方案2 数据分析及结果举例

一个相对比较新的方法是本实验室建立的基于主成分分析的与刺激分离（辨识）计算相结合的算法。与上文中提到的其他分析方法相比较，这个方法具有多个优点。 首先，此方法可根据传入的群体响应对不同刺激进行辨别能力的量化，因而能直接比较不同传入群体响应的编码能力，这对于总体编码的研究是必要的。其次，基于 这个方法，可以对每个传入在对一个刺激的总体响应中的作用做出评价。第三，这个方法主要目的在于对刺激进行甄别，并对感受器传入的不同组合的甄别能力进行 比较，并在此基础上对尚不清楚的CNS的解码机制提出假设。最后，这个方法是立足于对刺激引起的传入活动的同步记录。因为以往关于群体编码的知识主要来源 于单电极逐个记录，由此而提出的一些假设，以及对总体行为的推论尚有待推敲。而新方法有了重要的改进。

同步记录的肌梭传入群体活动对刺激进行甄别的能力可以由群体放电对5 种不同的刺激进彳了区分的情况得到评价。这个方法详见Johansson 等（1995a,b)、Bergenheim 等(1995,1996)的文章。以下仅对这种方法的基本特性做一个简要的总结。

一、多变量分析

肌梭对正弦张力的群体响应如数据表所示（图17-7A)。这张表的每一行含有对应于一个刺激的所有数据（也就是一个伸展序列)。每个传入响应由表中500列数据表达，对应于表达不同传入的每个变量连续地由每行数据所表达（图17-7A)。

第一步，对数据表进行PCA 运算。数据表的行表示々维空间的点（P=变量或表中列的数目）。我们对数据的最初三个主成分进行了计算；在这种方式下，P维系统降维至三维空间。在我们的实验中，三个主成分足以对数据的90% 以上的^化进行描述。计算得到的主成分的显著性可以通过互证方法（cross-validation)进行检验；>我们的PCA 分析由算法软件（SIMCA，Umetri，Sweden) 在 PC-486 计算机上运行。

二、刺激分离的量化

经 PCA运算，每次刺激响应均构成由最初的三个主成分构成的三维系统中的一个点。一个特定的正弦波幅的三个目标构成一个目标组（图17-7B)。我们设计了一个算法对 p 维空间中的刺激分离的平均量进行估计。这个算法计算了超平面中所有不^目标组之间的距离，也考虑了目标组中目标的分布（图17-7C)。算法原则在于使目标组之间距离达到最大，而目标组内分布达最小。因此，就能得到对一个传入群体的分离程度的相对估计，关于更为详尽的描述，见 Bergenheim等（1995，1996)、Johansson等(1995a,b)的文章。

三、结果

实验结果的一个例子见图17-8。图中显示了基于所有传入纤维组合得到的刺激分离的计算平均值。实验中对 16 个传入纤维（11 个初级肌梭，一个次级肌梭，以及 4个高尔基腱器）进行同步记录。刺激条件共有 5种，包括不同幅度的正弦牵拉。图中实心圆点为自 11 个初级肌梭群体组合得到的刺激分离平均值。空心圆点为自包含 3 种纤维 (所有16 个传入纤维）的所有记录得到的刺激分离平均值。正如图中给出的，不管对初级肌梭、次级肌梭和高尔基腱器的混合传入进行记录或仅仅来自初级肌梭的传入进行记录，群体中纤维数量越大，对刺激的区分越有效；当传入数量达到一定时，可以得到最大的分辨能九而分辨能力的变异性则随总体数量的增加而减小。这些结果清晰地显示，初级肌梭、次级肌梭和高尔基腱器的混合传入在不同肌肉伸展时分辨更佳，而在只有一种传入群体时，效果就差一些。这些结果证实了这么一个理论上的预言，就是至少有两个因素对群体的编码能力而言是重要的：一个是群体中的单个感受器并不对同样的刺激产生同样的响应，其二是总体中单个感受器的敏感性的分布曲线是相互重叠的。因而，由初级肌梭、次级肌梭和高尔基腱器组成的传人混合群体，其中的单个传入纤维的响应曲线或敏感性曲线的变异性当然会大于只有初级肌梭群体中单个传入纤维的变异性。