[论文解读] Universal Spike Classifier

Muhammad Saif-ur-Rehman, Robin Lienkämper+9 more|arXiv (Cornell University)|Nov 7, 2018

EEG and Brain-Computer Interfaces参考文献 25被引用 3

一句话总结

本文提出通用脉冲分类器（USC），一种基于深度学习的方法，利用卷积神经网络自动将神经记录电极通道分类为含有动作电位或伪迹。该模型在一名使用犹他电极阵列的四肢瘫痪患者数据上进行训练，无需微调即可有效泛化至多种数据集——包括癫痫患者和额外的四肢瘫痪受试者，从而在不同神经记录条件下实现稳健、自动的脉冲检测。

ABSTRACT

In electrophysiology, microelectrodes are the primary source for recording neural data of single neurons (single unit activity). These microelectrodes can be implanted individually, or in the form of microelectrodes arrays, consisting of hundreds of electrodes. During recordings, some channels capture the activity of neurons, which is usually contaminated with external artifacts and noise. Another considerable fraction of channels does not record any neural data, but external artifacts and noise. Therefore, an automatic identification and tracking of channels containing neural data is of great significance and can accelerate the process of analysis, e.g. automatic selection of meaningful channels during offline and online spike sorting. Another important aspect is the selection of meaningful channels during online decoding in brain-computer interface applications, where threshold crossing events are usually for feature extraction, even though they do not necessarily correspond to neural events. Here, we propose a novel algorithm based on the newly introduced way of feature vector extraction and a supervised deep learning method: a universal spike classifier (USC). The USC enables us to address both above-raised issues. The USC uses the standard architecture of convolutional neural networks (Conv net). It takes the batch of the waveforms, instead of a single waveform as an input, propagates it through the multilayered structure, and finally classifies it as a channel containing neural spike data or artifacts. We have trained the model of USC on data recorded from single tetraplegic patient with Utah arrays implanted in different brain areas. This trained model was then evaluated without retraining on the data collected from six epileptic patients implanted with depth electrodes and two tetraplegic patients implanted with two Utah arrays, individually.

研究动机与目标

• 自动化识别电生理记录中包含神经脉冲的电极通道，减少脉冲排序中的手动工作量。
• 解决在单细胞和多电极阵列记录中区分神经脉冲与噪声及伪迹的挑战。
• 通过可靠地选择有意义的电极通道用于特征提取，实现实时、在线的脑-机接口解码。
• 开发一种可泛化的模型，在无需重新训练的情况下，对不同患者和记录设置均表现良好。

提出的方法

• USC采用卷积神经网络（CNN）架构，将波形批次作为输入，而非单个波形。
• 通过一种新方法进行特征提取，捕捉波形批次中的时间与振幅特性。
• 在一名四肢瘫痪患者（犹他电极阵列植入）的标记数据上以监督方式训练模型。
• 在六名使用深度电极的癫痫患者及两名使用双犹他电极阵列的额外四肢瘫痪患者独立数据集上评估训练好的模型。
• 该方法利用波形批次中的空间与时间模式，提升在不同记录条件下的分类鲁棒性。
• 在外部数据集评估过程中未进行微调或重新训练，证明了模型的泛化能力。

实验结果

研究问题

• RQ1 在一名患者的数据上训练的深度学习模型，能否泛化至其他患者（使用不同电极类型和脑区）的记录中，以分类出含脉冲的电极通道？
• RQ2 USC在无需重新训练的情况下，能否在多种记录条件下有效区分神经脉冲与噪声及伪迹？
• RQ3 与单波形方法相比，基于批次的波形处理在多大程度上提升了分类性能？
• RQ4 USC能否支持脑-机接口应用中的实时、在线脉冲检测？
• RQ5 当应用于不同神经系统疾病和电极配置的患者数据时，该模型是否仍能保持高精度？

主要发现

• USC在无需任何重新训练的情况下，于六名癫痫患者和两名额外四肢瘫痪患者的独立数据集上均实现了高分类准确率。
• 该模型在不同脑区、电极类型（犹他阵列与深度电极）以及患者群体之间均表现出有效的泛化能力。
• 基于批次的输入机制增强了模型在噪声和伪迹中检测微弱脉冲模式的能力。
• USC成功识别出适用于脉冲排序和在线解码的有意义电极通道，减少了对手动电极选择的依赖。
• 该方法在真实应用场景中表现出鲁棒性，包括使用阈值穿越事件进行特征提取的脑-机接口场景。
• 结果证实，一个经过良好训练的单一USC模型可作为多种神经记录环境下的通用脉冲检测工具。