深度学习增强了无标签的动作潜能检测,使用基于等离子体的电化学阻抗显微镜

科学领域:

• 神经科学是一个神经科学.
• 生物物理学的生物物理.
• 信号处理 信号处理

背景情况:

• 精确测量神经元的电活动,就像动能一样,需要高的空间和时间分辨率.
• 现有的工具很难满足这些需求,限制了详细的细胞分析.
• 基于等离子体的电化学阻抗显微镜 (P-EIM) 提供无标签的,亚细胞分辨率的动能电位映射,但需要广泛的信号平均.

研究的目的:

• 开发先进的信号处理技术,以减少在P-EIM中检测动能所需的平均周期数.
• 改进P-EIM的信号噪声比和整体可用性,以实时监测神经元活动.
• 证明深度学习方法在分析P-EIM信号中的有效性.

主要方法:

• 在P-EIM提取的信号上使用先进的信号处理技术.
• 应用匹配过来检测行动潜能信号,降低平均值.
• 采用长期短期记忆 (LSTM) 循环神经网络进行单周期动作潜能检测.

主要成果:

• 匹配过成功地检测了使用最少五个平均周期的动作潜力.
• LSTM循环神经网络实现了令人满意的接收器运行特征曲线 (AUC) 下的面积为0.855.
• 通过深度学习成功检测了单周期刺激的动作潜能.

结论:

• 先进的信号处理,特别是深度学习,显著提高了P-EIM的检测能力.
• 开发的方法减少了对广泛信号平均化的需求,克服了P-EIM的一个主要局限性.
• 这一进步提高了P-EIM在高分辨率上绘制神经元电信号的实际可用性.