电子排序:赋予端到端神经网络的权力,用于多道尖端排序,并具有转移学习和快速后处理
1Institute for Integrated Micro and Nano Systems, School of Engineering, University of Edinburgh, Edinburgh, United Kingdom.
Journal of neural engineering
|September 29, 2025
概括
新的神经网络 (NN) 尖端分类器E-Sort可以减少44%的手动标签,并提高25.7%的准确性. 这种高效的框架加速了电生理学和脑计算机接口的大规模神经数据分析.
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.
- 生物工程是生物工程.
背景情况:
- 尖端分类对于分析神经科学和脑计算机接口中的细胞外记录至关重要.
- 大规模的神经记录给传统算法带来了计算挑战和准确性问题,原因是噪音和不断变化的尖峰模式.
- 神经网络 (NN) 是有前途的,但受到手动数据标签和缺乏端到端框架的限制.
研究的目的:
- 为了开发一个端到端的基于NN的尖峰分类框架,E-Sort.
- 为了解决手动标签和大规模尖峰分类中的计算强度的局限性.
- 为了提高电生理学分类的准确性和效率.
主要方法:
- 提出了E-Sort,一个端到端的NN框架,包括转移学习和可并行处理的后处理.
- 在合成数据集上评估E-Sort以评估培训效率和准确性改进.
- 在真实数据集上测试了E-Sort,使用Kilosort4进行NN的初始预培训.
主要成果:
- 减少了44%的注释尖峰要求,在合成数据上提高了高达25.7%的准确性.
- 实现了与Kilosort4可比的准确性,在1.32s内对50s的数据进行排序.
- 使用Kilosort4进行预训练,在真实数据集上,对NN模型协议的改进约为30%.
结论:
- 电子分类提供了一个可扩展,高效和准确的基于NN的解决方案,用于大规模的尖端分类.
- 在神经数据分析中显著降低了手动标签的努力和处理时间.
- 能够更容易访问和快速分析复杂的电生理学数据.
