基于机器学习的高频神经元尖端从低频和低采样率记录的重建
Nari Hong1,2, Boil Kim3, Jaewon Lee1,2
1Department of Electrical Engineering and Computer Science, Daegu Gyeongbuk Institute of Science and Technology (DGIST), Daegu, 42988, Republic of Korea.
Nature communications
|January 20, 2024
概括
机器学习从低频数据中重建高频神经元尖峰. 这种方法可以减少数据大小,以便更轻松地分析大脑活动,而不会丢失关键的尖端信息.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 多通道电生理学记录对于理解大脑功能至关重要.
- 处理大型数据集和硬件限制在神经元记录方面带来了挑战.
- 热组织损伤是当前硬件不可避免的问题.
研究的目的:
- 开发一种基于机器学习的方法,从亚样本低频信号中重建高频神经元峰值.
- 为了克服硬件限制和数据处理挑战在多通道电生理记录.
- 为了能够更全面地分析和控制大脑功能.
主要方法:
- 将变压器机器学习模型应用于神经元数据.
- 利用亚样本的低频带信号来重建高频神经元尖峰.
- 在实验室和体内小鼠大脑数据上训练并验证了模型.
主要成果:
- 机器学习模型准确地估计了高频神经元峰值信息,包括峰值时间和波形,从x8下调样本数据.
- 从重建的信号中可以合理推断出网络连接.
- 该方法在体外和体内生物数据集上都表现出有效性.
结论:
- 基于机器学习的重建为减少电生理记录中的数据大小提供了可行的解决方案.
- 这种方法与现有的多通道记录硬件兼容.
- 该技术促进了更广泛的带宽神经元信号采集,使得高级大脑功能分析和控制.
