TU Berlin

Neuronale Informationsverarbeitung"Spike Sorting" und Analyse von "Spike Trains"

Neuronale Informationsverarbeitung

Inhalt

zur Navigation

"Spike Sorting" und Analyse von "Spike Trains"

In diesem Projekt entwickeln wir neue Methoden für die schnelle und zuverlässige Analyse von Ableitungen des extrazellulären Feldpotentials. Dabei konzentrieren wir uns auf die Detektion und Klassifikation von Aktionspotentialen in mehr-Kanal-Ableitungen z.B. mittels multi-Elektroden. Unser Ansatz basiert auf optimalen linearen Filtern, die das Signal zu Rauschverhältnis optimal erhöhen und nutzt anschliessend Verfahren der Quellentrennung, um die Filterantworten zu dekorrelieren. Die entwickelten Methoden sind in der Lage überlappende, d.h. fast synchrone Aktionspotentiale zu trennen und passen sich nicht stationären Signalen an. Daher sind sie besonders vorteilhaft für Experimente, bei denen die Messelektroden erst kurz vor dem Experiment in das Gewebe eingebracht werden und dadurch Verschiebungen der Elektroden während des Experiments auftreten. Weiterhin eignen sie sich wegen ihrer Geschwindigkeit für die online Analyse von extrazellulären Ableitungen. Zusammen mit PD Dr. M. Munk (MPI für biologische Kybernetik) werden unsere Methoden auf Daten aus Experimenten mit wachen Affen in einem visuellen Kurzzeitgedächtnistest getestet. In diesem Projekt arbeiten wir zusammen mit Arbeitsgruppen der Universität Freiburg, der Universität Oslo, dem Max Planck Institut für biologische Kybernetik (Tübingen), Thomas RECORDING GmbH (Gießen) und dem Deutschen Neuroinformatik Node (GNode).

Danksagung: Projektförderung durch das BMBF (mittels des Bernstein Center und Bernstein Collaborationen) und die Technische Universität Berlin.

Ausgewählte Publikationen:

An Online Spike Detection and Spike Classification Algorithm Capable of Instantaneous Resolution of Overlapping Spikes
Zitatschlüssel Franke2010b0
Autor Franke, F. and Natora, M. and Boucsein, C. and Munk, M. and Obermayer, K.
Seiten 127 – 148
Jahr 2010
DOI 10.1007/s10827-009-0163-5
Journal Journal of Computional Neuroscience
Verlag Springer
Zusammenfassung For the analysis of neuronal cooperativity, simultaneously recorded extracellular signals from neighboring neurons need to be sorted reliably by a spike sorting method. Many algorithms have been developed to this end, however, to date, none of them manages to fulfill a set of demanding requirements. In particular, it is desirable to have an algorithm that operates online, detects and classifies overlapping spikes in real time, and that adapts to non-stationary data. Here, we present a combined spike detection and classification algorithm, which explicitly addresses these issues. Our approach makes use of linear filters to find a new representation of the data and to optimally enhance the signal-to-noise ratio. We introduce a method called ``Deconfusion'' which de-correlates the filter outputs and provides source separation. Finally, a set of well-defined thresholds is applied and leads to simultaneous spike detection and spike classification. By incorporating a direct feedback, the algorithm adapts to non-stationary data and is, therefore, well suited for acute recordings. We evaluate our method on simulated and experimental data, including simultaneous intra/extra-cellular recordings made in slices of a rat cortex and recordings from the prefrontal cortex of awake behaving macaques. We compare the results to existing spike detection as well as spike sorting methods. We conclude that our algorithm meets all of the mentioned requirements and outperforms other methods under realistic signal-to-noise ratios and in the presence of overlapping spikes.
Typ der Publikation Selected:main selected:spikes selected:publications
Link zur Publikation Download Bibtex Eintrag

Navigation

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe