Neural spikes classification in multichannel recordings

In order to study the neural behavior, scientists employ multichannel probes where each electrode records a mixture of spike trains from surrounding neurons. A first necessary step is the individuation and the separation of signal from different sources, associating each detected spike to the neuron of origin. Many spike sorting algorithms based on different principles have been developed for this purpose, but there is still no consensus on which is the best method. This thesis addresses the issue of impulsive signal classification in the Neurophysiological framework presenting a novel spike sorting algorithm named Multi-Channel Inversion for Spike Classification (MCI4SC). The new method exploits multichannel information related to neuron positions, and makes a distinctive use of the mixing matrix associated to the measurement channel. In particular, inverting many matrices derived by the mixing one, the method is able to handle the disadvantageous, but typical, situation where there are more recorded neurons than recording sensors, under the reasonable hypothesis that the number of simultaneously firing neurons is lower than or equal to the number of sensors. Another distinguishing feature of MCI4SC algorithm and its implementation is the use of the Wavelet Packet Transform. This tool has been used to estimate the ratio between spike amplitudes in different channels, thus leading to a consistent estimation of the mixing matrix components even in case of low signal to noise ratio. The MCI4SC algorithm has been applied on experimental data with human supervision on the threshold setting. Good spike sorting results have been obtained for bursting Purkinje Cells with varying waveform and amplitude spikes, as well as for noisy neurons in Locust antennal lobe. Compared with an algorithm based on the Markov Chain Monte Carlo, the MCI4SC algorithm has at least comparable efficiency with a much lower computational time, in addition to the important capability of overlapping spike resolution. This makes the new algorithm presented in this thesis a reliable and competitive tool in the spike sorting context.

Per studiare il comportamento dei neuroni vengono utilizzate sonde multicanale in cui ciascun elettrodo misura la sovrapposizione di treni di spike generati dai neuroni circostanti. Un primo passo necessario è quello di individuare e separare i segnali provenienti da diverse sorgenti associando ciascuno spike al neurone che lo ha generato. A questo scopo sono stati sviluppati molti algoritmi di spike sorting (classificazione di spike) che si basano su differenti principi, ma nessun metodo è, finora, stato riconosciuto come migliore degli altri. Questa tesi affronta il problema della classificazione di segnali impulsivi nel contesto Neurofisiologico presentando un nuovo algoritmo di spike sorting denominato Multi-Channel Inversion for Spike Classification (MCI4SC). Il nuovo metodo sfrutta l'informazione proveniente da più canali (legata alla posizione dei neuroni) e fa un uso distintivo della matrice di mixing associata al canale di misura. In particolare, invertendo più matrici derivate da quella di mixing, il metodo è in grado di gestire la sfavorevole ma tipica situazione in cui sono presenti più neuroni registrati che sensori, sotto la ragionevole ipotesi che il numero di neuroni contemporaneamente attivi sia minore od uguale al numero di sensori. Un'altra caratteristica distintiva dell'algoritmo MCI4SC e della sua implementazione è l'uso della Trasformata Wavelet Packet. Questo strumento è stato impiegato per stimare il rapporto tra le ampiezze degli spike nei differenti canali, dando così luogo a una stima delle componenti della matrice di mixing che risulta consistente anche nel caso di basso rapporto segnale rumore. L'algoritmo MCI4SC è stato applicato a dati sperimentali impostando manualmente le soglie. Buoni risultati di classificazione sono stati ottenuti sia nel caso di Purkinje Cells con spikes di differenti ampiezze e forme d'onda, sia nel caso di neuroni nel lobo antennale della Locusta con segnale molto rumoroso. Nel confronto con un algoritmo basato sul metodo Markov Chain Monte Carlo, l'algoritmo MCI4SC presenta una efficienza almeno comparabile con un più basso tempo computazionale, oltre alla importante capacità di risolvere spike sovrapposti. Ciò rende il nuovo algoritmo, presentato in questa tesi, uno strumento affidabile e competitivo nel contesto dello spike sorting.