[论文解读] A Wavelet Analysis of Transient Spike Trains of Hodgkin-Huxley Neurons

Hideo Hasegawa|arXiv (Cornell University)|Sep 25, 2001

Neural Networks and Applications参考文献 3被引用 4

一句话总结

本文将连续小波变换（CWT）和离散小波变换（DWT）应用于霍奇金-赫克斯利神经元的瞬态脉冲列分析，表明小波分析在捕捉非平稳脉冲信号的时频动态特性方面优于傅里叶变换。主要发现表明，脉冲发放时间比波形细节更为关键，且基于小波的去噪方法能有效保持信号完整性并降低噪声，尤其在优化尺度与平移阈值时效果更佳。

ABSTRACT

Transient spike trains consisting of $M$ (= 1 - 5) pulses generated by single Hodgkin-Huxley (HH) neurons, have been analyzed by using both the continuous and discrete wavelet transformations (WT). We have studied effects of variations in the interspike intervals (ISI) of the spikes and effects of noises on the energy distribution and the wavelet entropy, which are expressed in terms of the WT expansion coefficients. The results obtained by the WT are discussed in connection with those obtained by the Fourier transformation.

研究动机与目标

• 研究小波变换如何相较于传统傅里叶分析更优地表征瞬态非平稳脉冲列。
• 考察峰间间隔（ISI）变化及噪声对单个神经元脉冲活动中能量分布与小波熵的影响。
• 开发并比较基于小波的去噪技术，以在抑制噪声的同时保留脉冲发放时间。
• 通过对比真实HH脉冲与理想化脉冲函数的变换结果，评估在神经编码中脉冲波形形状或发放时间何者携带更多信息。

提出的方法

• 采用在时域与频域均局域化的母小波进行连续小波变换（CWT），以分析瞬态脉冲信号。
• 应用具有双尺度分解的离散小波变换（DWT），将信号表示在二维（尺度，平移）参数空间中。
• 采用两种去噪方法：方法I对低于临界值 $a_{\rm c}$ 的尺度上的小波系数置零；方法II在低于 $a_{\rm c}$ 的尺度上额外施加时域空间窗函数。
• 通过平方小波系数定义信噪比（SNR）：$\eta = \log_{10}(A_{\rm s}/A_{\rm n})$，其中 $A_{\rm s}$ 和 $A_{\rm n}$ 分别为去噪后与残余分量的能量。
• 比较真实霍奇金-赫克斯利脉冲列与理想化1毫秒方波脉冲的小波能量密度分布，以分离脉冲发放时间的贡献。
• 利用归一化小波系数功率谱导出的小波熵，量化信号的有序性/无序性。

实验结果

研究问题

• RQ1 小波分析与傅里叶变换相比，在表征霍奇金-赫克斯利神经元瞬态非平稳脉冲列方面表现如何？
• RQ2 峰间间隔（ISI）的变化在多大程度上影响脉冲信号的小波能量分布与熵？
• RQ3 不同噪声水平如何影响基于小波的信噪比（SNR）与去噪性能？
• RQ4 小波分析揭示，在神经编码中，动作电位的详细波形形状还是其发放时间携带更多信息？
• RQ5 基于小波的去噪方法能否在有效去除噪声的同时保留生物上相关的脉冲发放时间？

主要发现

• 在时-尺度平面上，小波熵与能量分布能有效捕捉瞬态脉冲列的非平稳动态特性，优于基于傅里叶的谱熵。
• 方法II（在尺度阈值基础上增加时域空间滤波）比方法I更有效地减少虚假脉冲，尤其在 $t \sim 200$ ms 时表现更优。
• 对于 $M=3$ 个脉冲，方法II计算的SNR在 $D=0$ 时基线显著更高，这是由于低尺度分量的噪声贡献减少，且随噪声水平 $D$ 增加而单调下降。
• 1毫秒方波脉冲的小波变换在 $a \gtrsim 4$ 的尺度上与原始霍奇金-赫克斯利脉冲的小波变换高度一致，表明脉冲发放时间而非波形形状是信息传递的主要载体。
• 基于小波的分析表明，神经活动中如伽马波等振荡模式在时频空间中比傅里叶方法更清晰地被分辨，尤其适用于瞬态爆发。
• 结果表明，神经系统可能隐式采用类似小波的变换，以实现亚毫秒时间域内的高效、高分辨率信息处理。