相邻的神经元之间通过发射和接收锋电位进行通信,因此,记录并分析神经元的锋电位序列是研究神经科学的重要手段。早期使用的胞外记录电极只能搭载一个记录位点,得到的原始数据处理起来较为简单。随着电极制造水平的发展,现在广泛使用的高密度电极阵列能够搭载上千个记录位点,相邻位点的间距极小,同一个神经元的锋电位能够同时被多个位点记录。高密度电极阵列产生的数据规模陡增,处理难度也不可同日而语。本文选取高密度电极阵列产生的原始数据作为研究对象,重点关注锋电位分类中的锋电位提取和聚类过程,做出的主要工作包括:1.本文提出了一个高密度电极阵列的胞外记录模型。本文根据锋电位在不同信道上的幅值变化确定神经元细胞与电极阵列的相对位置,根据电极几何计算记录位点之间的相对距离,由此确定锋电位幅值的衰减方向,描述了高密度电极阵列胞外记录的具体方式和细节。2.针对锋电位检测和提取过程,本文提出了局部锋电位提取算法。本文引入主信道和锋电位跨度两个参数,明确了锋电位的位置信息,给提取所得的锋电位加入了一个位置特征,解决了重叠锋电位提取结果同质化的问题,消除了锋电位在主信道以外的影响,提高了其他信道上锋电位提取的效率。3.针对锋电位聚类过程,本文提出了逐信道聚类算法。本文根据锋电位的空间特征,将提取所得的锋电位进行分组,在同一主信道内对锋电位进行聚类。同时为了避免同信道上的重叠锋电位对聚类结果产生不良影响,本文对锋电位标记为重叠锋电位和非重叠锋电位,将二者分开聚类,剔除了重叠锋电位对聚类子空间的选择造成的不良影响。综合以上三点,本文提出了较为系统完整的锋电位分类算法,并通过实验验证了本文算法的可行性和有效性。