طبقه‌بندی پتانسیل‌های عمل نرونی با استفاده از شبکه‌های عصبی RBF

بدلیل نسبت سیگنال به نویزِ پایین در پتانسیل های عمل نرونی، طبقه بندی این سیگنالها پروس های دشوار محسوب می شود. پروسهطبقه بندی پتانسیل های عمل نرونی، عموماً از سه مرحله: آشکارسازی، استخراج ویژگی و طبقه بندی تشکیل شده است. در این مقاله ابتدا بابکارگیری آمار ههای سیگنال، پتانسیل های عمل را از داده خام اولیه جداسازی نمودیم (مرحله آشکارسازی). سپس با انتخاب تعداد محدودی از پتانسیل های عمل نمونه (بعنوان ویژگی)، به آموزش یک شبکه عصبی RBF، جهت طبقه بندی این سیگنالها می پردازیم. ایده استفاده از شبکه های عصبی RBF، امکان غلبه بر مشکلِ عدم تفکیک پذیریِ خطی را که در غالب مسائل طبقه بندی سیگنالهای نرونی وجود دارد، به وجود آورده است. نتایج بدست آمده از شبیه سازیها نشان می دهند که گرچه این الگوریتم (RBSS) دارای خطای مثبت-کاذب تقریباً مشابهی با سایر الگوریتمها می باشد، با این حال در عین سادگی و با حفظ کمترین پیچیدگی محاسباتی، از سرعت نسبتاً بالاتری برخوردار است.