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渡的信号

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
• 数据科学数据科学数据科学

背景情况:

• 在体内 (Ca2+) 成像技术的进步允许在自由移动的动物中进行单个神经元研究.
• 像Minian和CalmAn这样的工具可以从Ca2+信号中生成大型数值数据集 (CalV2N).
• 分析CalV2N数据在数据集成,质量评估和过渡性识别方面存在挑战.

研究的目的:

• 介绍CalTrig,一个开源的图形用户界面 (GUI),用于CalV2N后的数据分析.
• 解决整合数据流,评估输出质量和识别Ca2+过渡的挑战.
• 为神经科学家提供一个用户友好的工具,不需要编程专业知识.

主要方法:

• 开发了CalTrig,这是一个集成Ca2+成像,神经元足迹,Ca2+痕迹和行为跟踪的GUI工具.
• 实现了同步可视化和高效的Ca2+短暂识别.
• 评估了四种机器学习模型 (GRU,LSTM,变压器,局部变压器) 用于Ca2+短暂检测.

主要成果:

• GRU模型在Ca2+短暂检测方面展示了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.
• CalTrig成功地集成了多个数据流,并促进了CalV2N输出的质量评估.

结论:

• 通过集成的手动,基于参数和机器学习方法,CalTrig为Ca2+过时识别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高级数据分析可用.
• 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.