ثبت خارج سلولی فعالیت تک نورون های مغزی به عنوان روشی پرطرفدار در تحقیقات حوزه علوم اعصاب و مهندسی توان بخشی عصبی شناخته می شود. این ثبت ها شامل فعالیت همه نورون های اطراف الکترود می شود که برای استفاده بهتر از آن ها باید با روش های طبقه بندی اسپایک به فعالیت تک نورون ها رسید. بر اساس ویژگی های ساختاری نورون مانند درخت دندریتی آن و فاصله و جهت ثابتی که نسبت به الکترود ثبت دارد می توان نتیجه گرفت که شکل اسپایک تولیدی آن منحصر به فرد و ثابت است. با این حال انجام طبقه بندی پتانسیل عمل ها در مقادیر نسبت سیگنال به نویز پایین همواره با چالش هایی همراه است. طبقه بندی اسپایک های نورونی معمولا شامل سه بخش آشکارسازی، استخراج ویژگی و طبقه بندی می شود. در این مقاله روشی بر مبنای بهینه سازی ضرایب ویولت پیوسته در مرحله استخراج ویژگی ها ارایه شد که در مقادیر نسبت سیگنال به نویز پایین نیز کارایی خوبی دارد. در روش پیشنهادی بعد از محاسبه ضرایب ویولت پارامتری شده، با استفاده از معیارهای فاصله اقلیدسی و سطح زیر منحنی مشخصه عملگر گیرنده درطبقه بندی دو گروه، بهترین پارامترها برای افزایش تفکیک پذیری ویژگی ها انتخاب می شوند به طوری که ابتدا مقیاس مناسب با معیار فاصله اقلیدسی پیدا شده و در نهایت انتقال زمانی با معیار دوم انتخاب می شود. در این پژوهش برای خوشه بندی از الگوریتم ساده و در عین حال کارآمد k-means استفاده شده است. برای بررسی و ارزیابی روش پیشنهادی از سه مجموعه داده شبیه سازی شده استفاده گردید که در نه حالت مختلف نسبت سیگنال به نویز و با مدل سازی نویز زمینه از نویز حقیقی ثبت شده تهیه شده بودند. نتایج بهدست آمده از مرتب سازی داده های شبیه سازی شده نشان داد که بهینه سازی پارامترهای تبدیل ویولت پیوسته با روش پیشنهادی می تواند در ارتقای کارایی طبقه بندی اسپایک ها نسبت به روش آنالیز اجزای اصلی موثر واقع شود.