سنبله و کانال

Pachitariu ، M ؛استینمتز ، ن ؛کادیر ، س ؛Carandini ، M ؛هریس ، ک ؛(2016)

مرتب سازی سریع و دقیق سنبله پروب های شمارش کانال بالا با کیلوسورت.(

]. در: لی ، DD و Sugiyama ، M و Luxburg ، UV و Guyon ، I و Gaett ، R ، (Eds.) پیشرفت در سیستم های پردازش اطلاعات عصبی 29 (NIPS 2016). مجموعه مقالات NIPS: بارسلونا ، اسپانیا.

خلاصه

فناوری جدید سیلیکون باعث می شود ضبط های الکتروفیزیولوژیکی در مقیاس بزرگ در داخل بدن از صدها تا هزاران کانال باشد. تفسیر این ضبط ها نیاز به روشهای خودکار مقیاس پذیر و دقیق برای مرتب سازی سنبله دارد که باید زمان مورد نیاز برای درمان دستی نتایج را به حداقل برساند. در اینجا ما Kilosort را معرفی می کنیم ، یک چارچوب جدید مرتب سازی سنبله یکپارچه که از الگوی تطبیق هم در هنگام تشخیص سنبله و هم در طول خوشه بندی سنبله استفاده می کند. Kilosort ولتاژ الکتریکی را به عنوان مجموعه ای از شکل موج های الگو در زمان سنبله ایجاد می کند ، که اجازه می دهد تا سنبله های همپوشانی شناسایی و حل شوند. بر خلاف الگوریتم های قبلی که داده ها را با PCA فشرده می کنند ، Kilosort بر روی داده های خام کار می کند که به آن اجازه می دهد تا یک مدل دقیق تر از شکل موج بسازند. زمان پردازش سریعتر از الگوریتم های قبلی به لطف بهینه سازی مبتنی بر دسته ای در GPU است. ما کیلوسورت را با یک الگوریتم تعیین شده مقایسه می کنیم و عملکرد مطلوب را در زمان پردازش بسیار کاهش می دهیم. یک مرحله ادغام جدید پس از خوشه بندی بر اساس تداوم قالب ها ، بیشتر تعداد عملیات دستی مورد نیاز در این داده ها را کاهش می دهد ، برای نورونهایی که دارای خطای نزدیک صفر هستند ، راه را برای مرتب سازی کامل سنبله از ضبط های الکترود چند کاناله ای هموار می کنند.