改进的空间分解方法：一种用于 spike sorting 的稳健聚类技术

基于摘要分析。本文研究神经元 spike sorting 中簇重叠、簇规模不平衡及高维聚类计算开销问题，提出 Improved Space Breakdown Method（ISBM），并提出一种不惩罚过度聚类的聚类验证指标。主要研究对象是细胞外神经元尖峰的聚类分选，而非 EEG 解码。 原始 Space Breakdown Method（SBM）将各特征的取值范围划分为等宽区间，通过统计网格中的点数识别簇中心，再扩展中心以形成簇。其中心识别与扩展机制旨在处理重叠簇，但高维情形的计算代价较高。ISBM 的两项核心改动是以图结构替换原有数组结构，并使分区数量依赖于具体特征。摘要未给出图的构建方式、分区数的确定规则或复杂度表达式，这些实现细节尚未验证。 作者使用具有真实标签的模拟神经数据开展评估，理由是实际细胞外记录通常没有可直接用于验证的标签。作者报告，在合成数据评估中，ISBM 相较原始 SBM 降低了空间与时间复杂度，并在神经数据上的聚类表现优于所比较的其他算法；摘要未提供数据规模、维度、噪声条件、对照算法名称及具体指标数值，不能据此量化优势或外推至真实记录。 新增验证指标不惩罚过度聚类，作者认为这更适合 spike sorting 评估。阅读时需核对其对单个神经元被拆分成多个簇、不同神经元被合并等错误的处理方式，以及指标偏好是否影响算法排序。材料提供了代码地址，但代码可运行性、实验协议、消融及统计信息尚未验证；模拟数据上的结果也尚不足以确认真实细胞外记录中的分选可靠性。