Resumen

Los algoritmos de clasificación de picos neuronales están diseñados para recuperar la actividad de la red neuronal a nivel de una sola célula a partir de grabaciones extracelulares de múltiples unidades con matrices de microelectrodos (MEA). En el análisis típico de los datos MEA, se aplica un algoritmo de clasificación de picos indiscriminadamente a todas las señales de los electrodos. Sin embargo, este enfoque no tiene en cuenta la dependencia del rendimiento de los algoritmos de las propiedades de las señales neuronales en cada canal, que requieren métodos centrados en los datos. Además, la clasificación se realiza habitualmente fuera de línea, lo que consume tiempo y memoria e impide a los investigadores echar un vistazo inmediato a los experimentos en curso. El objetivo de este trabajo es proporcionar un marco versátil para apoyar la evaluación y comparación de diferentes algoritmos de clasificación de picos adecuados para el análisis tanto off-line como on-line. Incorporamos diferentes "bloques de construcción" de clasificación de picos en un software basado en Matlab, incluyendo 4 métodos de extracción de características, 3 métodos de agrupación de características y 1 clasificador de coincidencia de plantillas. El marco fue validado aplicando diferentes algoritmos en señales simuladas y reales de cultivos neuronales acoplados a MEAs. Además, se ha demostrado que el sistema es eficaz para ejecutar análisis en línea en un ordenador de sobremesa estándar, tras la selección de los métodos de clasificación más adecuados. Este trabajo proporciona un instrumento útil y versátil para una comparación apoyada de diferentes opciones para la clasificación de picos hacia un análisis de datos MEA más preciso fuera de línea y en línea.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:análisis de líneas, propiedad de señales neuronales, análisis de mea, diferentes clasificaciones de picos, actividades de redes neuronales, algoritmo de clasificación de picos, datos de mea de líneas, línea, análisis de datos de mea, métodos de extracción de características
• Keywords:line analysis, neuronal signal property, analysis of mea, different spike sorting, neuronal network activities, spike classification algorithm, line mea data, line, mea data analysis, features extraction methods