峰电位分类对了解大脑活动具有重要意义,例如,数以百计可植入体内的微电极阵列,有望为神经衰弱患者有关的神经科学基础学科研究提供希望。一般来说,峰电位分类是从细胞外的电极记录数据中获取有用信息的过程。随着神经元的峰电位采集技术的发展,如今的多电极可以同时采集数以千计的神经元峰电位信号。在这种情形下,各神经元可能会同时放电产生峰电位信号,此时电极的记录数据中将会包含叠加峰电位信号。如何解决叠加的峰电位分类是一个值得研究的问题,现有的聚类方法在峰电位分类中具有准确率高,算法复杂度低的优点,但是当有峰电位叠加现象时,聚类方法在分类中容易产生较高的错误率。连续基追踪(CBP,Continuous Basis Pursuit)算法能够较好地解决叠加峰电位分类问题,但是当不同神经元产生的峰电位波形较为相似时,该方法难以正确地进行峰电位分类。鉴于此,本文分别采用稀疏编码和压缩感知算法来解决叠加峰电位分类问题,首先,通过卷积模型分析叠加峰电位产生过程。其次,由聚类的中心点得到各神经元峰电位模板,将峰电位模板选用不同程度的时移构成了卷积模型的托普利兹矩阵。然后分别采用稀疏编码和压缩感知算法求解卷积模型中的稀疏信号,通过最大后验估计方法对稀疏信号进行搜索,以此实现峰电位分类。为了验证稀疏编码和压缩感知算法的有效性与可行性,在实验中,我们选取了三组仿真数据、二组实测数据进行验证。实验结果显示,与k-均值聚类,超顺磁聚类(SPC,Superparamagnetic Clustering)相比,所提算法有着较低的错误数。另外,当实验数据中的峰电位波形相似时,稀疏编码有着96.3%、压缩感知有着97.3%的平均分类检测率,与CBP的93.3%的平均分类检测率相比,所提算法有着一定的性能提升。