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:

A Maximum Entropy Test for Evaluating Higher-Order Correlations in Spike Counts
Zitatschlüssel Onken20120
Autor Onken, A. and Dragoi, V. and Obermayer, K.
Jahr 2012
DOI 10.1371/journal.pcbi.1002539
Journal PLoS Computational Biology
Jahrgang 8
Zusammenfassung Evaluating the importance of higher-order correlations of neural spike counts has been notoriously hard. A large number of samples are typically required in order to estimate higher-order correlations and resulting information theoretic quantities. In typical electrophysiology data sets with many experimental conditions, however, the number of samples in each condition is rather small. Here we describe a method that allows to quantify evidence for higher-order correlations in exactly these cases. We construct a family of reference distributions: maximum entropy distributions, which are constrained only by marginals and by linear correlations as quantified by the Pearson correlation coefficient. We devise a Monte Carlo goodness-of-fit test, which tests - for a given divergence measure of interest - whether the experimental data lead to the rejection of the null hypothesis that it was generated by one of the reference distributions. Applying our test to artificial data shows that the effects of higher-order correlations on these divergence measures can be detected even when the number of samples is small. Subsequently, we apply our method to spike count data which were recorded with multielectrode arrays from the primary visual cortex of anesthetized cat during an adaptation experiment. Using mutual information as a divergence measure we find that there are spike count bin sizes at which the maximum entropy hypothesis can be rejected for a substantial number of neuronal pairs. These results demonstrate that higher-order correlations can matter when estimating information theoretic quantities in V1. They also show that our test is able to detect their presence in typical in-vivo data sets, where the number of samples is too small to estimate higher-order correlations directly.
Typ der Publikation Selected:main selected:spikes selected:publications
Link zur Publikation Download Bibtex Eintrag

Navigation

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe