Resumen

Este artículo detalla un nuevo método probabilístico para la clasificación automática de picos neuronales que utiliza modelos de procesos puntuales estocásticos de trenes de picos neuronales y formas de onda de potencial de acción parametrizadas. Se deriva un nuevo modelo de probabilidad para los tiempos de disparo observados como la agregación de trenes de espigas neuronales ocultos, así como un procedimiento iterativo para agrupar los datos y encontrar los parámetros que maximizan la probabilidad. El método se ejecuta y evalúa tanto en un conjunto de datos semiartificiales totalmente etiquetados como en un conjunto de datos reales parcialmente etiquetados de trazos eléctricos extracelulares de hipocampo de rata. En condiciones de dificultad relativamente alta (es decir, con ruido aditivo y con formas de onda de potencial de acción similares para distintas neuronas) el método logra mejoras significativas en el rendimiento de la agrupación sobre un modelo de mezcla gaussiana (GMM) de forma de onda en el conjunto semiartificial (1,98% de reducción en la tasa de error) y supera tanto el GMM como un método de vanguardia en el conjunto de datos real (5,04% de reducción en los errores falsos positivos falsos negativos). Por último, se realiza un estudio empírico de dos parámetros libres para nuestro método en el conjunto de datos semiartificial.

• Materias:Algoritmos (Matemáticas) Ingeniería del transporte Neurociencias Seguridad del transporte Ingeniería ferroviaria
• Subjects:Agorithms (Math) Transport engineering Neurosciences Transport safety Railway engineering
• Palabras claves:tren de espigas neuronales, tiempo de disparo observado, trazado eléctrico extracelular, modelo de proceso puntual, clasificación de espigas neuronales, error falso negativo, modelo de mezcla gaussiana, métodos, nuevos métodos probabilísticos, conjunto de datos semiartificiales etiquetados
• Keywords:neural spike train, observed firing time, extracellular electric trace, point process model, neural spike sorting, false negative error, gaussian mixture model, methods, novel probabilistic methods, labeled semiartificial dataset