Identifying functional connectivity in large-scale neural ensemble recordings: a multiscale data mining approach.
Identifying functional connectivity in large-scale neural ensemble recordings: a multiscale data mining approach.
复制标题
DOI：
10.1162/neco.2008.09-07-606
复制
发表时间：
2009-02
影响因子：
2.9
通讯作者：
Oweiss KG
中科院分区：
文献类型：
--
作者：
Eldawlatly S;Jin R;Oweiss KG
识别神经元元素之间的功能连接是理解大脑如何在单细胞和群体水平上协调信息处理以进行生物计算的重要第一步。这封信提出了一种新的方法，以确定功能的连接神经元元素，同时记录的尖峰列车。特别是，我们确定集群的神经元，表现出功能的相互依赖性，在可变的空间和时间模式的相互作用。我们将神经元表示为图中的对象，并使用在多个时间尺度上计算的任意定义的相似性度量来连接它们。然后，我们使用概率谱聚类算法，通过解决最小图割优化问题来聚类图中的神经元。使用点过程理论来模拟人口活动，我们证明了鲁棒性的方法在跟踪广泛的神经元相互作用，从同步率共调制，通过系统地改变的长度的发射历史间隔和连接突触的强度，管理每个神经元的放电模式。我们还展示了如何在多个网络拓扑结构中跟踪和量化依赖于活动的可塑性，以模仿不同的行为背景。我们比较的性能，经典的方法来说明性能的大幅提高。
Identifying functional connectivity between neuronal elements is an essential first step toward understanding how the brain orchestrates information processing at the single-cell and population levels to carry out biological computations. This letter suggests a new approach to identify functional connectivity between neuronal elements from their simultaneously recorded spike trains. In particular, we identify clusters of neurons that exhibit functional interdependency over variable spatial and temporal patterns of interaction. We represent neurons as objects in a graph and connect them using arbitrarily defined similarity measures calculated across multiple timescales. We then use a probabilistic spectral clustering algorithm to cluster the neurons in the graph by solving a minimum graph cut optimization problem. Using point process theory to model population activity, we demonstrate the robustness of the approach in tracking a broad spectrum of neuronal interaction, from synchrony to rate co-modulation, by systematically varying the length of the firing history interval and the strength of the connecting synapses that govern the discharge pattern of each neuron. We also demonstrate how activity-dependent plasticity can be tracked and quantified in multiple network topologies built to mimic distinct behavioral contexts. We compare the performance to classical approaches to illustrate the substantial gain in performance.
登录
查看更多内容
影响因子：
56.9
作者：
GERSTEIN, GL;CLARK, WA
通讯作者：
CLARK, WA
影响因子：
20.6
作者：
ABELES, M;GOLDSTEIN, MH
通讯作者：
GOLDSTEIN, MH
影响因子：
2.3
作者：
BRILLINGER, DR
通讯作者：
BRILLINGER, DR
影响因子：
64.8
作者：
Hochberg, Leigh R.;Serruya, Mijail D.;Donoghue, John P.
通讯作者：
Donoghue, John P.
影响因子：
3.7
作者：
BRILLINGER, DR
通讯作者：
BRILLINGER, DR