• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Computational Intelligence and Neuroscience >A Framework for the Comparative Assessment of Neuronal Spike Sorting Algorithms towards More Accurate Off-Line and On-Line Microelectrode Arrays Data Analysis
【2h】

A Framework for the Comparative Assessment of Neuronal Spike Sorting Algorithms towards More Accurate Off-Line and On-Line Microelectrode Arrays Data Analysis

机译：用于更精确的离线和在线微电极阵列数据分析的神经元钉排序算法的比较评估框架

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Neuronal spike sorting algorithms are designed to retrieve neuronal network activity on a single-cell level from extracellular multiunit recordings with Microelectrode Arrays (MEAs). In typical analysis of MEA data, one spike sorting algorithm is applied indiscriminately to all electrode signals. However, this approach neglects the dependency of algorithms' performances on the neuronal signals properties at each channel, which require data-centric methods. Moreover, sorting is commonly performed off-line, which is time and memory consuming and prevents researchers from having an immediate glance at ongoing experiments. The aim of this work is to provide a versatile framework to support the evaluation and comparison of different spike classification algorithms suitable for both off-line and on-line analysis. We incorporated different spike sorting “building blocks” into a Matlab-based software, including 4 feature extraction methods, 3 feature clustering methods, and 1 template matching classifier. The framework was validated by applying different algorithms on simulated and real signals from neuronal cultures coupled to MEAs. Moreover, the system has been proven effective in running on-line analysis on a standard desktop computer, after the selection of the most suitable sorting methods. This work provides a useful and versatile instrument for a supported comparison of different options for spike sorting towards more accurate off-line and on-line MEA data analysis.
机译：神经元尖峰分选算法旨在通过微电极阵列（MEA）从细胞外多单位记录中检索单细胞水平的神经元网络活动。在MEA数据的典型分析中，一种尖峰分类算法被不加区别地应用于所有电极信号。但是，这种方法忽略了算法性能对每个通道的神经元信号属性的依赖性，这需要以数据为中心的方法。此外，排序通常是离线进行的，这会浪费时间和内存，并阻止研究人员立即浏览正在进行的实验。这项工作的目的是提供一个通用框架，以支持对适用于离线和在线分析的不同峰值分类算法的评估和比较。我们在基于Matlab的软件中整合了不同的尖峰排序“构建基块”，包括4种特征提取方法，3种特征聚类方法和1种模板匹配分类器。通过对耦合到MEA的神经元文化的模拟信号和真实信号应用不同算法来验证该框架。此外，在选择了最合适的分类方法之后，该系统已被证明可以在标准台式计算机上运行在线分析，非常有效。这项工作提供了一种有用且用途广泛的仪器，可用于对尖峰分类的不同选项进行比较，以实现更准确的离线和在线MEA数据分析。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号