Modelos baseados em redes neurais não supervisionadas para aplicação em problemas de spike sorting

• Ano de defesa: 2018
• Autor(a) principal: Morais, Francinei Gomes de
• Orientador(a): Gomes, José Gabriel Rodríguez Carneiro
• Banca de defesa: Petraglia, Mariane Rembold, Lima Netto, Sergio, Vellasco, Marley Maria Bernardes Rebuzzi
• 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: Engenharia elétrica; Redes neurais artificiais
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://hdl.handle.net/11422/9491

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.