CalTrig:一种基于GUI的机器学习方法,用于解码自由移动的动物中神经过时的解码

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.
• 生物信息学是一种生物信息学.

背景情况:

• 微型显微镜成像允许研究自由运动的动物中单个神经元的活动.
• 当前的工具 (MiniAN,CalmAn) 将视觉信号转换为数字数据 (CalV2N),但分析挑战仍然存在.
• 分析大型 CalV2N 数据集需要整合数据流,质量评估和有效的短暂识别.

研究的目的:

• 介绍CalTrig,这是一个开源的GUI工具,用于CalV2N后的数据处理.
• 解决整合数据流,评估CalV2N输出质量和识别神经过渡的挑战.
• 为神经科学家提供一个用户友好和高效的解决方案.

主要方法:

• 开发了CalTrig,一个图形用户界面 (GUI),集成成像,神经元足迹,痕迹和行为数据.
• 实现了评估 CalV2N 输出质量和同步可视化的功能.
• 评估了四种机器学习模型 (GRU,LSTM,变压器,局部变压器) 用于神经短暂检测.

主要成果:

• CalTrig集成多个数据流,并使同步可视化和高效的短暂识别.
• 格鲁模型证明了在短暂检测方面最高的可预测性和计算效率.
• GRU模型在不同训练,动物和大脑区域实现了稳定的性能.

结论:

• 通过整合手动,基于参数和机器学习的检测方法,CalTrig提供了灵活而准确的解决方案.
• 该工具的用户友好的界面和较低的计算需求使得它可供研究人员使用,而不需要编程专业知识.
• CalTrig促进了对大脑功能的更深入的探索,假设生成,以及对神经系统疾病的理解.