マルチサイト電極の記録、全波形式分析、階層クラスタリングに基づくマルチニューロンスパイク分類

ここでは、神経系における隣接ニューロンの相関活動を研究するためのマルチサイト電極記録、全波形式分析、階層クラスタリングに基づいた多材のスパイク分類の方法を提案しました。麻酔ラットの海馬錐体細胞層に配置されたマルチサイト電極で、多材のスパイクを記録しました。各電極部位のインピーダンスが比較的低く、電極部位間の距離が十分に小さい場合、ニューロンによって生成されるスパイクは、異なる振幅を持つマルチエレクトロード部位で同時に記録されます。各電極部位でのスパイク波形とテンプレート間の共分散は、ニューロンから電極部位へのスパイクの体積伝導により、減衰係数として計算されました。計算された減衰因子は、多次元統計テストを使用して階層クラスタリングによってベクトル化され、分析されました。減衰ベクトルのクラスターは、逆に識別されたニューロンに対応することが示されたため、異なるニューロンのスパイクは、減衰ベクターの分布を参照することにより分類されます。部分的に重複するスパイクによる減衰ベクトル計算の誤差は、先行データからの前のスパイクを連続的に減算することにより最小化されました。複雑なスパイクバーストによるクラスタリングエラー（つまり、振幅が可変のスパイク）は、そのようなバーストを検出し、クラスタリング用のバーストの最初のスパイクのみを使用することで避けました。これらの特別な手順は、従来の方法よりも優れたクラスター分離を生み出し、複数のニューロンスパイクを自動的に分類することができました。分類されたスパイクの波形はよく重ねられていました。この方法は、部分的に重複するスパイクや複雑なスパイクバーストを発射する隣接するニューロンの活動を分離するのに特に役立つと結論付けました。

We proposed here a method of multineuronal spike classification based on multisite electrode recording, whole-waveform analysis, and hierarchical clustering for studying correlated activities of adjacent neurons in nervous systems. Multineuronal spikes were recorded with a multisite electrode placed in the hippocampal pyramidal cell layer of anesthetized rats. If the impedance of each electrode site is relatively low and the distance between electrode sites is sufficiently small, a spike generated by a neuron is simultaneously recorded at multielectrode sites with different amplitudes. The covariance between the spike waveform at each electrode site and a template was calculated as a damping factor due to the volume conduction of the spike from the neuron to the electrode site. Calculated damping factors were vectorized and analyzed by hierarchical clustering using a multidimensional statistical test. Since a cluster of damping vectors was shown to correspond to an antidromically identified neuron, spikes of different neurons are classified by referring to the distributions of damping vectors. Errors in damping vector calculation due to partially overlapping spikes were minimized by successively subtracting preceding spikes from raw data. Clustering errors due to complex spike bursts (i.e., spikes with variable amplitudes) were avoided by detecting such bursts and then using only the first spike of a burst for clustering. These special procedures produced better cluster separation than conventional methods, and enabled multiple neuronal spikes to be classified automatically. Waveforms of classified spikes were well superimposed. We concluded that this method is particularly useful for separating the activities of adjacent neurons that fire partially overlapping spikes and/or complex spike bursts.