摘要： 神经元是构成大脑的结构和功能的基本单位,能感知外界世界,传递和处理和存储信息,是执行复杂的脑认知活动的神经基础。中枢神经系统由数量非常庞大的神经元组成,比如人脑有大约1000 亿个神经元。如何能够快速而准确地分类数量庞大的神经元,则是一个巨大挑战,也是我们理解和认识大脑的关键。
我们提取了小鼠初级视觉皮层神经元的形态特征,使用多种机器学习算法对这些细胞进行了分类。我们首先抽提了细胞特征,这些特征包括细胞胞体大小、轴突（树突）密度、轴突（树突）范围、轴突（树突）长度、轴突（树突）相对于胞体中心的重心和轴突分叉个数等。然后对这些细胞特征参量标准化,使不同特征的参量位于大小相同的范围之内（[-1,1]）,以此来消除不同数据大小对分类的影响。使用主成分分析方法（PCA）,正交化特征向量,消除相似特征对分类器的影响,并做降维分析。PCA无法清晰地区分出各类细胞。因此,在PCA降维的基础之上,我们使用方差较大的正交化特征向量来做监督机器学习分类。我们分别尝试了K-近邻算法、逻辑回归、线性支持向量机、非线性核函数支持向量机、高斯过程、感知机神经网络、决策树、随机森林、Adaboost、朴素贝叶斯和二次判别分析。最后,我们又选取了分类结果最好的分类器,再次利用集成学习的方法,构建了新的“多数投票分类器”。
结果显示,k-邻近算法、线性支持向量机、感知机和朴素贝叶斯4种机器学习算法表现相对较好。而决策树、随机森林和逻辑回归4种算法表现次好。非线性支持向量机、高斯过程、AdaBoost和二次判定分析则分类效果比较差。利用机器学习方法,根据小鼠初级视皮层中间神经元的形态特征,可以对神经元进行形态学分类。虽然不同的分类器算法对分类效果有差异,但采取集成学习的方法,基本可以对视皮层神经元正确分类。