Modelos baseados em redes neurais não supervisionadas para aplicação em problemas de spike sorting
Ano de defesa: | 2018 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal do Rio de Janeiro
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Engenharia Elétrica
|
Departamento: |
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://hdl.handle.net/11422/9491 |
Resumo: | Registros extracelulares são compostos por sinais pulsados (spikes) gerados por vários neurônios biológicos. A correta detecção e separação destes spikes é chamada de spike sorting. A tarefa de spike sorting é de grande importância para estudos que são baseados na análise de sinais de spike. Muitos métodos de spike sorting têm sido propostos, mas ainda não há um método universalmente adotado. Nesta tese é proposto um método baseado em perceptrons multicamadas (MLPs) que são treinados, de modo não supervisionado, usando a divergência de Kullback-Leibler (KLD) como função-custo para resolver o problema de spike sorting. O algoritmo proposto MLPKLD aprende um mapeamento, a partir do espaço de dados original para um espaço com duas dimensões, capaz de revelar os agrupamentos implícitos no conjunto de dados original. Os algoritmos t-distributed stochastic neighbor embedding (t-SNE), principal component analysis (PCA), linear discriminant analysis (LDA) e locality preserving projections (LPP) foram tomados como referência de comparação. Para as comparações de desempenho foram utilizadas duas bases de dados simulados, publicamente disponíveis: a primeira contém spikes simulados por um grupo de 2 até 20 neurônios biológicos, e a segunda contém spikes simulados por um grupo de três neurônios biológicos sob diferentes condições de ruído. Os mapeamentos para o espaço 2-D (onde a clusterização é realizada através do algoritmo K-means) via MLP-KLD e t-SNE são significativamente melhores. O desempenho da clusterização para mapeamentos 2-D via MLP-KLD é mantido conforme o número de neurônios ou nível de ruído aumenta, o que indica que o método proposto é potencialmente útil para aplicações de análise de spikes baseadas em spike sorting. |
id |
UFRJ_cc2d5438aed32cb1909e1bf41009ce66 |
---|---|
oai_identifier_str |
oai:pantheon.ufrj.br:11422/9491 |
network_acronym_str |
UFRJ |
network_name_str |
Repositório Institucional da UFRJ |
repository_id_str |
|
spelling |
Morais, Francinei Gomes dehttp://lattes.cnpq.br/9338107355038450Petraglia, Mariane RemboldLima Netto, SergioVellasco, Marley Maria Bernardes RebuzziGomes, José Gabriel Rodríguez Carneiro2019-09-12T18:13:34Z2019-09-14T03:00:23Z2018-03http://hdl.handle.net/11422/9491Registros extracelulares são compostos por sinais pulsados (spikes) gerados por vários neurônios biológicos. A correta detecção e separação destes spikes é chamada de spike sorting. A tarefa de spike sorting é de grande importância para estudos que são baseados na análise de sinais de spike. Muitos métodos de spike sorting têm sido propostos, mas ainda não há um método universalmente adotado. Nesta tese é proposto um método baseado em perceptrons multicamadas (MLPs) que são treinados, de modo não supervisionado, usando a divergência de Kullback-Leibler (KLD) como função-custo para resolver o problema de spike sorting. O algoritmo proposto MLPKLD aprende um mapeamento, a partir do espaço de dados original para um espaço com duas dimensões, capaz de revelar os agrupamentos implícitos no conjunto de dados original. Os algoritmos t-distributed stochastic neighbor embedding (t-SNE), principal component analysis (PCA), linear discriminant analysis (LDA) e locality preserving projections (LPP) foram tomados como referência de comparação. Para as comparações de desempenho foram utilizadas duas bases de dados simulados, publicamente disponíveis: a primeira contém spikes simulados por um grupo de 2 até 20 neurônios biológicos, e a segunda contém spikes simulados por um grupo de três neurônios biológicos sob diferentes condições de ruído. Os mapeamentos para o espaço 2-D (onde a clusterização é realizada através do algoritmo K-means) via MLP-KLD e t-SNE são significativamente melhores. O desempenho da clusterização para mapeamentos 2-D via MLP-KLD é mantido conforme o número de neurônios ou nível de ruído aumenta, o que indica que o método proposto é potencialmente útil para aplicações de análise de spikes baseadas em spike sorting.Extracellular recordings contain neural spike signals that come from different biological neurons. The proper detection and separation of the spikes according to the neurons they originate from is usually referred to as spike sorting. The spike sorting task is crucial for subsequent studies that are based on spike analysis. Many spike sorting methods have been proposed, but universally adopted methods are not available yet. In this thesis, we introduce multilayer perceptrons (MLPs) that are trained, in unsupervised fashion, to minimize the Kullback-Leibler divergence (KLD) between original data and low-dimensional data probability distributions, thus leading to a low-dimensional data representation from which spike sorting problems are efficiently solved. More specifically, the proposed KLD-MLP algorithm learns a map from the original data space to a 2-D space where otherwise implicit spike clusters are revealed. For overall spike sorting performance comparison, four other algorithms have been applied at the data mapping stage: t-distributed stochastic neighbor embedding (t-SNE), principal component analysis (PCA), linear discriminant analysis (LDA), and locality preserving projections (LPP). The performance comparison is based on two publicly available synthetic datasets: the first one contains simulated spikes from a number of biological neurons ranging from two to twenty, and the second one contains simulated spikes from three neurons under different noise conditions. The KLD-MLP and t-SNE approaches yield significantly improved maps into the two-dimensional space where clustering is performed based on conventional K-means. The performance of basic K-means clustering based on KLD-MLP maps is maintained as the number of neurons or noise level are increased, which indicates that the method is potentially useful for spike analysis applications based on spike sorting.Submitted by Aglair Aguiar (aglair@ct.ufrj.br) on 2019-09-12T18:13:34Z No. of bitstreams: 1 882222.pdf: 3489368 bytes, checksum: 4e49fbe5716ced71486fc0dc4289ce7a (MD5)Made available in DSpace on 2019-09-12T18:13:34Z (GMT). No. of bitstreams: 1 882222.pdf: 3489368 bytes, checksum: 4e49fbe5716ced71486fc0dc4289ce7a (MD5) Previous issue date: 2018-03porUniversidade Federal do Rio de JaneiroPrograma de Pós-Graduação em Engenharia ElétricaUFRJBrasilInstituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de EngenhariaCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAEngenharia elétricaRedes neurais artificiaisModelos baseados em redes neurais não supervisionadas para aplicação em problemas de spike sortinginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisabertoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRJinstname:Universidade Federal do Rio de Janeiro (UFRJ)instacron:UFRJLICENSElicense.txtlicense.txttext/plain; charset=utf-81853http://pantheon.ufrj.br:80/bitstream/11422/9491/2/license.txtdd32849f2bfb22da963c3aac6e26e255MD52ORIGINAL882222.pdf882222.pdfapplication/pdf3489368http://pantheon.ufrj.br:80/bitstream/11422/9491/1/882222.pdf4e49fbe5716ced71486fc0dc4289ce7aMD5111422/94912019-09-14 00:00:23.342oai:pantheon.ufrj.br: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Repositório de PublicaçõesPUBhttp://www.pantheon.ufrj.br/oai/requestopendoar:2019-09-14T03:00:23Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ)false |
dc.title.pt_BR.fl_str_mv |
Modelos baseados em redes neurais não supervisionadas para aplicação em problemas de spike sorting |
title |
Modelos baseados em redes neurais não supervisionadas para aplicação em problemas de spike sorting |
spellingShingle |
Modelos baseados em redes neurais não supervisionadas para aplicação em problemas de spike sorting Morais, Francinei Gomes de CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Engenharia elétrica Redes neurais artificiais |
title_short |
Modelos baseados em redes neurais não supervisionadas para aplicação em problemas de spike sorting |
title_full |
Modelos baseados em redes neurais não supervisionadas para aplicação em problemas de spike sorting |
title_fullStr |
Modelos baseados em redes neurais não supervisionadas para aplicação em problemas de spike sorting |
title_full_unstemmed |
Modelos baseados em redes neurais não supervisionadas para aplicação em problemas de spike sorting |
title_sort |
Modelos baseados em redes neurais não supervisionadas para aplicação em problemas de spike sorting |
author |
Morais, Francinei Gomes de |
author_facet |
Morais, Francinei Gomes de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/9338107355038450 |
dc.contributor.author.fl_str_mv |
Morais, Francinei Gomes de |
dc.contributor.referee1.fl_str_mv |
Petraglia, Mariane Rembold |
dc.contributor.referee2.fl_str_mv |
Lima Netto, Sergio |
dc.contributor.referee3.fl_str_mv |
Vellasco, Marley Maria Bernardes Rebuzzi |
dc.contributor.advisor1.fl_str_mv |
Gomes, José Gabriel Rodríguez Carneiro |
contributor_str_mv |
Petraglia, Mariane Rembold Lima Netto, Sergio Vellasco, Marley Maria Bernardes Rebuzzi Gomes, José Gabriel Rodríguez Carneiro |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Engenharia elétrica Redes neurais artificiais |
dc.subject.por.fl_str_mv |
Engenharia elétrica Redes neurais artificiais |
description |
Registros extracelulares são compostos por sinais pulsados (spikes) gerados por vários neurônios biológicos. A correta detecção e separação destes spikes é chamada de spike sorting. A tarefa de spike sorting é de grande importância para estudos que são baseados na análise de sinais de spike. Muitos métodos de spike sorting têm sido propostos, mas ainda não há um método universalmente adotado. Nesta tese é proposto um método baseado em perceptrons multicamadas (MLPs) que são treinados, de modo não supervisionado, usando a divergência de Kullback-Leibler (KLD) como função-custo para resolver o problema de spike sorting. O algoritmo proposto MLPKLD aprende um mapeamento, a partir do espaço de dados original para um espaço com duas dimensões, capaz de revelar os agrupamentos implícitos no conjunto de dados original. Os algoritmos t-distributed stochastic neighbor embedding (t-SNE), principal component analysis (PCA), linear discriminant analysis (LDA) e locality preserving projections (LPP) foram tomados como referência de comparação. Para as comparações de desempenho foram utilizadas duas bases de dados simulados, publicamente disponíveis: a primeira contém spikes simulados por um grupo de 2 até 20 neurônios biológicos, e a segunda contém spikes simulados por um grupo de três neurônios biológicos sob diferentes condições de ruído. Os mapeamentos para o espaço 2-D (onde a clusterização é realizada através do algoritmo K-means) via MLP-KLD e t-SNE são significativamente melhores. O desempenho da clusterização para mapeamentos 2-D via MLP-KLD é mantido conforme o número de neurônios ou nível de ruído aumenta, o que indica que o método proposto é potencialmente útil para aplicações de análise de spikes baseadas em spike sorting. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018-03 |
dc.date.accessioned.fl_str_mv |
2019-09-12T18:13:34Z |
dc.date.available.fl_str_mv |
2019-09-14T03:00:23Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/11422/9491 |
url |
http://hdl.handle.net/11422/9491 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFRJ |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRJ instname:Universidade Federal do Rio de Janeiro (UFRJ) instacron:UFRJ |
instname_str |
Universidade Federal do Rio de Janeiro (UFRJ) |
instacron_str |
UFRJ |
institution |
UFRJ |
reponame_str |
Repositório Institucional da UFRJ |
collection |
Repositório Institucional da UFRJ |
bitstream.url.fl_str_mv |
http://pantheon.ufrj.br:80/bitstream/11422/9491/2/license.txt http://pantheon.ufrj.br:80/bitstream/11422/9491/1/882222.pdf |
bitstream.checksum.fl_str_mv |
dd32849f2bfb22da963c3aac6e26e255 4e49fbe5716ced71486fc0dc4289ce7a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRJ - Universidade Federal do Rio de Janeiro (UFRJ) |
repository.mail.fl_str_mv |
|
_version_ |
1766886489832030208 |