神经元是组成大脑最基本的单位,监测大脑单个神经元的活动有助于理解大脑的工作机制。实际中,采集到的神经元电信号往往是同一脑区内多个神经元电信号的叠加,可以使用锋电位分离(Spike Sorting)方法把叠加在一起的神经元信号分离出来。锋电位分离方法主要分为三步:锋电位检测、特征提取和聚类。本论文主要研究了锋电位分离的聚类算法,分别在加权投票算法和谱聚类算法的基础上,引入局部加权的思想对二者进行改进,并将其运用到锋电位分离方法中,以提高锋电位分离的性能。具体内容如下:首先,介绍了锋电位分离方法的框架,包括锋电位检测、特征提取以及聚类算法。每个神经元发放的电信号都有自己独特的锋电位,可以根据这个特点使用锋电位分离方法对神经元发放的锋电位进行分离,从而把叠加在一起的神经元也分离出来。锋电位检测可以把神经元电信号的锋电位提取出来,然后使用特征提取方法提取锋电位的特征,最后使用聚类算法对得到的特征空间进行聚类,最终完成锋电位分离。然后,提出了一种局部加权投票算法。加权投票法是一种聚类集成算法,具有实现简单、执行高效等特点。然而,传统的加权投票法是在聚类成员的基础上进行统一加权的,没有考虑到聚类成员中每个类簇的不可靠性,在一定程度上影响了聚类的性能。本论文引入香农熵的概念来评估每个类簇的聚类不可靠性,并根据其不可靠性对每个类簇赋予相应的权重,提出了一种局部加权投票算法。实验结果表明,所提的局部加权投票算法的聚类性能优于加权投票算法。接着,提出了一种基于局部加权共协矩阵的谱聚类算法。谱聚类算法可以在任意形状的数据集上进行聚类,并能获得全局最优解。然而,传统的谱聚类算法使用高斯核函数构造相似矩阵,不易调参,且选用哪种距离测度也是个问题。局部加权共协矩阵建立在聚类集成基础之上,融合了各个聚类成员的信息,能提高聚类结果的准确性及稳定性,同时也可避免计算样本之间的距离。本论文采用局部加权共协矩阵构造相似矩阵,提出了一种基于局部加权共协矩阵的谱聚类算法。实验结果表明,基于局部加权共协矩阵的谱聚类算法的聚类性能优于传统的谱聚类算法。最后,将局部加权投票算法和基于局部加权共协矩阵的谱聚类算法分别用于锋电位分离。实验结果表明,基于局部加权共协矩阵谱聚类的锋电位分离方法的准确度略优于基于局部加权投票算法的锋电位分离方法。但基于局部加权共协矩阵谱聚类的锋电位分离方法的运行时间明显长于基于局部加权投票算法的锋电位分离方法。