guest ::
Analysis of electrophysiological data with invertible neural networks
2026
Dissertation, RWTH Aachen University, 2026
Druckausgabe: 2026. - Onlineausgabe: 2026. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak01
Hauptberichter/Gutachter
; ;
Tag der mündlichen Prüfung/Habilitation
2026-03-16
Online
DOI: 10.18154/RWTH-2026-06520
URL: https://publications.rwth-aachen.de/record/1038425/files/1038425.pdf
Einrichtungen
- Lehr- und Forschungsgebiet Theorie neuronaler Netzwerke (FZ Jülich) (136920)
- Fachgruppe Physik (130000)
Projekte
Thematische Einordnung (Klassifikation)
DDC: 530
Kurzfassung
Die Frage, wie neuronale Populationen Informationen darstellen, ist eine zentrale Herausforderung in den Neurowissenschaften. Angesichts der parallelen neuronalen Aufzeichnungen vieler Neuronen stellt sich eine Kernfrage: Wie lassen sich aus komplexen Populationsdynamiken aufschlussreiche Strukturen herauslesen? Diese Arbeit entwickelt neue Ansätze zur Analyse neuronaler Daten. Der Fokus richtet sich dabei auf die zeitliche Präzision von Spike-Timing-Korrelationen und Korrelationen höherer Ordnung in kontinuierlichen Populationsaktivitäten. Gruppen von Neuronen zeigen hochstrukturierte, zeitlich präzise Korrelationen, obwohl ihre Reaktionen individuell variabel erscheinen. Die Kernfrage lautet: Sind die beobachteten Korrelationen lediglich Nebenprodukte von Feuerratenmodulationen oder spiegeln sie eine wirkliche zeitliche Koordination mit zusätzlicher Rechenkraft wider? Die neuronale Populationsaktivität findet typischerweise auf niedrigdimensionalen Mannigfaltigkeiten innerhalb hochdimensionaler Zustandsräume statt. Herkömmliche Methoden wie die Hauptkomponentenanalyse sind durch Linearitäts- und Gaußsche Annahmen eingeschränkt und können gekrümmte Mannigfaltigkeiten und nichtlineare Abhängigkeiten, die für das Verständnis neuronaler Berechnungen entscheidend sind, nicht erkennen. Diese Arbeit befasst sich mit beiden Herausforderungen in vier miteinander verbundenen Studien, die diskrete und kontinuierliche neuronale Signale umfassen. Das erste Kapitel befasst sich mit der Analyse zeitlich präziser Korrelationen durch eine Bewertung verschiedener Ansätze zur Erzeugung von Surrogaten und gibt Empfehlungen für die Auswahl von Methoden für bestimmte experimentelle Ziele. Das zweite Kapitel untersucht, wie rekurrente Schaltkreisdynamiken neuronale Repräsentationen transformieren. Dazu führt es eine Mean-Field-Theorie ein, die komplexes Netzwerkverhalten auf drei kritische Variablen reduziert: populationsgemittelte Aktivität und Korrelationsmaße, die die Reaktionsvariabilität innerhalb und zwischen Reizkategorien quantifizieren. Das dritte Kapitel entwickelt Methoden zur Extraktion verborgener Abhängigkeiten mithilfe invertierbarer neuronaler Netzwerke und demonstriert Techniken zur Identifizierung mikroskopischer Interaktionen direkt aus beobachteten Daten ohne strenge Vorannahmen. Das vierte Kapitel stellt ein umfassendes System zur neuronalen Mannigfaltigkeitsanalyse vor, das invertierbare Netzwerke nutzt. Wir setzen neue Erweiterungen ein, darunter eine spezielle Verlustfunktion, einen multimodalen latenten Raum und eine analytische Darstellung, mit der Statistiken höherer Ordnung und Krümmungsmaße direkt berechnet werden können. Die Analyse von Aufzeichnungen aus dem visuellen Kortex von Makaken zeigt, dass unterschiedliche Verhaltenskontexte Mannigfaltigkeiten mit charakteristischen geometrischen Eigenschaften erzeugen. Diese Fortschritte bieten neue Möglichkeiten zur Erforschung der Informationsverarbeitung in neuronalen Systemen und verbessern unser Verständnis der Rechenprinzipien, die der Gehirnfunktion zugrunde liegen.Understanding how neural populations represent information remains a central challenge in neuroscience. With highly parallel neural recordings from many neurons, a key question arises: how can we extract meaningful structure from complex population dynamics? This thesis develops new approaches for analyzing neural data, focusing on temporal precision of spike-timing correlations and higher-order correlation structure in continuous population activity. Groups of neurons exhibit highly structured, precisely timed correlations despite individual responses appearing variable. The fundamental question becomes: are observed correlations merely byproducts of firing rate modulations, or do they reflect genuine temporal coordination that provides additional computational power? Population-level neural activity typically resides on low-dimensional manifolds within high-dimensional state spaces. Traditional methods like Principal Component Analysis are constrained by linearity and Gaussianity assumptions, unable to reveal curved manifolds and nonlinear dependencies crucial for understanding neural computation. This thesis tackles both challenges through four interconnected studies spanning discrete to continuous neural signals. The first chapter advances analyzing precisely timed correlations through exhaustive assessment of surrogate generation approaches, offering recommendations for method selection tailored to specific experimental objectives. The second chapter examines how recurrent circuit dynamics transform neural representations, introducing a mean-field theory that distills complex network behavior into three critical variables: population-averaged activity and correlation measures quantifying response variability within and between stimulus categories. The third chapter develops methods for extracting hidden interdependencies using invertible neural networks, demonstrating techniques for identifying microscopic interactions directly from observed data without strong prior assumptions. The fourth chapter presents a comprehensive framework for neural manifold analysis using invertible networks. We implement novel extensions including a specialized loss function, a multimodal latent space, and an analytical representations enabling direct computation of higher-order statistics and curvature measures. Analysis of macaque visual cortex recordings reveals that distinct behavioral contexts produce manifolds with characteristic geometric properties. These innovations provide new capabilities for deciphering how neural systems encode and process information, advancing our understanding of computational principles governing brain function.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
online, print
Sprache
English
Externe Identnummern
HBZ: HT031594701
Interne Identnummern
RWTH-2026-06520
Datensatz-ID: 1038425
Beteiligte Länder
Germany
; 
|
The record appears in these collections: |