低ランクおよびスパース表現を備えた自動スパイクソート

スパイクソートは、神経を個別におよび相乗的にエンコードおよびデコードする行動を研究する上で重要です。ただし、存在するスパイクソートアルゴリズムは、重いノイズと重複サンプルが一般的にスパイクにあり、異なるニューロンからのスパイクが類似している実際のシナリオでは不十分に機能します。このような挑戦的なシナリオに対処するために、このペーパーでは、低ランクとスパース表現（LRSR）を統合されたモデルに統合する自動スパイクスポーツ方法を提案します。特に、LRSRモデルは、低ランクの最適化を通じて急上昇し、類似した重複したサンプルを処理するためのグローバルなデータ構造を明らかにします。埋め込まれたノイズの影響を排除するために、LRSRはスパース制約を使用し、スパイクをノイズから効果的に分離します。最適化は、代替の拡張ラグランジュマルチプレイヤー法を使用して解決されます。さらに、スペクトルクラスタリング定理を採用してニューロンの数を推定する自動スパイクソルティングフレームワークで締めくくります。さまざまなシミュレートされた現実世界のデータセットをめぐる広範な実験は、提案された方法であるLRSRがスパイクの並べ替えを効果的かつ効率的に処理できることを示しています。

Spike sorting is crucial in studying neural individually and synergistically encoding and decoding behaviors. However, existent spike sorting algorithms perform unsatisfactorily in real scenarios where heavy noises and overlapping samples are commonly in the spikes, and the spikes from different neurons are similar. To address such challenging scenarios, we propose an automatic spike sporting method in this paper, which integrally combines low-rank and sparse representation (LRSR) into a unified model. In particular, LRSR models spikes through low-rank optimization, uncovering global data structure for handling similar and overlapped samples. To eliminate the influence of the embedded noises, LRSR uses a sparse constraint, effectively separating spikes from noise. The optimization is solved using alternate augmented Lagrange multipliers methods. Moreover, we conclude with an automatic spike-sorting framework that employs the spectral clustering theorem to estimate the number of neurons. Extensive experiments over various simulated and real-world datasets demonstrate that our proposed method, LRSR, can handle spike sorting effectively and efficiently.