Hierarchical estimation of neural activity through explicit identification of temporally synchronous spikes

ضبط خارج سلولی از نورون های زنده با استفاده از آرایه های میکروالکترودهای در سال های اخیر به عنوان راهی برای بررسی عملکرد و اختلالات مغز توجه اصلی را جلب کرده است. برای رمزگشایی اطلاعات مفید از سیگنال های ضبط شده، تشخیص و مرتب سازی فعالیت های دقیق و کارآمد سنبله عصبی، پیش شرط ضروری می باشد. رویکردهای سنتی بر پایه آستانه برای شناسایی خوشه های فردی و خوشه بندی برای شناسایی گروه های زیر مجموعه تکیه می کنند؛ با این حال، این روش ها قادر به شناسایی سنسورهای همزمان به علت هماهنگی عصبی نیستند. برای مقابله با این چالش، یک الگوریتم مرتب سازی بر اساس جدیدی را معرفی می کنیم که هر دو تکنیک های کمی و احتمالاتی را در بر می گیرد تا اطلاعات حقیقی زمین را در مورد فعالیت نخل افزایش دهد. پیش از خوشه بندی روش جدید برای شناسایی ویژگی های کلیدی که می توانند خوشه های طبیعی ایجاد کنند و تکنیک کاهش ابعاد برای شناسایی فعالیت اسپایکینگ معرفی شوند. برای رسیدگی به پدیده هماهنگی عصبی زمانی که منجر به تشخیص پیوندهای متقاطع چندگانه می شود، یک روش برای برآورد شکل اسپایک شکل و تشخیص تکراری با استفاده از روش همبستگی متقابل که متناسب با نرخ اسپایک فردی نورون است، طراحی شده است. مقایسه عملکرد بین روش پیشنهادی و تکنیک های موجود بر اساس تعداد سنسورها و کارایی مرتب سازی سنبله ها ارائه شده است. نتیجه اثربخشی روش پیشنهاد شده در شناسایی سنسورهای همزمان همزمان نشان می دهد.