RANSAC的优点和弱点应用于外皮外腔和皮内皮层记录

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 生物医学工程 生物医学工程

背景情况:

• 侵入性神经记录,如外周微电皮质谱 (μECoG) 和皮质内微电极阵列 (MEA),对于理解大脑功能至关重要.
• 数据质量对于准确的分析至关重要,但有缺陷的通道可能会引入大量的噪音和文物.
• 随机样本共识 (RANSAC) 算法为自动化文物检测和纠正提供了一个潜在的解决方案.

研究的目的:

• 评估RANSAC算法的有效性,用于检测和纠正侵入性神经记录中的坏通道.
• 评估RANSAC在高分辨率模式上的表现:外周μECoG和皮质内μEA.
• 提供关于将RANSAC集成到神经数据预处理管道中的指导.

主要方法:

• 将RANSAC应用于外周μECoG和皮层内MEA的模拟和真实神经数据.
• 在三个场景下测试了RANSAC:外外线信号,皮质内信号和仅噪声的基准.
• 进行了时空分析,以评估RANSAC对信号完整性和降噪的影响.

主要成果:

• RANSAC有效地识别和插曲了外周μECoG数据中的故障通道,并优化了参数,显著提高了信号质量.
• 皮层内MEA信号与默认RANSAC参数的改善很小,因为道间相关性较低.
• 优化RANSAC参数用于皮质内记录的外周数据导致合法信号特征的减弱,突出显示需要模式特定的调整.

结论:

• 通过改善信号噪声比和道间相关性,RANSAC可以显著提高外周神经记录的数据质量.
• 该算法的有效性取决于模式,需要对不同的侵入性记录类型进行仔细的参数优化.
• RANSAC为线下和潜在的实时预处理侵入性神经数据提供了一个有价值的工具,特别是用于研究和闭环应用.