Ανάπτυξη και εφαρμογή αλγορίθμων νευροπληροφορικής για την ανάλυση βιοηλεκτρικών σημάτων

Abstract

Spike sorting procedures are based on the assumption that all the action potential traces of a particular neuron have nearly the same amplitude and shape. The shapes of recorded spike waveforms mainly depend on neuron’s geometry and on its distance to the recording electrode. The goal of a spike sorting routine is to process and analyze the usually composite recorded signals in order to identify the number of active neurons and extract detailed time courses of their spiking activity. Related algorithms constitute the core methodological component in Neuroinformatics, ranging from traditional neurophysiological experiments and clinical/neuroscience studies to cortex-machine interfaces. In this thesis various algorithmic procedures are proposed to successfully address the open challenges in the spike sorting domain. As a first step, a widely used spike sorting algorithm is being evaluated for single-electrode nerve trunk recordings. The algorithm is based on Principal Component Analysis (PCA) for spike feature extraction. In the neuroscience literature it is generally assumed that the use of the first two or most commonly three principal components is sufficient. We estimate the optimum PCA-based feature space by evaluating the algorithm’s performance on simulated series of action potentials. Correlated and white Gaussian noise are superimposed to account for biological and artificial jitter in the recordings. We introduce a new metric to define clustering error considering over-clustering more favorable than under-clustering, as proposed by experimentalists. We report that the employment of more than three principal components is in general beneficial in every case considered. Furthermore, a number of modifications are made to the open source nev2lkit software to enable systematic investigation of the parameter space. The enhanced version of the software is available online. Next, the challenges of background noise and spike overlaps, which pose problems in contemporary spike sorting strategies, are addressed. A hybrid scheme is introduced, that combines the robust representation of spike waveforms to facilitate the reliable identification of contributing neurons with efficient data learning to enable the precise decomposition of coactivations. The introduced algorithm is better characterized as semi-supervised, noise-assisted strategy of empirical nature. Efficiency is inherited from the incorporation of well-established algorithms. Moreover, robustness is guaranteed by adaptation to the actual noise properties of a given dataset. Its validity has been verified via extensive experimentation, using realistically simulated data, under different levels of noise. Finally, a graph-theoretical algorithmic procedure is proposed that successfully resolves the identification of the actual number of active neurons in a neural recording. This decision is still an open issue in spike sorting, with sparsely firing neurons and background activity the most influencing factors. Dimensionality reduction coupled with a modern, efficient and progressively-executable clustering routine proved to achieve higher performance standards than popular spike sorting methods. The proposed method is validated extensively using simulated data for different levels of background noise and found to outperform conventional techniques even in the case of a sparse-firing neuron

Οι αλγόριθμοι νευροπληροφορικής τύπου spike sorting βρίσκονται στον πυρήνα της πειραματικής μεθοδολογίας για την αντιμετώπιση πολλών προβλημάτων στη σύγχρονη Νευροεπιστήμη. Το εύρος της εφαρμογής τους εκτείνεται από πειράματα κλασικής νευροφυσιολογίας έως την κλινική εγχειρητική πρακτική, τα συστήματα διεπαφής εγκεφάλου-μηχανής και τη λειτουργική χαρτογράφηση δομών του εγκεφάλου. Ο στόχος των αλγορίθμων spike sorting είναι η ανάλυση πειραματικών εξωκυτταρικών ηλεκτρικών καταγραφών σύνθετης νευρικής δραστηριότητας για την εξαγωγή και απομόνωση της ατομικής δραστηριότητας κάθε νευρώνα. Η παρούσα διατριβή αντιμετωπίζει τα ανοιχτά προβλήματα στο επιστημονικό πεδίο του spike sorting. Τα προβλήματα αφορούν στην ορθή εκτίμηση του αριθμού των ενεργών νευρώνων στη διάρκεια της καταγραφής των δεδομένων, ιδιαίτερα δε στις περιπτώσεις ενεργών νευρώνων με σποραδική δραστηριότητα. Επίσης αφορούν στην ταυτοποίηση των σύνθετων κυματομορφών που προκύπτουν από τυχαίες υπερθέσεις ιχνών δυναμικών ενέργειας των ενεργών νευρώνων στα δεδομένα. Ο κοινός παράγοντας που δυσχεραίνει την επίλυση των παραπάνω προβλημάτων είναι ο θόρυβος υποβάθρου στα δεδομένα. Αρχικά αντιμετωπίζεται το πρόβλημα της ορθής αναγνώρισης του πλήθους των ενεργών νευρώνων στην εργαστηριακή πρακτική. Πιο συγκεκριμένα διερευνάται παραμετρικά η εφαρμογή της δημοφιλέστερης κατηγορίας αλγορίθμων spike sorting στην εργαστηριακή πρακτική που βασίζεται στην ανάλυση κύριων συνιστωσών για την ελαχιστοποίηση της διαστατικότητας των δεδομένων. Για το σκοπό αυτό διερευνάται η επίδραση διαφόρων τύπων και μεταβαλλόμενων επιπέδων προσομοιωμένου Γκαουσιανού θορύβου στην παραμετροποιημένη εφαρμογή της μεθόδου σε προσομοιωμένα δεδομένα νευρικών καταγραφών. Η παραμετροποιημένη χρήση της μεθόδου έχει ενσωματωθεί επιπρόσθετα στο λογισμικό ανοιχτού κώδικα nev2lkit, προσφέροντας έτσι τη δυνατότητα για τη βέλτιστη εφαρμογή της σε κάθε τύπου εργαστηριακά δεδομένα. Η βελτιωμένη έκδοση του λογισμικού είναι διαθέσιμη στο διαδίκτυο. Στη συνέχεια παρουσιάζεται ο καινοτόμος αλγόριθμος NASS που αντιμετωπίζει με επιτυχία τα ίχνη από υπέρθεση, παρουσία υψηλών επιπέδων θορύβου του υποβάθρου, και αποτελεί την κυριότερη συμβολή της διατριβής. Η αδυναμία του χειρισμού των ιχνών από υπέρθεση δυναμικών ενέργειας έχει επισημανθεί ως αιτία για τη λανθασμένη ανίχνευση συσχετίσεων μεταξύ εγκεφαλικών δομών στην ερευνητική πρακτική. Ο νέος αλγόριθμος αναλύει επιτυχώς τα ίχνη από υπέρθεση στις αρχικές συνιστώσες, αξιοποιώντας μεθόδους από τα επιστημονικά πεδία της θεωρίας γράφων και της υπολογιστικής νοημοσύνης. Η συγκριτική αξιολόγηση της επιτυχίας του αλγορίθμου γίνεται με τη χρήση προσομοιωμένων ιχνών δυναμικών ενέργειας, παρουσία εργαστηριακού θορύβου μεταβαλλόμενων επιπέδων από πραγματικές εξωκυτταρικές καταγραφές. Για τη σύγκριση χρησιμοποιούνται σύγχρονοι ανταγωνιστικοί αλγόριθμοι από το χώρο του spike sorting. Ο αλγόριθμος αξιολογείται επίσης επιτυχώς και σε δημόσια διαθέσιμα προσομοιωμένα δεδομένα συνεχών καταγραφών από εγκεφαλικές δομές, με την παρουσία διακριτών επιπέδων προσομοιωμένου θορύβου. Τέλος παρουσιάζεται ένας καινοτόμος αλγόριθμος με δυνατότητα αυτόματης αναγνώρισης του αριθμού των ενεργών νευρώνων σε δεδομένα εξωκυτταρικά καταγεγραμμένης νευρικής δραστηριότητας. Ο αλγόριθμος αξιοποιεί μεθόδους από το επιστημονικό πεδίο της θεωρίας γράφων. Η συγκριτική αξιολόγηση της επιτυχίας του αλγορίθμου γίνεται με τη χρήση προσομοιωμένων δεδομένων νευρικής δραστηριότητας με την παρουσία διακριτών επιπέδων εργαστηριακού θορύβου από πραγματικές εξωκυτταρικές καταγραφές. Για τη σύγκριση χρησιμοποιείται ο ανταγωνιστικότερος σύγχρονος αλγόριθμος στο χώρο του spike sorting. Ο προτεινόμενος αλγόριθμος ανταποκρίνεται με επιτυχία ακόμη και στην ειδική περίπτωση της παρουσίας ενός νευρώνα με σποραδική δραστηριότητα, σε περιβάλλον υψηλών επιπέδων θορύβου