分类何时重要:单神经元身份在神经环路量化中的作用
When spike sorting matters: single-neuron identity in the quantification of neural circuits
预印本 · 尚未经过同行评审
多单位阈值穿越信号已能支撑高性能脑机接口并保留群体活动的低维轨迹,那么分类在什么情况下仍然必要。作者用四只猕猴已发表的初级体感皮层3b区和1区、腹侧运动前区的记录,在同一批脉冲上构建非线性分类(UMAP与HDBSCAN)、线性分类和未分类多单位活动三种表征。非线性分类解析出的单元数最多为多单位活动的三倍;在1区,混合信号丢失了相位锁定神经元的周期性信息,内在时间尺度延长约40%,试次间变异增大,神经测量检测阈值升高33%。
多单位阈值穿越支持高性能脑机接口,并保留概括群体动力学的低维轨迹,这引出了一个问题:何时仍然需要锋电位分类。利用先前发表的四只恒河猴记录,我们分析了双模态检测任务中初级躯体感觉皮层3b区和1区以及腹侧前运动皮层,以及区间比较任务中的腹侧前运动皮层。从相同的锋电位中,我们构建了三种表征:通过非线性分类(UMAP和HDBSCAN)获得的推定单单位、通过线性分类获得的混合单位,以及未分类的多单位活动。非线性分类解析出的单位数量最多可达多单位活动的三倍。在1区,混合丢弃了锁相神经元携带的周期性信息,将内在时间尺度延长了约40%,增加了试次间变异性,并将神经测量检测阈值提高了33%。在前运动皮层,混合减少了从群体中恢复的任务相关信息,并隐藏了其动力学的显著维度。经过几何对齐后,群体轨迹的整体形状在各表征之间几乎相同,但群体状态之间的距离被扭曲,且区间时长的近似线性表征在较长区间时饱和。因此,多单位活动足以用于依赖群体活动主导共享结构的分析,如解码,而单神经元编码、变异性、时间尺度、维度和参数化表征的分析通常需要锋电位分类。
中文由 AI 翻译,仅供参考,以原文为准。
来源:bioRxiv · Neuroscience · biorxiv.org