Please use this identifier to cite or link to this item: http://dx.doi.org/10.14279/depositonce-3087
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorObermayer, Klausen
dc.contributor.authorFranke, Felixen
dc.date.accessioned2015-11-20T21:02:29Z-
dc.date.available2012-01-18T12:00:00Z-
dc.date.issued2012-01-18-
dc.date.submitted2012-01-18-
dc.identifier.uriurn:nbn:de:kobv:83-opus-33873-
dc.identifier.urihttp://depositonce.tu-berlin.de/handle/11303/3384-
dc.identifier.urihttp://dx.doi.org/10.14279/depositonce-3087-
dc.description.abstractFür das Verständnis von Wachstum, Lernfähigkeit und dem beeindruckenden Funktionsumfang, den echte neuronale Netze erlernen können, aber auch für Gehirn-Computer-Schnittstellen und medizinische Anwendungen ist es unabdingbar, die neuronale Aktivität einzelner Neurone messen zu können. Mittlerweile verfügt die Neurowissenschaft zu diesem Zweck über eine große Palette an verschiedenen Messtechniken. Eine der gängigsten und auch ältesten Techniken ist die extrazelluläre Ableitung. Dies hat vor allem zwei Gründe: Erstens ist sie kostengünstig und zweitens relativ leicht zu erlernen und anzuwenden. Eine Elektrode muss dabei nah an die zu messenden Neurone gebracht werden. Da eine der wichtigsten Kommunikationsformen von Neuronen elektrische Aktivität in Form von sogenannte Aktionspotentialen ist, kann mittels der Elektrode dem Netzwerk ''zugehört'' werden. Dies wird allerdings durch geringe Signalqualität und dadurch erschwert, dass nicht nur ein, sondern viele Neuronen in der Umgebung der Elektrode erfasst werden. Die Signale von einzelnen Neuronen müssen in dem Gemisch erst detektiert und zu einem Neuron zugeordnet werden, sogenanntes ''Spike-Sorting''. Trotz der langen Anwendung dieser Technik gibt es bis heute keine zufriedenstellende und einfach verfügbare Lösung für dieses Problem. Insbesondere mit der massiven Zunahme der Nutzung von extrazellulären Ableitungen auch über lange Zeiträume und der Verfügbarkeit immer besserer Elektroden - vor allem ganzer Elektrodenarrays - werden immer größere Anforderungen an die Signalauswertung gestellt: Die riesigen Datenmengen können nicht mehr manuell von Menschen analysiert werden, die Algorithmen müssen also voll automatisch funktionieren. Bei sogenannten ''closed-loop'' Experimenten wird das bisherige Teilergebnis des Experiments dazu verwendet, dass zukünftige Experiment zu beeinflussen. Daher muss das Ergebnis der Analyse schon während des Experiments verfügbar sein. Dies kann z.B. dazu genutzt werden, ein Neuron gezielt mit der Aktivität eines anderen Neurons zu stimulieren. Doch dazu müssen die Analyse-Algorithmen echtzeit-fähig sein um die Ergebnisse sofort für die Stimulation zur Verfügung zu stellen. Der schnelle Anstieg in der Anzahl parallel genutzter Elektroden macht es erforderlich, die Informationen verschiedener Elektroden optimal zu kombinieren und erfordert immer größere Computerressourcen. Und abschließend treten in lang andauernden Ableitungen unweigerlich Veränderungen - wie in der Elektrodenposition - auf, die nicht adaptiven Algorithmen große Probleme bereiten. In dieser Arbeit wird die Anwendbarkeit von linearen Filtern für die automatische Analyse von extrazellulären Daten untersucht. Lineare Filter sind besonders für die genannten Herausforderungen geeignet, da sie leicht implementierbar (auch in Hardware), sehr effizient und in einer gut entwickelten Theorie eingebettet sind. Die Berechnungen in dieser Arbeit werden im diskreten abgetasteten Signalraum durchgeführt, was die Berechnungen zum einen vereinfacht und außerdem interessante Verbindungen zwischen dem Spike-Sorting-Problem und optimal angepassten Filtern, ''Beamforming'', Raum-Zeit-adaptive Verarbeitung, Zeitserienvorhersage und Wiener Filtern bringt. Die Rolle der Rausch-Kovarianz-Matrix wird in Bezug auf das Spike-Sorting untersucht. Sie spielt in den genannten Anwendungen eine wichtige Rolle und ist auch für andere Spike-Sorting-Methoden wichtig. Basierend auf linearen Filtern werden zwei Algorithmen vorgeschlagen, die gut für eine Echtzeitimplementierung geeignet sind, die Filter adaptiv an Veränderungen in den Daten anpassen können und optimalen Nutzen aus Aufnahmen mit mehreren Elektroden ziehen. Der erste Algorithmus basiert auf den optimal angepassten Filtern mit anschließender Quellentrennung um das Signal-zu-Rausch-Verhältnis zu optimieren und anschließend die Signale der einzelnen Neuronen zu trennen. Der zweite Ansatz zeigt, dass die Ausgaben der optimalen Filter in einem Bayesischen Sinne interpretiert werden können und leitet daraus optimale lineare Diskriminantenfunktionen für das Spike Sorting her. Die Qualität der beiden Methoden wird mit der von anderen Methoden verglichen sowohl auf simulierten, als auch auf für diesen Zweck besonders geeigneten echten Daten und die Echtzeitfähigkeit der Methoden wird diskutiert. Die Evaluierung von Spike-Sorting-Verfahren ist allerdings inhärent problematisch, weil Benchmarkdaten schwer zu gewinnen sind und kein generell akzeptierter Datensatz zu diesem Zwecke existiert. Ein Weg aus diesem Dilemma wird vorgeschlagen und in Form einer Webseite zum automatischen und blinden Vergleich von Spike-Sorting-Verfahren entwickelt.de
dc.description.abstractFor the understanding of how neural networks grow, learn and are able to fulfill their impressive functions, a reliable way to monitor their activity is crucial. The neuroscientist has a steadily growing toolbox for this purpose with one tool being of particular importance even though it is also one of the oldest techniques applied, namely extracellular recordings. The main reasons for its broad usage are probably the low cost and relative ease of application: an electrode needs to be placed in the vicinity of a neuron. Since the most important way of neurons to communicate is by means of electrical events called action potentials, extracellular recordings provide the possibility to "listen" to the communication in a neural network. A major drawback of that technique, however, is the complexity of the analysis of the recordings that is caused by low signal quality as well as the measurement inherent simultaneous recording of not only one but many neurons whose signals need to be separated. Despite the long lasting history of extracellular recordings a satisfactory solution to its associated problem of detection and correct classification of single neuronal action potentials - called spike sorting - is still not readily available. Especially with the massive increase of its usage and the development of more sophisticated electrode arrays that are in principle able to record over long time periods from hundreds of neurons simultaneously, extracellular recordings will also play a major role for future neuroscience, brain machine interfaces and medical applications. But these applications make great demands on the algorithms used: because of the huge amount of extracellular recordings humans will not be able to supervise the spike sorting process any longer so the algorithms need to be fully automatic. For so called closed-loop experiments, where the spike sorting result will be e.g. used to stimulate other neurons in real-time the spike sorting procedures also have to provide the results in real-time. The quickly increasing number of recording electrodes will force the methods to optimally combine information from all available electrodes and deal with a higher computational burden. And finally, in long lasting experiments slow changes in the recording setup like changes in electrode position will cause non-adaptive algorithms to fail. This work is the investigation of the applicability of linear filters for the purpose of fast automatic and adaptive spike detection and sorting. Linear filters provide the advantage of easy implementation - also in hardware - are computationally fast and embedded in a well developed theory. The calculations in this work are done in the discrete-time signal space which simplifies the derivations and shows interesting connections of the spike sorting problem to optimal matched filters, beamforming, space-time adaptive processing, time series forecasting and Wiener filtering. The role of the noise covariance matrix that arises naturally in these domains and is also crucial for many - especially linear-filter based - spike sorting algorithms is investigated. Based on those filters two spike sorting algorithms are proposed that are suited for real-time implementation, can adapt to non-stationary data and make optimal use of multielectrode recordings. The first algorithm uses optimal filters and successive source separation to maximize the signal to noise ratio and demix the single neuronal signals. The second approach shows that the filter output of the optimal matched filters can be interpreted in a Bayesian sense and can this way be used to derive a linear discriminant function based spike sorter. The performance of the methods is compared to that of others on simulated as well as unique real experimental data that is especially suited for that purpose and the real-time ability of the algorithms is discussed. However, the principal problem of benchmarking the quality of a spike sorting procedure on real data and the burdensome lack of a widely accepted benchmark pose a serious challenge. A way to overcome that obstacle with a community approach is proposed. A platform to host this approach is implemented in form of a website for the automatic and blind evaluation of spike sorting algorithms.en
dc.languageEnglishen
dc.language.isoenen
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/2.0/en
dc.subject.ddc004 Datenverarbeitung; Informatiken
dc.subject.otherExtrazelluläre Ableitungende
dc.subject.otherSignalanalysede
dc.subject.otherZeitreihenanalysede
dc.subject.otherExtracellular recordingsen
dc.subject.otherSignal processingen
dc.subject.otherSpike sortingen
dc.subject.otherTimeseries analysisen
dc.titleReal-Time Analysis of Extracellular Multielectrode Recordingsen
dc.typeDoctoral Thesisen
tub.publisher.universityorinstitutionTechnische Universität Berlinen
dc.contributor.grantorTechnische Universität Berlin, Fakultät IV - Elektrotechnik und Informatiken
dc.date.accepted2011-12-06-
dc.title.translatedEchtzeitanalyse von extrazellulären Multielektrodenableitungende
dc.type.versionpublishedVersionen
tub.identifier.opus33387-
tub.identifier.opus43203-
Appears in Collections:Institut für Softwaretechnik und Theoretische Informatik » Publications

Files in This Item:
File Description SizeFormat 
Dokument_4.pdf5.94 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons