在使用机器学习技术和多维分析的多电极记录中进行神经元波形分类

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:

• 神经元突发的细胞外记录对于理解大脑活动至关重要.
• 目前的尖峰分类依赖于简化的波形特征,忽视神经元多样性.
• 先进的技术需要更复杂的分类方法.

研究的目的:

• 使用先进的机器学习开发一个自动的尖峰波形分类器.
• 改善神经元放电模式和波形多样性的特征.
• 将此分类器集成到现有的电生理学预处理管道中.

主要方法:

• 利用机器学习技术,包括统一多重近似和投影 (UMAP),高斯混合模型 (GMM) 和随机森林 (RF).
• 使用每个波形的所有电压样本进行多维分析.
• 在人类视觉皮层电生理学记录上训练并测试了一种随机森林模型.

主要成果:

• 通过随机森林分类器实现了高性能得分 ([公式:参见文本]).
• 与标准工具箱相比,证明了波形集群的改进特征.
• 确定了第三个独特的波形组,超越了二元宽/窄分类.

结论:

• 开发的机器学习分类器为神经元尖峰波形提供了更细致的分析.
• 这种方法增强了对皮层神经元多样性和放电模式的理解.
• 该分类器对现有的波形分析技术提供了显著的改进.