神经科学的探索拓进很大程度上依赖于采集设备和对神经元信息解码的能力。发展神经科学的主要目的是挖掘信息如何在神经元中进行表达与传递。植入式脑机接口采集神经元发放的电生理信号最流行的技术之一是使用细胞外电极装置。电极装置的每个电极可以捕捉到其附近神经元发放的锋电位信号。电极采集到的神经元电生理活动需要经过处理,整个信号的处理过程被称为锋电位分类。锋电位分类算法主要由滤波、检测、特征提取和聚类四部分组成。锋电位分类过程中所有步骤的精确度对随后解码准确性等均有重要影响。目前,有多种问题影响神经元锋电位分类算法精确度,包括采集数据信噪比较低、低幅值锋电位易于噪声混淆以及神经元锋电位形状相似度较高不易分离等。综上所述,亟需开发一种既适应低信噪比、低幅值神经元锋电位数据,且在形状相似神经元锋电位信号中有较高聚类精度的锋电位分类算法。基于以上内容,本文分别引入了两种算法。具体工作内容如下:1.针对锋电位信号检测中常出现的低信噪比、低幅值锋电位难检测问题,本文提出了一种基于启发式阈值的锋电位检测算法。算法首先优化了所使用的椭圆滤波器参数,降低有用信号的衰减,充分保留低幅值锋电位。其次,针对低信噪比锋电位数据,使用启发式阈值检测公式,设置相关参数并不断调整优化,有效降低混入的噪声干扰,提高了锋电位算法检测精度。该算法在英国莱斯特大学神经工程实验室提供的细胞外模拟记录数据中进行验证,结果表明,算法在低信噪比数据中的平均检测精度可达65.21%,且在低幅值数据中保持较低的漏检数与误检数。此外,在基于猕猴多目标物体伸展抓握运动范式下采集的植入式脑电数据的实验结果证明,即使在不确定背景噪声的真实数据中,本文提出的算法仍可有效地用于锋电位信号检测。2.针对低信噪比、相似形状锋电位不易聚类问题,本文提出了一种基于改进动态时间规整的K多均值锋电位聚类算法。使用不易受噪声干扰的总布雷格曼散度对动态时间规整算法进行改进,形成一种新的距离度量并用于K多均值聚类算法中进行锋电位聚类。在低信噪比和包含形状相似度较高锋电位的两个模拟数据中进行实验分析,结果表明,该算法降低了数据的漏聚个数以及误聚个数,提高了聚类的精确度。其次,将所提算法用于人类颞叶以及采集的猕猴真实数据集上进行聚类验证,实验可得,真实数据信号中的锋电位被聚集成了不同的类别,表明所提聚类算法能够有效处理真实记录的生物神经元信号,为后续解码工作奠定基础。