CUSP:从多电极阵列记录中进行复杂的尖峰分类,使用U-net序列对序列预测
Chenhao Bao1, Robyn Mildren1, Adam S Charles1,2
1Dept. of Biomedical Engineering, Kavli Neuroscience Discovery Institute, Johns Hopkins University, Baltimore, MD 21205, USA.
bioRxiv : the preprint server for biology
|December 3, 2025
概括
我们开发了CUSP,这是一个自动化的深度学习工具,用于准确检测小脑神经元中的复杂尖峰 (CSs). 这种方法超越了现有的算法,为更广泛的神经科学应用提供了神经活动的强大分析.
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.
- 机器学习 机器学习
背景情况:
- 小脑普金日细胞中的复杂尖峰 (CSs) 是关键的神经信号,但由于它们的变化性和频率不高,难以检测.
- 自动检测CSs受到波形变异性,低峰数和记录器件 (如电极漂移) 的阻碍.
研究的目的:
- 引入CUSP (通过U-net序列预测进行CS排序),这是一种用于自动化复杂尖端排序的新型深度学习框架.
- 为了使高密度神经记录中复杂的尖峰活动能够准确和稳定地检测和分析.
主要方法:
- CUSP使用U-Net架构与混合自我注意力启动块,用于对CS事件的序列对序列预测.
- 该框架整合了当地现场潜力和行动潜力信号,以提高检测准确度.
- 检测到的CS事件被聚类并与简单的尖峰 (SSs) 配对,以重建普尔金尼细胞活动.
主要成果:
- 在从大脑录音中检测复杂的尖峰时,CUSP实现了人类专家的性能 (F1 = 0.83 ± 0.03).
- 深度学习框架成功地识别了在手动注释过程中错过的有效CS事件.
- 与传统和最先进的算法相比,CUSP表现优越,在CS检测方面表现优于它们.
结论:
- CUSP提供了一个可扩展和强大的解决方案,用于分析大脑小脑和其他神经数据集中复杂的尖峰模式.
- 该框架对波形变化和电极漂移的稳定性使得可以准确地长期跟踪神经活动.
- 通过将专家级准确性与自动化相结合,CUSP为研究神经信息编码提供了一个广泛适用的工具.
