动物电生理研究, 需要获得单个神经元胞外的电活动, 根据其电活动来推测其编码的信息。
为了获得神经元胞外放电活动，把一根电极插入动物大脑的某个灰质区域来采集神经元的胞外活动。
promptness但：当该电极插入一块神经元组织以后，电极附近其实有很多的神经元胞体和突触，他们都会以不同的模式放电，编码不同的信息，而这些放电都会被电极采集到。从电极收集到的将是许多放电波形的叠加，分不清哪个波形是哪个神经元所发放的。
Spike Sorting技术：【1】辨认一个电极采集到的神经发放是来自几个不同的神经元？【2】哪些波形是由某个特定的神经元所发放的？
gbr
采集到的信号需要滤波，其中在滤波的时候一般使用300Hz-3000Hz的noncausal 带通滤波器。因为突触间的电活动是低频慢波，被称作局部场电位（LPF），一般在300Hz以下。过高频率的波形都是噪声，一般在3000Hz以上。而胞体的神经冲动是比较高频的快波，因此初步处理后一般在300Hz-3000Hz。
第二步是从高频波中检测 spike。方法是通过设定一个幅度阈值（对应胞内的一个spike的峰值），可以是凭经验手工设定，或者通过软件自动设定。当波形低于一个阈值时（即超过了胞内spike的峰值），就认为这个波形是一个spike，此时，把低于阈值的时间点设为时间0点，取时间0点之前的10个点值，0点之后的38个点值，构成48个点组成的波形。
第三步开始对spikes进行分类。如果人工分类的话，主要依据的是波形。一个被广泛接受的假设是：一个神经元的spike波形在很长的一段时间以内是固定的，电极附近的不同神经元的spike波形是显著不同的。人工根据波形进行分类，在面对大量的数据时是不现实的。所以需要编写程序进行自动分类，分类的依据是波形的特征。因此，做spike sorting时需要提取波形的特征，一般是从波形的离散序列值（48个点）中提取主成分。
第四步就是根据主成分来对波形进行聚类。本文主要是演示如何应用PCA分析方法和聚类
4p是什么意思方法。
实验设计：使停水一天的猴子坐在固定的猴椅上，固定其头部。将已经通过手术植入猴脑运动皮层的电极阵列的导线连接到数据采集设备上。让猴子盯住注视点，然后在屏幕任意位置出现一个白色光环，要求猴子saccade到光环内。若猴子按要求saccade了，即奖励一滴水。此为一个trail。如此重复trail。
数据采集：植入猴脑的电极阵列是由多个单电极组成的阵列，由一个导线把所有针头的信号都传到模拟-数字信号转换器，将模拟信号转换为数字信号，采样频率一般是2000Hz，即每毫秒采集2(1ms/(1000ms/2000Hz))个点。因为每个spike是由48个点组成，因此每个spike的时间被设为了24ms。采集的时候，已经人工设定了阈值，-70mv。下图是采集信号的界面。每个小方格代表一个针头所采集到的信号。
binger
初中英语培训三、数据格式
pca我们取了某个针头所采集到的一个ssion的数据。用matlab打开以后，可以看到一个ssion中含有两项内容，一个是wf字段，一个是stamps字段。前者存储了120407个spike，每个spike有48个值。后者存储了每个spike的时间标签，即记录该spike出现的时间点。数据格式的matlab呈现如下图。
倘若我们选取wf中前520个spike用Matlab画图，其叠加起来会是下图的效果。
四、数据处理--Spike Sorting（避免计算机长时间运行，我们只取了前1000个spike进行分析。）
基于主成分的因子分析：
在Spike Sorting之前，我们需要对数据降维，一般降到2维就可以。SPSS的主成分法因子分析具有降维的作用。通过因子分析，可以获得每个样本在一些主成分上的得分。我们取前2个主成分进行分类即可。
把1000个样本存入SPSS先进行因子分析。
每个样本由49个自变量构成，前48个是数值型，代表一个spike的采样离散值。rockmelon
后面的一个自变量是time，表示这个spike发生的起始时间。
因为每个spike的采集时间都不同，因此不存在相同的time。而且随着样本编号的增加，时间在变大，因为数据是按时间记录的。（为了分析方便，我们暂时把time设定为字符串类型）
SPSS因子分析：（SPSS-->分析-->降维-->因子分析）
在变量一栏里选入48个数值型自变量。在描述中选择“单变量描述性”“原始分析结果”“系数”“反印象”“KMO和Bartellet球形度检验”。在抽取中选择主成分方法，输出未旋转的因子解和碎石图，抽取时要基于特征值并且特征值要大于1。最大收敛性迭代次数是25次。在旋转中选择方法为最大方差法，输出旋转解和载荷图。在得分中选择保存为变量，方法是回归方法，并选择因子得分系数矩阵。选项中按照默认。然后点击确定。（主成分分析需要满足一些基本条件，比如，观测变量之间存在较强的相关关系，否则不能共享公因子。判断相关关系的方法中有KMO何Bartlett检验法。KMO越大越好，这里的0.746是一个远大于0.6的值，说明适合做主成分分析。Bartlett检验的Sig.也极小。同样说明适合做公因子分析或主成分分析。）
gre
barrister
从输出的公因子方差表看到，48个变量每个的提取信息都在0.7以上，表明原始自变量的信息的利用率很高。下图的碎石图表明：前8个主成分已经包含了大量的信息。
最后得到了每个样本在11个主成分上的得分。我们只使用前两个主成分进行聚类。在聚类前，我们先用前3个主成分画出一个3D的散点图：人造鱼翅
从图中看出，分为两类比较合适。可是，我们发现用第1个主成分和第3个主成分比用第1个主成分和第2个主成分更能表现出聚集效应，如下图所示：
分别用这两个选择来进行聚类，即先用F1和F3聚类，然后用F1和F2聚类，然后进行比较。
聚类分析：
我们的数据包括了Time, F1,F2,F3四个变量，先用F1和F2进行聚类分析。
采用系统聚类分析法。分群时选择个案，输出时选择统计量和图。统计量中选择合并进程表和相似性矩阵。聚类成员选单一方案：2。因为是要聚成2类。绘制图时选择树状图，在冰柱中选择所有聚类。方向垂直。方法中选择Ward方法，区间选择平方欧几里得距离。转化值中默认，因为各变量量纲一致。保存中选择单一方案，聚类数2。下图是聚类结果，只有4个案例归于第二类，与直观感受出入很大。
