Ontwerp en validatie van methodologieën met lage complexiteit voor het oplossen van overlappende actiepotentialen tijdens het sorteren van actiepotentialen

Ondanks vele neurowetenschappelijke doorbraken, blijft het grotendeels ongekend hoe hersenactiviteit aanleiding geeft tot cognitie. Het bekomen van een fundamenteel inzicht in de werking van het brein, kan tot nieuwe klinische toepassingen leiden die gericht zijn op het verbeteren van functionele tekorten als gevolg van een 'slecht werkend' brein. De identificatie van causale verbanden tussen hersenactiviteit en cognitie vereist de real-time characterizatie van hersenactiviteit. Door extracellulaire elektroden in de hersenen te implanteren, kunnen veranderingen in de spanningspotentialen worden geregistreerd die een weerspiegeling zijn van de neurale activiteit. Dergelijke spanningssignalen bevatten, naast andere neurale patronen, informatie over de actiepotentialen van neuronen in de omgeving van de geïmplanteerde elektroden, ook wel multi-neuron activiteit genoemd.

Hoewel de multi-neuron activiteit informatie bevat over de activiteit van individuele neuronen, is deze informatie niet direct beschikbaar. De multi-neuron activiteit bevat dikwijls een mengsel van actiepotentialen, ook wel spanningspieken of spikes genoemd, van verschillende neuronen. In dit werk richten we ons op de ontwikkeling en validatie van signaalverwerkingsalgoritmen die de individuele tijdstippen waarop neuronen een spike genereren, extraheren uit de multi-neuron activiteit en vervolgens deze tijdstippen groeperen per individueel neuron. De algoritmen die deze specifieke extractietaak uitvoeren, staan algemeen bekend als spike-sorteringsalgoritmen. De resulterende tijdsinformatie over de activiteit van individuele neuronen, wordt meestal verder verwerkt om de cognitieve informatie te decoderen die geëncodeerd is in deze tijdsinformatie. Hoewel spike-sortering en decodering veelbelovend zijn voor het bekomen van een beter inzicht in de werking van de hersenen, zijn de huidige algoritmen veelal ongeschikt voor real-time gebruik omwille van de hoge rekencomplexiteit. Algortimen die wel bedoeld zijn voor real-time gebruik, zijn vaak onvoldoende robuust voor gebruik in realistische experimentele condities, zoals het voorkomen van overlappende spikes wanneer twee of meerdere neuronen gelijktijdig actief zijn.

Het eerste aandachtspunt van dit werk is de ontwikkeling van een methodologie  met een lage rekencomplexiteit voor het sorteren van spikes, terwijl expliciet rekening wordt gehouden met overlappende spikes. Er wordt een gekende filter-en-vergelijk-aanpak gevolgd, waarbij de activiteit van een individueel neuron wordt verkregen door het toepassen van een lineair filter met eindige impulsrespons op de multi-neuron activiteit, gevolgd door het vergelijken van de filteruitgang met een eenvoudige drempelwaarde. Dergelijke sorteringsarchitectuur met lage complexiteit is nuttig in de context van online en/of ingebedde sortering. Voor deze sorteringsarchitectuur stellen we een nieuwe klasse van filterontwerpmethoden voor die gebaseerd zijn op signaal-tot-piek-interferentieverhouding (SPIR) optimaliteit. Deze nieuwe klasse van filters maakt een filter-en-vergelijk-aanpak mogelijk. Dit in tegenstelling tot eerdere benaderingen op basis van signaal-ruisverhouding (SNR) optimaliteit of signaal-tot-interferentie-plus-ruisverhouding (SINR) optimaliteit, die onvoldoende discriminatief zijn voor het beoogde gebruik en/of worden geconfronteerd met praktische beperkingen. We tonen aan dat de voorgestelde methodologie beter presteert dan de bestaande methoden door middel van een uitgebreide validatie. Verder wordt aangetoond dat SPIR-optimaliteit gerelateerd is aan de theorie van support vector machines, zodat het SPIR-optimale filter kan worden geïnterpreteerd als een filter met een maximale marge dat kan worden gebruikt voor andere patroonherkenningsdoeleinden waarbij de computationele complexiteit beperkt is.

Gerelateerd aan het ontwerp van optimale lineaire filters voor gebruik bij het sorteren van spikes, presenteren we een studie die is gericht op het beter begrijpen van de behoefte aan regularisatie van dergelijke lineaire filterontwerpen. We stellen een datagedreven regularisatietechniek voor die beter presteert dan de state-of-the-art. Bovendien maakt de voorgestelde methodologie gebruik van een interpreteerbare hyperparameter, die helpt bij het instellen van de regularisatie. De voorgestelde regularisatietechniek wordt vervolgens geïntegreerd in het SPIR-optimaal filterontwerp, waar dit leidt tot de transformatie van het filterontwerp in een optimalisatieprobleem zonder randvoorwaarden.

Het tweede aandachtspunt in dit werk is gerelateerd aan de validatie van spike- sorteringsalgoritmen. Zulke validatie vereist de beschikbaarheid van multi-neuron validatie-activiteit waarvan de onderliggende tijdsinformatie van één of meerdere neuronen volledig gekend is. De huidige methoden voor het genereren van zulke data zijn kostelijk en/of vereisen expertenkennis om te resulteren in realistische signalen. In deze thesis presenteren we een gebruiksvriendelijke tool voor het genereren van multi-neuron validatie-activiteit. De grafische tool implementeert een hybride model, dat de transformatie van echte extracellulaire potentialen naar validatie-activiteit mogelijk maakt. Als zodanig kan een realistische validatie-activiteit worden verkregen zonder gebruik te maken van complexe computationele modelleringstheorie. Dergelijke validatie-activiteit kan naast het valideren van spike-sorteringsalgoritmen, ook worden benut door gebruikers van dergelijke algoritmen om de algoritme-selectie en de parameterinstelling te sturen met als doel het verbeteren van de sorteringsperformantie binnen hun specifieke experimentele context. De transformatie is gebaseerd op de beschikbaarheid van handmatig geverifieerde sorteringsresultaten. De tool wordt geleverd met extra routines om de sorteerresultaten op dergelijke validatie-activiteit te kwantificeren. Bovendien is de tool geïntegreerd in een breder ecosysteem van sorteringsalgoritmen om het gebruik van de tool te bevorderen. Er wordt een casestudy gepresenteerd waarin het nut van onze tool voor gebruikers van sorteringsalgoritmen wordt aangetoond.

Als derde aandachtspunt stellen we een innovatieve methode voor om overlappende spikes rechstreeks in de kenmerkenruimte te behandelen, dit in tegenstelling tot andere strategieën die gebaseerd zijn op het ontwerp van lineaire filters die de beschikbaarheid van initiële clusteringresultaten veronderstellen. De methodologie bestaat uit het ontwerp van een gespecialiseerde kenmerkenruimte waarin overlap zich gedraagt als een lineaire operatie. De voorgestelde methodologie is veelbelovend voor een toekomstige op clustering gebaseerde spike-sorteringspijplijn die kan omgaan met verschillende signaalkenmerken die vaak in de praktijk worden aangetroffen. Door de filtergerelateerde complexiteit uit de pijplijn te verwijderen, zou deze benadering beschouwd kunnen worden als een alternatieve pijplijn met lage computationele complexiteit die het sorteren van spikes mogelijk maakt in de context van overlappende spikes.