<p>Disertacija se se bavi analizom mogućnosti brze, efikasne<br />i pouzdane klasterizacije masivnog skupa neuralnih<br />snimaka na osnovu probabilističkih parametara procenjenih<br />iz obrazaca generisanja akcionih potencijala, tzv.<br />"spajkova", na izlazu pojedinih neurona. Neuralna<br />aktivnost se grubo može podeliti na periode intezivne,<br />umerene i niske aktivnosti. Shodno tome, predložena je<br />gruba dekompozicija neuralne aktivnosti na tri moda koja<br />odgovaraju navedenim obrascima neuralne aktivnosti, na<br />osnovu dobro poznatog Gilbert-Eliot modela. Modovi su<br />dodatno raščlanjeni na sopstvena stanja na osnovu osobina sukcesivnih spajkova, omogućujući finiji, kompozitni<br />opis neuralne aktivnosti. Za svaki neuron empirijski se<br />procenjuju probabilistički parametri grube dekompozicije<br />- na osnovu Gilbert-Eliotovog modela i finije dekompozicije<br />- na osnovu sopstvenih stanja modova, obezbeđujući<br />željeni skup deskriptora. Dobijeni deskriptori<br />koriste se kao obeležja nekoliko algoritama klasterizacije<br />nad simuliranim i eksperimentalnim podacima. Za generisanje<br />simuliranih podataka primenjen je jednostavan<br />model za generisanje akcionih potencijala različitih<br />oscilatornih ponašanja pobuđujućih i blokirajućih kortikalnih<br />neurona. Validacija primene probabilističkih parametara<br />za klasterizaciju rada neurona izvršena je na<br />osnovu estimacije parametera nad generisanim neuralnim<br />odzivima. Eksperimentalni podaci su dobijeni<br />snimanjem kortikografskih signala iz dorzalnog anteriornog<br />cingularanog korteksa i lateralnog prefrontalnog<br />korteksa korteksa budnih rezus majmuna. U okviru predloženog<br />protokola evaluacije različitih pristupa<br />klasterizacije testirano je nekoliko metoda. Klasterizacija<br />zasnovana na akumulaciji dokaza iz ansambla particija<br />dobijenih k-means klasterovanjem dala je najstabilnije<br />grupisanje neuralnih jedinica uz brzu i efikasnu implementaciju.<br />Predložena empirijska karakterizacija može da<br />posluži za identifikaciju korelacije sa spoljašnjim stimulusima,<br />akcijama i ponašanjem životinja u okviru<br />eksperimentalne procedure. Prednosti ovog postupka za<br />opis neuralne aktivnosti su brza estimacija i mali skup<br />deskriptora. Računarska efikasnost omogućuje primenu<br />nad obimnim, paralelno snimanim neuralnim podacima u<br />toku snimanja ili u periodima od interesa za identifikaciju<br />aktiviranih i povezanih zona pri određenim aktivnostima.</p> / <p>The advances in extracellular neural recording techniques<br />result in big data volumes that necessitate fast,<br />reliable, and automatic identification of statistically<br />similar units. This study proposes a single framework<br />yielding a compact set of probabilistic descriptors that<br />characterise the firing patterns of a single unit. Probabilistic<br />features are estimated from an inter-spikeinterval<br />time series, without assumptions about the firing distribution or the stationarity. The first level of proposed<br />firing patterns decomposition divides the inter-spike<br />intervals into bursting, moderate and idle firing modes,<br />yielding a coarse feature set. The second level identifies<br />the successive bursting spikes, or the spiking acceleration/<br />deceleration in the moderate firing mode, yielding<br />a refined feature set. The features are estimated from<br />simulated data and from experimental recordings from<br />the lateral prefrontal cortex in awake, behaving rhesus<br />monkeys. An effcient and stable partitioning of neural<br />units is provided by the ensemble evidence accumulation<br />clustering. The possibility of selecting the number of<br />clusters and choosing among coarse and refined feature<br />sets provides an opportunity to explore and compare<br />different data partitions. The estimation of features, if<br />applied to a single unit, can serve as a tool for the firing<br />analysis, observing either overall spiking activity or the<br />periods of interest in trial-to-trial recordings. If applied to<br />massively parallel recordings, it additionally serves as an<br />input to the clustering procedure, with the potential to<br />compare the functional properties of various brain<br />structures and to link the types of neural cells to the<br />particular behavioural states.</p>
| Identifer | oai:union.ndltd.org:uns.ac.rs/oai:CRISUNS:(BISIS)107498 |
| Date | 09 October 2018 |
| Creators | Mijatović Gorana |
| Contributors | Bajić Dragana, Lončar-Turukalo Tatjana, Kovačić Ivana, Šveljo Olivera, Đurić Nikola, Fülöp Bazsó |
| Publisher | Univerzitet u Novom Sadu, Fakultet tehničkih nauka u Novom Sadu, University of Novi Sad, Faculty of Technical Sciences at Novi Sad |
| Source Sets | University of Novi Sad |
| Language | Serbian |
| Detected Language | Unknown |
| Type | PhD thesis |
Page generated in 0.0019 seconds