Neural spikes classification in multichannel recordings

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.