Ανάπτυξη και υλοποίηση υπολογιστικών μεθόδων ανίχνευσης, εξαγωγής και ταξινόμησης κορυφών διέγερσης νευρώνων (spike sorting)
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 ηλεκτρόδ...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Μορφή: | Thesis |
| Γλώσσα: | Greek |
| Έκδοση: |
2019
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/12144 |
| id |
nemertes-10889-12144 |
|---|---|
| record_format |
dspace |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Νευροπληροφορική Alpha-stable κατανομές Εξωκυτταρικές ηλεκτρικές καταγραφές Neuro-informatics Spike soring Alpha-stable distributions Extracellular electric recordings 612.810 285 |
| spellingShingle |
Νευροπληροφορική Alpha-stable κατανομές Εξωκυτταρικές ηλεκτρικές καταγραφές Neuro-informatics Spike soring Alpha-stable distributions Extracellular electric recordings 612.810 285 Δασκαλοπούλου, Ευτυχία Ανάπτυξη και υλοποίηση υπολογιστικών μεθόδων ανίχνευσης, εξαγωγής και ταξινόμησης κορυφών διέγερσης νευρώνων (spike sorting) |
| description |
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. |
| author2 |
Μπερμπερίδης, Κωνσταντίνος |
| author_facet |
Μπερμπερίδης, Κωνσταντίνος Δασκαλοπούλου, Ευτυχία |
| format |
Thesis |
| author |
Δασκαλοπούλου, Ευτυχία |
| author_sort |
Δασκαλοπούλου, Ευτυχία |
| title |
Ανάπτυξη και υλοποίηση υπολογιστικών μεθόδων ανίχνευσης, εξαγωγής και ταξινόμησης κορυφών διέγερσης νευρώνων (spike sorting) |
| title_short |
Ανάπτυξη και υλοποίηση υπολογιστικών μεθόδων ανίχνευσης, εξαγωγής και ταξινόμησης κορυφών διέγερσης νευρώνων (spike sorting) |
| title_full |
Ανάπτυξη και υλοποίηση υπολογιστικών μεθόδων ανίχνευσης, εξαγωγής και ταξινόμησης κορυφών διέγερσης νευρώνων (spike sorting) |
| title_fullStr |
Ανάπτυξη και υλοποίηση υπολογιστικών μεθόδων ανίχνευσης, εξαγωγής και ταξινόμησης κορυφών διέγερσης νευρώνων (spike sorting) |
| title_full_unstemmed |
Ανάπτυξη και υλοποίηση υπολογιστικών μεθόδων ανίχνευσης, εξαγωγής και ταξινόμησης κορυφών διέγερσης νευρώνων (spike sorting) |
| title_sort |
ανάπτυξη και υλοποίηση υπολογιστικών μεθόδων ανίχνευσης, εξαγωγής και ταξινόμησης κορυφών διέγερσης νευρώνων (spike sorting) |
| publishDate |
2019 |
| url |
http://hdl.handle.net/10889/12144 |
| work_keys_str_mv |
AT daskalopouloueutychia anaptyxēkaiylopoiēsēypologistikōnmethodōnanichneusēsexagōgēskaitaxinomēsēskoryphōndiegersēsneurōnōnspikesorting AT daskalopouloueutychia developmentandimplementationofcomputationalmethodsforthedetectionextractionandclassificationofspikesofneuronstimulationspikesorting |
| _version_ |
1771297206281699328 |
| spelling |
nemertes-10889-121442022-09-05T11:17:51Z Ανάπτυξη και υλοποίηση υπολογιστικών μεθόδων ανίχνευσης, εξαγωγής και ταξινόμησης κορυφών διέγερσης νευρώνων (spike sorting) Development and implementation of computational methods for the detection, extraction and classification of spikes of neuron stimulation (Spike sorting) Δασκαλοπούλου, Ευτυχία Μπερμπερίδης, Κωνσταντίνος Λυκοθανάσης, Σπυρίδων Μεγαλοοικονόμου, Βασίλειος Μπερμπερίδης, Κωνσταντίνος Daskalopoulou, Eftychia Νευροπληροφορική Alpha-stable κατανομές Εξωκυτταρικές ηλεκτρικές καταγραφές Neuro-informatics Spike soring Alpha-stable distributions Extracellular electric recordings 612.810 285 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. The technological advance in recording systems seems quite promising for the investigation of fundamental questions in the vicinity of neuroscience and neuro-informatics and it has made attainable the simultaneous registration of neural activity from multiple neurons, by using one or more registration electrodes both in brain in peripheral neural system. Thus, the increase of the significance of the collected data relies actually to the possibility of the computational methods and algorithms to separate the rather complex recorded neural activity and to isolate the specific activity of each neuron. This specific scientific problem that focuses on the processing and analysis of the usually composite signals, that have been recorded experimentally in extracellular electric recordings of complex neural activity, in order to identify the number of active neurons and extract detailed time courses of their spiking activity, belongs to the scientific field of neuro-informatics and it is known worldwide with the term “spike sorting”. It concludes also the correlation of methods and algorithms from both the science of signal analysis and processing and the computational intelligence. The present thesis focuses on the analysis of computational methods and on the application of neuro-informatics algorithms for the production of the chain “spike sorting” in order to cope with the existing problems in scientific field of “spike sorting”. The neuro-informatics algorithms of “spike sorting” type are in the center of the experimental methodology for solving many problems in modern Neuroscience. A significant problem that needs attention is the background noise which while in classical signal analysis theory is considered as additional, white and Gaussian, in extracellular recordings has been proven to be non white and non Gaussian. Even worse, the neural data is possible not to be stable. Despite of the fact that all the causes of non-stability are known, many “spike sorting” methods assume the stability of data as definite. It is therefore necessary new ways to be find in order to confront with this problem, as until then, the results of the classification of spikes will decline from the ideal. The present study focuses on the solution of this problem. In first chapter, the basic principles of Neurophysiology and the methods of recording in the field of neuroscience, such as the recording of the activity of neurons, are presented. Additionally, some introductive information for the human brain and the EEG are given. In second chapter, emphasis is given in theoretical analysis of scientific field “spike sorting”, where various methods are based on for the identification the number of active neurons and extract detailed time courses of their spiking activity. In third chapter, the suitable theoretical background is given for the study and analysis of an integrated system for the identification and isolation of a specific neuron. In fourth chapter, the entire procedure of spike sorting is deployed: from the unprocessed signal that is received by the extracellular recordings, to the detection and classification of the spikes, with the applied methods in various stages of the procedure being analyzed. In fifth chapter, algorithms of neuro-informatics are developed for the production of Spike Sorting procedure. More specific, in present thesis a method is developed for the first step of spike sorting procedure, which refers to the detection of spikes of neurons. Additionally, two different models for the stage of feature extraction are analyzed and developed. The first model suggests that due to impulsive nature of the spike waves, it is rational to assume that they follow alpha-stable distributions. More specifically, for every spike wave, the target is to estimate the value of the characteristic exponent ‘alpha’ of the alpha - stable distribution, using ‘Koutrouvelis’ method, which is used subsequently in the spike clustering process. The other model, for the stage of spike extraction, implements the classical model (PCA) (Principal component analysis). In literature, for the classification of spikes in different clusters, many clustering algorithms have been proposed. However, in this thesis, we use the simple k-means algorithm, after many iterations with random centre initializations. Next, both models are evaluated performance wise by using specific metric functions in the stage of features clustering. Depending on the results that are received, the analogous inferences are drawn and the proposed models are evaluated. Many improvements can still be made, concerning both the conception and the implementation of the algorithms. However, the results presented here indicate that the assumptions made initially, are verified up to a satisfactory degree. In sixth and last chapter, the scientific contribution of the present thesis is briefly explained, the respective future work is proposed and the used bibliography is attached. 2019-05-05T18:24:51Z 2019-05-05T18:24:51Z 2018-10 Thesis http://hdl.handle.net/10889/12144 gr 6 application/pdf |
