti+1）内单个神经元发放个数，记为Si（ti，ti+1），并计算神经元的平均发放率：其中i=1，2，…，m-1，m；

3）按以上步骤，统计n次实验的刺激时间段和休息时间段的平均发放率记为rij，i=l，2，…，m-l，m，j=l，2，…，n-l，n；

4）平均多次的实验结果其中i=1，2，…，m-l，m得到刺激时间段和休息时间段的平均发放率；

5）根据Ri随时间变化图，找到Spike发放率开始大幅度上升的时间点作为有效响应时间区间的开始点，Spike发放率回到刺激开始前的平均水平的时间点作为有效响应时间区间的结束点，最终得到刺激有效响应时间区间（ton，toff）。

2.1.2 Spike平均发放率的计算

针对特定参数的视觉图像刺激下得到的神经元发放序列，采用特定的窗，计算刺激开始后每个时间窗内神经元的发放个数，并除以时间窗的宽度，得到每个时间窗内的Spike平均发放率。其计算具体步骤如下：

1）按照2.1.1步骤1）、2）、3）计算自发平均发放率

2）计算时间窗（ton，toff）内神经元的发放率：

3）计算此次实验的Spike诱发发放率

4）重复进行n次实验，按照以上步骤2），3）统计每一次实验的平均诱发发放率，记为（ri1，ri2，…，rin），i=0，1，…，38，39。

2.1.3发放时间间隔计算

刺激后神经元的响应除了发放率发生变化，另外响应的时间模式如响应时间间隔的分布等也携带了刺激相关的信息。发放时间间隔计算步骤如下：

1）设单个神经元的一次发放时刻Ti，计算一次刺激期间神经元相邻发放的时间间隔T=Ti+1-Ti；

2）统计有效响应时间区间（ton，toff）内的发放时间间隔（Ti1，Ti2，…，Tin），则平均发放间隔为

3）计算平均发放间隔下，单位时间的发放个数

4）依照上述步骤统计k次实验中，平均发放间隔下，单位时间的发放个数Sk。

2.2多神经元的特征整合

提取到Spike发放特征后，由于数据庞大，引起计算量增加，需要对特征进行整合。本文计算步骤如下：

1）构造数据点Xi，i=1，2，…，n，Xi∈RD的邻接图G，距离定义为欧氏距离dx（i，j）邻接关系定义为k最近邻。

2）计算Xi和Xj在流形M上的测地线距离矩阵其中dc（i，j）为邻接图G中两点间的最短距离。

3）对DG运行多维尺度变换（multi dimensionalscaling，MDS），得到低维坐标

lsomap降维维数是由残差E来确定，即E=1-R2（DG，DY），其中DG为距离矩阵，DY为d维空间中的欧氏距离矩阵，R2为线性相关系数。本文通过多次试验得到残差变化曲线图，并通过寻找曲线的拐点或已经小到一定的阈值来确定降维维数。

2.3视像整体信息的特征分类

特征整合之后，需要对特征进行分类以完成识别的目的，SVM分类方法是一种建立在统计学习理论上的模式识别方法。SVM较常见的核函数中径向基（radial basis function，RBF）核函数的收敛域较宽，对维数的高低和样本的大小没有限制，因此本文使用RBF核函数。

使用SVM进行多分类的关键是惩罚系数C和核函数宽度因子g的选取。惩罚系数C代表着SVM算法对噪声的容忍度，C越大越不允许噪声的出现。核函数宽度因子g影响着聚类的紧密度和聚类的数目。g越大，聚类越模糊，反之，聚类越精细。

本文对SVM参数的选取采用网格法，即首先根据经验选取C和g的范围、初始值以及步长，然后存这个范围内按照步长，做出正确率随C和g变化的三维视图，在图中寻求正确率最高的C和g组合。

3结果与分析

随机选取7只大鼠的实验数据作为样本，对其中112个神经元的数据进行了分析，本文所有的数据处理均在Matlab R2012a软件平台下进行。

按照2.1.1所述步骤，统计出每个时间窗内的神经元的平均发放率，由于一次实验包括刺激1秒，休息1秒，而时间窗t=50ms，所以每一次实验都会得到40个平均发放率，做出平均发放率随时间变化图，并得到有效响应区间。

图2为7只LE大鼠112个神经元的刺激有效响应时间区间统计图。从图2中，可以看出大鼠神经元一般在刺激后约100ms开始响应，150～250ms达到峰值，450ms左右结束。

根据区间统计图，拟合有效响应时间点的概率密度分布图如图3所示，其中阴影部分的概率密度和已达到90%以上，可见对于此刺激，大鼠的有效响应时间区间在100～450ms，持续时间在350ms左右。

按2.1.2和2.1.3的步骤提取有效响应特征，分别使用Isomap和PCA两种方法对归一化后的数据进行降维作为对比，两种方法降维维数的确定如图4和图5所示。

本文经试算，选取每一数据点的最近邻连接数k=4，图4为k=4时残差随降维维数的变化图。从图4中可以看出在维数大于4后，随着维数的增加，残差变化很小。此组数据可以用Isomap方法降到4维。图5为前10个主成分的累计贡献率，从图5中可以得到前5个主成分的累计贡献率已经达到90%，可选取前5个主成分来代替原数据。

对于已降维的数据运用支持向量机进行特征分类，随机选取其中的1/2数据作为训练样本，其他的数据作为测试样本。图6为分类正确率随C和g变化的三维视图。从图6中可以看出不同的参数选择会得到不同的结果，图6中C=0.7，g=0.02处准确率达到峰值86%。为检验方法的适应性，需多次随机抽样.并计算多次分类准确率的方差。

图7为未使用有效响应区间时，使用Isomap进行特征整合和使用PCA进行特征整合的分类正确率及方差对比，从图7中可以看出使用Isomap进行特征整合较使用PCA进行特征整合的分类正确率有明显提高。

图8为同样使用Isomap进行特征整合，使用和未使用有效响应区间的最终分类平均正确率及方差的对比，从图8中可以看出，提取了有效响应区间前，分类的准确率在60%左右，使用有效响应区间后，分类的准确率得到了极大的提升，达到了80%左右。可见本文提出的在有效响应时间区间统计发放率，使用Isomap进行特征整合，分类后得到的整体特征识别准确率，较其他两种方法得到的识别准确率均有不同程度的提高。

为了验证本方法的适应性，本文随机选取了7只大鼠，在有效响应区间中提取特征并用I―somap整合特征，SVM进行特征分类，得到的平均分类准确率及方差如图9所示。从图9中可以看出，本方法的识别准确率都达到了70%以上，可见该方法比较稳定，对于不同的大鼠差异不明显。

4结论与讨论

本文通过统计刺激后神经元集群的Spike发放率变化，确定出大鼠Vl区的有效响应时间区间，并提取有效响应特征，运用Isomap方法进行特征整合处理然后分类，并将本方法与其他方法进行了分类正确率比较。结果表明：1）对于本文刺激，大鼠神经元的有效响应区间一般在刺激后约100ms开始，450ms左右结束，有效响应时间区间的长度在350ms左右；2）其他条件都相同的情况下，使用Isomap进行特征整合比使用PCA进行特征整合最终求得的整体特征识别准确率有一定的提高；3）提取了有效响应区间后再进行特征提取与直接进行特征提取相比，最终的整体特征识别准确率得到了很大的提升；4）使用多只大鼠进行相同的实验和分析发现本文方法比较稳定，对于不同的大鼠差异不明显。因此，本文提出的方法能更好地解析大鼠Vl区神经元对视像整体特征的处理机制，这对于进一步研究视觉皮层对不同特征视觉刺激的信息处理机制具有重要意义。后续将进一步研究其他具有复杂特征的图像刺激下，大鼠神经元的响应变化情况。