Resumen

Se espera que la posibilidad de detectar la actividad de ensamblaje aumente si se registran simultáneamente las actividades de pico de un gran número de neuronas. Aunque estas grabaciones masivamente paralelas están ahora disponibles, los métodos capaces de analizar tales datos para la correlación de picos son todavía raros, ya que una explosión combinatoria a menudo hace inviable la extensión de los métodos desarrollados para conjuntos de datos más pequeños. Al evaluar las distribuciones de complejidad de los patrones, se puede detectar la existencia de grupos correlacionados, pero no se pueden identificar las neuronas que los componen. En esta contribución, presentamos enfoques para identificar realmente las neuronas individuales implicadas en los conjuntos. Nuestros resultados pueden complementar otros métodos y también proporcionan una forma de reducir los conjuntos de datos a las neuronas "relevantes", lo que permite llevar a cabo un análisis refinado de la estructura de correlación detallada gracias a la reducción del tiempo de cálculo.

• Materias:Inteligencia artificial Sistema nervioso Imágenes diagnósticas Neurociencia Cognitiva Trastornos mentales
• Subjects:Artificial intelligence Nervous systems Diagnostic imaging Cognitive Neuroscience Mental disorders
• Palabras claves:número de neuronas, tiempo de cálculo reducido, métodos, estructura de correlación detallada, conjunto de datos más pequeño, complejidad de los patrones, actividades de ensamblaje, análisis refinado, gran número, registro paralelo
• Keywords:number of neurons, reduced computation time, methods, detailed correlation structure, smaller data set, pattern complexity, assembly activities, refined analysis, large number, parallel recording