DENOISING:通过基于高密度CMOS的生物传感器在多模式神经观测中进行动态增强和噪声克服

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 信号处理 信号处理

背景情况:

• 高密度微电极阵列 (HD-MEAs) 能够进行大规模的神经记录,这对于研究大脑网络动态至关重要.
• 记录的准确性往往被普遍的噪音所降低,阻碍了神经信息的准确分析.
• 现有的无声化方法可能无法有效处理各种类型的噪音或复杂的神经信号.

研究的目的:

• 介绍DENOISING,一种用于大规模神经记录中的自适应降噪的新型计算引擎.
• 增强从各种噪声源的神经信号的分离,而无需进行特定的数据转换.
• 改进多式联络神经数据的分析,包括局部场势 (LFP) 和尖端活动.

主要方法:

• 开发了DENOISING,这是一个数据衍生引擎,根据信号和噪声特征可自适应地调整值.
• 应用DENOISING对来自小鼠海马和嗅球网络的大规模神经记录.
• 使用信号噪声比率 (SNR) 和根平均平方噪声 (RMS) 评估性能,与原始数据和最先进的方法进行比较.

主要成果:

• 在小鼠大脑记录中,DENOISING显著提高了LFPs和尖峰射击模式的SNR.
• 该发动机在多式联网数据集中有效地减轻了各种不同类型的噪音 (电气,机械,环境).
• 对比分析表明,DENOISING的性能优于现有的除技术.

结论:

• DENOISING提供了一种可适应和有效的解决方案,用于提高大规模神经记录的质量和可靠性.
• 该方法提高了信号清晰度,促进了更准确的数据解释和神经连接的理解.
• DENOISING为分析复杂的时空结构神经数据在不同的记录方式中打开了新的可能性.