| Περίληψη: | Η τεχνολογική πρόοδος στα συστήματα καταγραφής δημιουργεί νέες υποσχέσεις για τη διερεύνηση θεμελιωδών ερωτημάτων στη νευροεπιστήμη & νευροπληροφορική, έχοντας κάνει πλέον εφικτή την ταυτόχρονη καταγραφή της νευρικής δραστηριότητας από πολλούς νευρώνες, χρησιμοποιώντας ένα ή περισσότερα ηλεκτρόδια καταγραφής τόσο στον εγκέφαλο όσο και στο περιφερικό νευρικό σύστημα.
Έτσι πλέον το βάρος της σημαντικότητας των δεδομένων μετακινείται ουσιαστικά στη δυνατότητα των υπολογιστικών μεθόδων και αλγορίθμων να διαχωρίσουν τη σύνθετη αυτή καταγεγραμμένη νευρική δραστηριότητα και να απομονώσουν την επιμέρους δραστηριότητα κάθε νευρώνα. Το επιστημονικό αυτό πρόβλημα που εστιάζει στην εξαγωγή και απομόνωση της ατομικής δραστηριότητας κάθε νευρώνα, ενώ αυτή έχει αποτυπωθεί πειραματικά σε εξωκυτταρικές ηλεκτρικές καταγραφές σύνθετης νευρικής δραστηριότητας, ανήκει στο επιστημονικό πεδίο της νευροπληροφορικής και αναγνωρίζεται διεθνώς με τον όρο «spike sorting». Συμπεριλαμβάνει δε τη σύνθεση μεθόδων και αλγόριθμων από την επιστήμη της ανάλυσης σήματος και της υπολογιστικής νοημοσύνης.
Η παρούσα εργασία εστιάζει στην ανάλυση υπολογιστικών μεθόδων και στην εφαρμογή αλγoρίθμων νευροπληροφορικής για την παραγωγή της αλυσίδας spike sorting με σκοπό την αντιμετώπιση των ανοιχτών προβλημάτων στο επιστημονικό πεδίο του spike sorting. Οι αλγόριθμοι νευροπληροφορικής τύπου spike sorting βρίσκονται στον πυρήνα της πειραματικής μεθοδολογίας για την αντιμετώπιση πολλών προβλημάτων στη σύγχρονη Νευροεπιστήμη.
Ένα σημαντικό πρόβλημα που απαιτεί προσοχή είναι ο θόρυβος υποβάθρου, ο οποίος στην κλασική ανάλυση σήματος θεωρείται προσθετικός, λευκός και γκαουσιανός, στις εξωκυτταρικές καταγραφές έχει δειχθεί ότι είναι μη λευκός και μη γκαουσιανός. Ακόμα χειρότερα, τα νευρικά δεδομένα είναι πιθανό να είναι μη στάσιμα. Παρότι είναι γνωστές όλες αυτές οι πηγές μη στασιμότητας, πολλές μέθοδοι spike sorting θεωρούν δεδομένη τη στασιμότητα των δεδομένων. Είναι, επομένως, αναγκαίο να βρεθούν τρόποι για να αντιμετωπιστεί αυτό το πρόβλημα, καθώς, μέχρι τότε, τα αποτελέσματα της ομαδοποίησης θα απέχουν από τα ιδανικά. Στην επίλυση αυτού του προβλήματος εστιάζει η παρούσα εργασία.
Στο πρώτο κεφάλαιο, παρουσιάζονται βασικές εισαγωγικές έννοιες της Ηλεκτροφυσιολογίας και των μεθόδων καταγραφής στο πεδίο της νευροεπιστήμης, όπως η καταγραφή της δραστηριότητας νευρώνων. Επιπλέον θα λάβουμε κάποιες εισαγωγικές πληροφορίες για τον εγκέφαλο και το ΗΕΓ.
Στο δεύτερο κεφάλαιο, δίνεται έμφαση στην θεωρητική ανάλυση του επιστημονικού πεδίου spike sorting που στηρίζονται ένα σύνολο μεθόδων για την διαδικασία απομόνωσης νευρώνων και την εξαγωγή κρίσιμης πληροφορίας από τη σύνθετη νευρική δραστηριότητα.
Στο τρίτο κεφάλαιο, γίνεται προσπάθεια να αποτυπωθεί το θεωρητικό υπόβραθρο που απαιτείται για να μελετηθεί και να αναλυθεί ένα ολοκληρωμένο σύστημα ανίχνευσης και απομόνωσης νευρώνα.
Στο τέταρτο κεφάλαιο, συνοψίζεται η όλη διαδικασία του spike sorting: από το ακατέργαστο σήμα που λαμβάνεται από τις εξωκυτταρικές καταγραφές ως την ομαδοποίηση των κορυφών και την εξαγωγή της δραστηριότητας των μεμονωμένων νευρώνων και παρέχεται η ανάλυση των μεθόδων (σταδίων) της αλυσίδας.
Στο πέμπτο κεφάλαιο, αναπτύσσονται και εφαρμόζονται αλγόριθμοι νευροπληροφορικής για την παραγωγή της διαδικασίας Spike Sorting. Συγκεκριμένα, στην παρούσα εργασία γίνεται ανάπτυξη μιας μεθόδου για το πρώτο βήμα της διαδικασίας spike sorting, που αφορά την ανίχνευση (spike detection) των κορυφών διέγερσης των νευρώνων. Επιπλέον, αναλύονται και αναπτύσσονται δυο διαφορετικά μοντέλα για το στάδιο της εξαγωγής χαρακτηριστικών (feature extraction). Αφενός, το ένα μοντέλο προτείνει ότι δεδομένης της κρουστικής φύσης των κυματομορφών διέγερσης, είναι λογική η υπόθεση ότι αυτές θα ακολουθούν κατανομές με άκρα ‘βαρύτερα’ από την γκαουσιανή. Τέτοιες κατανομές είναι οι alpha-stable, αναπτύσσεται και αναλύεται το μαθηματικό υπόβαθρο. Ο στόχος είναι η εκτίμηση για κάθε κυματομορφή της τιμής του χαρακτηριστικού εκθέτη α, ο οποίος είναι μία από τις παραμέτρους των alpha-stable κατανομών, με απώτερο σκοπό να χρησιμοποιηθεί ως χαρακτηριστικό για τον διαχωρισμό των κορυφών σε ομάδες. Αφετέρου, στο δεύτερο μοντέλο γίνεται χρήση της κλασικής μεθόδου PCA – (ανάλυση κύριων συνιστωσών) για το στάδιο της εξαγωγής κορυφών.
Για τον διαχωρισμό των κορυφών σε ομάδες στη βιβλιογραφία έχουν προταθεί πολλοί αλγόριθμοι ομαδοποίησης. Ωστόσο, στην παρούσα εργασία χρησιμοποιείται ο απλός k-means, μετά από πολλαπλές εκτελέσεις με τυχαίες αρχικοποιήσεις των κέντρων του. Στη συνέχεια, αξιολογούνται και τα δύο μοντέλα ως προς την απόδοσή τους με βάση συγκεκριμένες μετρικές συναρτήσεις στο στάδιο της ομαδοποίησης των χαρακτηριστικών. Ανάλογα με τα αποτελέσματα που λαμβάνονται γίνεται η λήψη αντίστοιχων συμπερασμάτων και αξιολογούνται τα δύο προτεινόμενα μοντέλα. Αν και υπάρχουν πολλά περιθώρια βελτίωσης, τόσο ως προς τη λογική πίσω από τους αλγορίθμους νευροπληροφορικής που χρησιμοποιήθηκαν, όσο και ως προς την υλοποίησή τους, τα αποτελέσματα που λήφθηκαν υποδεικνύουν ότι οι υποθέσεις που έγιναν για την ανάπτυξη των αλγορίθμων και για την επιλογή των χαρακτηριστικών στα προτεινόμενα μοντέλα, επαληθεύονται σε έναν ικανοποιητικό βαθμό.
Στο έκτο και τελευταίο κεφάλαιο, παρέχεται συνοπτικά η επιστημονική συμβολή της παρούσας εργασίας με μελλοντικές της προεκτάσεις καθώς και η σχετική βιβλιογραφία που χρησιμοποιήθηκε.
|
|---|
