Spike sorting technologies support neuroscientists to access the neural activity with single-neuron or single-action-potential resolutions. However, conventional spike sorting technologies perform the feature extraction and the clustering separately after the spikes are well detected. It not only induces many redundant processes, but it also yields a lower accuracy and an unstable result especially when noises and/or overlapping spikes exist in the dataset. To address these issues, this paper proposes a unified optimization model integrating the feature extraction and the clustering for spike sorting. Unlike the widely used combination strategies, i.e., performing the principal component analysis (PCA) for spike feature extraction and the K-means (KM) for clustering in sequence, interestingly, this paper finds the solution of the proposed unified model by iteratively performing PCA and KM-like procedures. Subsequently, by embedding the K-means++ strategy in KM-like initializing and a comparison updating rule in the solving process, the proposed model can well handle the noises and overlapping interference as well as enjoy a high accuracy and a low computational complexity. Finally, an automatic spike sorting method is derived after taking the best of the clustering validity indices into the proposed model. The extensive numerical simulation results on both synthetic and real-world datasets confirm that our proposed method outperforms the related state-of-the-art approaches.

中文翻译：

---

穗分类的特征提取与聚类统一优化模型

峰值排序技术支持神经科学家以单神经元或单动作电位分辨率访问神经活动。然而，常规的尖峰分类技术在很好地检测到尖峰之后分别执行特征提取和聚类。它不仅会导致许多冗余过程，而且还会导致较低的准确性和不稳定的结果，尤其是当数据集中存在噪声和/或重叠的尖峰时。为了解决这些问题，本文提出了一个统一的优化模型，该模型整合了特征提取和聚类的峰值排序。有趣的是，与广泛使用的组合策略不同，即执行主成分分析（PCA）进行峰特征提取和K-均值（KM）进行顺序聚类，本文通过迭代执行PCA和类似KM的程序来找到所提出的统一模型的解决方案。随后，通过将K-means ++策略嵌入到类似KM的初始化过程中，并在求解过程中加入比较更新规则，该模型可以很好地处理噪声和重叠干扰，并具有较高的精度和较低的计算复杂度。最后，将最佳的聚类有效性指标引入所提出的模型中，得出了一种自动峰值排序方法。在合成数据集和真实数据集上的大量数值模拟结果证实，我们提出的方法优于相关的最新方法。通过将K-means ++策略嵌入到类似KM的初始化和比较更新规则的求解过程中，该模型可以很好地处理噪声和重叠干扰，并具有较高的精度和较低的计算复杂度。最后，在将最佳聚类有效性指标引入所提出的模型后，得出了一种自动峰值排序方法。在合成数据集和真实数据集上的大量数值模拟结果证实，我们提出的方法优于相关的最新方法。通过将K-means ++策略嵌入到类似KM的初始化和比较更新规则的求解过程中，该模型可以很好地处理噪声和重叠干扰，并具有较高的精度和较低的计算复杂度。最后，将最佳的聚类有效性指标引入所提出的模型中，得出了一种自动峰值排序方法。在合成数据集和真实数据集上的大量数值模拟结果证实，我们提出的方法优于相关的最新方法。将最佳的聚类有效性指标引入所提出的模型后，得出了一种自动的峰值排序方法。在合成数据集和真实数据集上的大量数值模拟结果证实，我们提出的方法优于相关的最新方法。将最佳的聚类有效性指标引入所提出的模型后，得出了一种自动的峰值排序方法。在合成数据集和真实数据集上的大量数值模拟结果证实，我们提出的方法优于相关的最新方法。