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:

Spike Sorting of Multi-Site Electrode Recordings
Zitatschlüssel Vollgraf2005
Autor Vollgraf, R. and Munk, M. and Obermayer, K.
Seiten 85 – 113
Jahr 2005
Journal Network - Computation in Neural Systems
Jahrgang 16
Zusammenfassung We derive an optimal linear filter, in order to reduce the distortions of the peak amplitudes of action potentials in extra-cellular multitrode recordings, which are due to background activity and overlapping spikes. This filter is learned very efficiently from the raw recordings in an unsupervised manner, and responds to the average wave form with an impulse of minimal width. The average wave form does not have to be known in advance, but is learned together with the optimal filter. The peak amplitude of a filtered wave form is a more reliable estimate for the amplitude of an action potential than the peak of the biphasic wave form and can improve the accuracy of the event detection and clustering procedures. We demonstrate a spike sorting application, in which events are detected using the Mahalanobis distance in the $N$-dimensional space of filtered recordings as a distance measure, and the event amplitudes of the filtered recordings are clustered in order to assign events to individual units. This method is fast and robust, and we show its performance by applying it to real tetrode recordings of spontaneous activity in the visual cortex of an anesthetized cat and to realistic artificial data derived therefrom.
Typ der Publikation Selected:spikes
Download Bibtex Eintrag

Navigation

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe