Submitted by Maria Aparecida (cidazen@gmail.com) on 2017-09-04T15:04:55Z No. of bitstreams: 1 Marcos Vinicius Lopes.pdf: 7214975 bytes, checksum: 3d8e5de44c75de5f02b3f6101759f37a (MD5) / Made available in DSpace on 2017-09-04T15:04:55Z (GMT). No. of bitstreams: 1 Marcos Vinicius Lopes.pdf: 7214975 bytes, checksum: 3d8e5de44c75de5f02b3f6101759f37a (MD5) Previous issue date: 2013-02-27 / CAPES / Independent component analysis (ICA) is a method which objective is to find a non gaussian, linear or non linear representation such that the components are statistically independent. As a representation, tries to capture the input data essential structure. One of ICA applications is feature extraction. A main digital signal processing issue is finding a satisfactory representation, whether for image, speech signal or any signal type for purposes such as compression and de-noise. ICA can be aplied in this direction to propose generative models of the phenomena to be represented. This work presents the problem of spike classification in extracellular records, denominated spike sorting. It is assumed that the waveforms of spikes depend on factors such as the morphology of the neuron and the distance from the electrode, so that different neurons will present different forms of spikes. However, since different neurons may have similar spikes, what makes classification very difficult, the problem is even worse due to background noise and variation os spikes of the same neuron. The spike sorting algorithm is usually divided into three parts: firstly, the spikes are detected, then projected into a feature space (with possible dimensionality reduction) to facilitate differentiation between the waveforms from different neurons, finally the cluster algorithm is run for identifying these characteristics so the spikes from the same neuron. Here, we propose the use of ICA in feature extraction stage, being this step critical to the spike sorting process, thus distinguishing the activity of each neuron detected, supporting the analysis of neural population activity near the electrode. The method was compared with conventional techniques such as Principal Component Analysis and Wavelets, demonstrating a significant improvement in results. / A análise de componentes independentes (ICA, do inglês Indepdendent Component Analysis) é um método no qual o objetivo é encontrar uma representação linear ou não linear, não-gaussiana, tal que as componentes sejam estatisticamente independentes. Como uma representação busca capturar a estrutura essencial dos dados de entrada. Uma das aplicações de ICA é em extração de características. Um grande problema no processamento digital de sinais é encontrar uma representação adequada, seja para imagem, sinal de fala ou qualquer outro tipo de sinal para objetivos como compressão e remoção de ruído. ICA pode ser aplicada nesta direção ao tentar propor modelos geradores para os fenômenos a serem representados. Neste trabalho é apresentado o problema da classificação de espículas em gravações extracelulares, denominado spike sorting. Assume-se que as formas de onda das espículas dependem de fatores como a morfologia do neurônio e da distância deste para o eletrodo, então diferentes neurônios irão apresentar diferentes formas de espículas. Contudo diferentes neurônios podem apresentar espículas semelhantes, tornando a classificação mais difícil, o problema ainda é agravado devido ao ruído de fundo e a variação das espículas de um mesmo neurônio. O algoritmo de spike sorting geralmente é dividido em três partes: inicialmente as espículas são detectadas, em seguida são projetadas em um espaço de características (podendo haver redução de dimensionalidade) para facilitar a diferenciação entre as formas de onda de diferentes neurônios, por fim é feito o agrupamento dessas características identificando assim as espículas pertencentes ao mesmo neurônio. Aqui propomos a utilização de ICA na etapa de extração de características das espículas, sendo esta etapa crítica para o processo de spike sorting, permitindo assim distinguir a atividade de cada neurônio detectado, auxiliando a análise da atividade da população neural próxima ao eletrodo. O método foi comparado com técnicas convencionais como Análise de componentes principais (PCA, do inglês Principal Component Analysis) e Wavelets, demonstrando significativa melhora nos resultados.