Publication:
SPIKE SORTING BASED ON SHAPE, PHASE, AND DISTRIBUTION FEATURES, AND K-TOPS CLUSTERING WITH VALIDITY AND ERROR INDICES

No Thumbnail Available
Publication date
2018-12-12
Reading date
Event date
Start date of the public exhibition period
End date of the public exhibition period
Advisors
Authors of photography
Person who provides the photography
Journal Title
Journal ISSN
Volume Title
Publisher
Nature Publishing Group
Export
Research Projects
Organizational Units
Journal Issue
Abstract
Spike sorting is one of the most important data analysis problems in neurophysiology. The precision in all steps of the spike-sorting procedure critically affects the accuracy of all subsequent analyses. After data preprocessing and spike detection have been carried out properly, both feature extraction and spike clustering are the most critical subsequent steps of the spike-sorting procedure. The proposed spike sorting approach comprised a new feature extraction method based on shape, phase, and distribution features of each spike (hereinafter SS-SPDF method), which reveal significant information of the neural events under study. In addition, we applied an efficient clustering algorithm based on K-means and template optimization in phase space (hereinafter K-TOPS) that included two integrative clustering measures (validity and error indices) to verify the cohesion-dispersion among spike events during classification and the misclassification of clustering, respectively. The proposed method/algorithm was tested on both simulated data and real neural recordings. The results obtained for these datasets suggest that our spike sorting approach provides an efficient way for sorting both single-unit spikes and overlapping waveforms. By analyzing raw extracellular recordings collected from the rostralmedial prefrontal cortex (rmPFC) of behaving rabbits during classical eyeblink conditioning, we have demonstrated that the present method/algorithm performs better at classifying spikes and neurons and at assessing their modulating properties than other methods currently used in neurophysiology. *R. Sánchez-Campusano. Corresponding Author. Email: rsancam@upo.es.
Doctoral program
Related publication
Research projects
MINECO-BFU2014-56692-R
BIO122/P07-CVI-02686
BIO122/CVI-2487
Description
Una pregunta muy común entre los neurocientíficos es la siguiente: ¿cuándo y desde qué neurona se genera un determinado potencial de acción? Imagine que detectamos un potencial de acción y queremos determinar cuál de las neuronas más próximas al electrodo de registro lo ha generado. La solución más utilizada consiste en reconocer patrones de la forma de onda de cada potencial y compararlos mediante parámetros de cohesión-dispersión, los cuales permiten clasificar en un mismo grupo a los potenciales de acción con formas de onda similares y en otros grupos a aquellos con formas de onda diferentes. Aun así, la clasificación tiene su dificultad, sobre todo si el registro es multiunitario (contiene potenciales generados en varias neuronas), si contiene formas de ondas solapadas (superposición de potenciales procedentes de varias neuronas), si está asociado a eventos fisiopatológicos (descargas epilépticas) o, si durante su registro, el cerebro se mueve respecto a la posición del electrodo. Todas estas vicisitudes provocarán variaciones imprevistas en las formas de onda de los potenciales neuronales detectados. Para solucionar estos problemas, hemos desarrollado un método matemático llamado K-TOPS, en alusión al conocido método de clasificación K-means pero en combinación con nuestro método TOPS (Template Optimization in Phase Space). Este método y su software/algoritmo VISSOR, permiten detectar, identificar y clasificar potenciales de acción, determinar su localización temporal y asignarle a cada uno de ellos una identidad neuronal, es decir, resolver el problema de la localización espacial asignando cada potencial de acción a una única neurona.
Bibliographic reference
Scientific Reports, vol 8, 17796, p. 1-28
Photography rights