[发明专利]一种采用多模态信息对非人灵长类神经元分类的分析方法

权利要求书

1.一种采用多模态信息对非人灵长类神经元分类的分析方法，其特征在于：所述的方法包括步骤如下：

获取待分类的非人灵长类神经元的电生理信号、形态信息、基因信息三个模态的多个特征；

分别构建电生理信号、形态信息、基因信息三个模态对应的分类模型，根据预先建立的数据库分别对分类模型进行训练，所述的分类模型均包括随机森林模型、逻辑回归模型；

将待分类的非人灵长类神经元的电生理信号、形态信息、基因信息对应的特征分别输入对应训练好的分类模型中；其中，随机森林模型对输入的特征进行处理，得到特征向量和特征向量的重要性；将特征向量和特征向量的权重输入逻辑回归模型，最终输出对应每个神经元特征属于每个类别的预测概率；

对三个模态下预测得到每个类别的预测概率进行加权平均，将得到预测概率最高对应的类别为最终的分类结果。

2.根据权利要求1所述的采用多模态信息对非人灵长类神经元分类的分析方法，其特征在于：分别建立对应每个模态的数据库，对每个模态的数据库进行预处理，所述的预处理包括去除噪声、填补缺失值。

3.根据权利要求1所述的采用多模态信息对非人灵长类神经元分类的分析方法，其特征在于：对分类模型进行训练，具体如下：

将数据库划分为训练集与测试集，所述训练集包括依据标注的细胞类别选出不同细胞类别之间差异最大的特征子集；

对每个模态，将其特征对应训练集中的特征子集输入对应的随机森林模型进行训练，得到本轮预测结果；

采用评估预测结果与专家标注的差异评估随机森林模型的性能是否符合要求；若不符合要求，则继续训练；

若符合要求，则训练结束，并把随机森林模型中的决策树集成得到的各个特征的重要性与特征向量共同作为逻辑回归模型的输入变量；

所述逻辑回归模型输出每个神经元属于不同类别的预测概率；

最终采用最大似然估计法来优化分类模型的参数。

4.根据权利要求3所述的采用多模态信息对非人灵长类神经元分类的分析方法，其特征在于：对每个模态，将其特征对应训练集中的特征子集输入对应的随机森林模型进行训练，具体如下：

对每个模态，将其特征对应训练集中的特征子集用有抽样放回的方法选取个神经元样本作为一个决策树的训练集，用抽样得到的样本集生成一棵决策树，输入对应的随机森林模型进行训练，得到个决策树；

用训练得到包括个决策树的随机森林对测试样本进行预测，得到k个 决策树预测，用软投票法综合k个预测，决定随机森林模型本轮预测的结果。

5.根据权利要求4所述的采用多模态信息对非人灵长类神经元分类的分析方法，其特征在于：采用指数获取每个特征的重要性：

计算第颗决策树的节点的指数；

其中，表示节点中类别所占的比率，表示类别总数，；都是类别的符号，其中，是两个不同的类别，是指第i棵决策树中，节点 中类别所占的比例；

特征在第颗决策树中出现的节点的重要性，也即节点q分支前后的指数变化量为：

其中，和分别表示分支后两个互不相同新节点的指数，；表示特征的总数；

特征在第颗决策树出现的节点为集合，则在第颗树的重要性为：

由此随机森林模型中共有颗树，则有：

；

由此计算所有特征的基尼指数评分。

6.根据权利要求5所述的采用多模态信息对非人灵长类神经元分类的分析方法，其特征在于：所述逻辑回归模型的公式表达式，具体如下：

其中，表示样本的第个特征，，表示神经元所属类别，表示神经元类别的编号，，表示样本属于类别的概率，与是逻辑回归模型的系数。

7.根据权利要求6所述的采用多模态信息对非人灵长类神经元分类的分析方法，其特征在于：在逻辑回归模型中，令：

其中，表示样本的第个特征，表示每个特征对应的权重；表示预测结果；

把随机森林评估的特征重要性结果用于调整逻辑回归模型，则有：

；

其中， 表示随机森林模型中的到的特征重要性。