NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Hücre dışı kayıtlarda spike senkronizasyonunun analizi için önemli bir ön koşul, çok birimli sinyalden tek birimli aktivitenin çıkarılmasıdır. Tek birimleri tanımlamak için, potansiyel sivri uçlar potansiyel nöronal kökenlerine ('spike tasnif') göre ayrılır. Bununla birlikte, farklı sıralama algoritmaları, sonraki ani tren analizlerini ciddi şekilde etkileyen tutarsız birim atamaları verir. Parkinson hastalığı olan hastaların subtalamik çekirdek kayıtları için en iyi sıralama algoritmasını belirlemeyi amaçlıyoruz (deneysel veriler ED). Bu nedenle, 'Plexon Çevrimdışı Sıralayıcısı' tarafından sunulan çeşitli yaygın algoritmalar uygular ve sıralama sonuçlarını değerlendiririz. Bu değerlendirme bizi en iyi algoritmadan emin olmadığımız için, tüm yöntemleri bilinen zemin gerçeği ile yapay verilere (AD) tekrar uygularız. AD, ED'nin arka plan gürültüsüne gömülü farklı şekil benzerliğine sahip tek ünite çiftlerinden oluşur. Sıralama değerlendirmesi, ilgili yöntemlerin tek birim ödevler üzerindeki önemli bir etkisini göstermektedir. Farklı algoritmalar tarafından elde edilen sıralamalarda yüksek bir değişkenlik buluyoruz ve bu da tek ünite şekil benzerliği ile artıyor. Bunun sonucunda ortaya çıkan ateşleme özelliklerinde de önemli farklılıklar görüyoruz. Vadi Arayan algoritmaların, eserlerin sıralanmamış olaylar olarak dışlanmasının önemli olması durumunda en doğru sonucu verdiği sonucuna varıyoruz. İkincisi daha az önemliyse ('temiz' veriler) K-Means algoritması daha iyi bir seçenektir. Sonuçlarımız, zemin gerçeği verilerine dayanan standartlaştırılmış doğrulama prosedürlerinin gereğini şiddetle savunuyor. Burada önerilen tarif, standart bir prosedür haline gelmek için yeterince basittir.
Özgün kaynak özetini okuyun
An important prerequisite for the analysis of spike synchrony in extracellular recordings is the extraction of single-unit activity from the multi-unit signal. To identify single units, potential spikes are separated with respect to their potential neuronal origins ('spike sorting'). However, different sorting algorithms yield inconsistent unit assignments, which seriously influences subsequent spike train analyses. We aim to identify the best sorting algorithm for subthalamic nucleus recordings of patients with Parkinson's disease (experimental data ED). Therefore, we apply various prevalent algorithms offered by the 'Plexon Offline Sorter' and evaluate the sorting results. Since this evaluation leaves us unsure about the best algorithm, we apply all methods again to artificial data (AD) with known ground truth. AD consists of pairs of single units with different shape similarity embedded in the background noise of the ED. The sorting evaluation depicts a significant influence of the respective methods on the single unit assignments. We find a high variability in the sortings obtained by different algorithms that increases with single units shape similarity. We also find significant differences in the resulting firing characteristics. We conclude that Valley-Seeking algorithms produce the most accurate result if the exclusion of artifacts as unsorted events is important. If the latter is less important ('clean' data) the K-Means algorithm is a better option. Our results strongly argue for the need of standardized validation procedures based on ground truth data. The recipe suggested here is simple enough to become a standard procedure.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.