重複するニューラルスパイクソートのためのスパースコーディングと圧縮センシング

スパイクソートは、脳の活動を理解するための重要なテクニックの1つです。最新の電気生理学技術の開発により、最近の多電極技術のいくつかは、数千の神経スパイクの活性を同時に記録することができました。ただし、このシナリオでは、記録されたアクティビティは、既存のクラスターベースのアルゴリズムの並べ替えパフォーマンスを低下させるマルチニューロンスパイクの重複である可能性があります。この論文では、重複するスパイクソートの方法を紹介します。導入されたメソッドは、スパースコーディングまたは圧縮センシングを介してまばらなベクトルを取得できる畳み込みモデルから始まります。次に、スパースベクトルを最適化するために最大A後推定を使用します。これにより、重複したスパイクソートが正常に完了します。導入された方法の利点は、スパイクの波形が類似している場合、従来の方法よりも優れたパフォーマンスを発揮することです。実験では、いくつかの合成および実際のスパイクデータを使用して、方法を証明します。実験結果は、同様の波形を持つ実験データの条件下で、総スパイクに対するスパイクの合計との合計スパイクの比率として定義される導入された方法の平均選別検出が、従来の方法よりもほぼ4％高いことを示しています。

Spike sorting is one of the key techniques to understand brain activity. With the development of modern electrophysiology technology, some recent multi-electrode technologies have been able to record the activity of thousands of neuronal spikes simultaneously. In this scenario, however, the recorded activity may be the overlap of multi-neuron spikes, which will degrade the sorting performance of existing cluster-based algorithms. In this paper, we introduce methods for overlapping spike sorting. The introduced methods start from a convolution model, where a sparse vector could be obtained via sparse coding or compressive sensing. Then, we use a maximum a posteriori estimate to optimize the sparse vector, which makes the overlapped spike sorting completed successfully. The advantage of the introduced method is that it performs better than traditional methods when the waveforms of the spikes are similar. In experiments, some synthetic and real spike data are used to testify the methods. The experiment results show that the introduced methods' average sorting detection, defined as the ratio of successfully sorted spikes to the total spikes is nearly 4% higher than the traditional methods, under the condition of the experimental data with similar waveforms.