h1

000853123 001__ 853123
000853123 005__ 20230328172540.0
000853123 020__ $$a978-3-95806-640-3
000853123 0247_ $$2HBZ$$aHT021473467
000853123 0247_ $$2Laufende Nummer$$a41598
000853123 0247_ $$2datacite_doi$$a10.18154/RWTH-2022-08615
000853123 037__ $$aRWTH-2022-08615
000853123 041__ $$aEnglish
000853123 082__ $$a570
000853123 1001_ $$0P:(DE-588)1272836797$$aStella, Alessandra$$b0$$urwth
000853123 245__ $$aHigher-order correlation analysis in massively parallel recordings in behaving monkey$$cAlessandra Stella$$honline, print
000853123 260__ $$aJülich$$bForschungszentrum Jülich GmbH, Zentralbibliothek, Verlag$$c2022
000853123 300__ $$a1 Online-Ressource : Illustrationen, Diagramme
000853123 3367_ $$02$$2EndNote$$aThesis
000853123 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000853123 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000853123 3367_ $$2BibTeX$$aPHDTHESIS
000853123 3367_ $$2DRIVER$$adoctoralThesis
000853123 3367_ $$2DataCite$$aOutput Types/Dissertation
000853123 3367_ $$2ORCID$$aDISSERTATION
000853123 4900_ $$aSchriften des Forschungszentrums Jülich. Reihe Information = Information$$v81
000853123 500__ $$aDruckausgabe: 2022. - Onlineausgabe: 2022. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University
000853123 502__ $$aDissertation, RWTH Aachen University, 2022$$bDissertation$$cRWTH Aachen University$$d2022$$gFak01$$o2022-06-03
000853123 5203_ $$aEine gängige Hypothese zum Mechanismus der Informationsverarbeitung im kortikalen Netzwerk ist die sequentielle Aktivierung von Ensembles von Neuronen (’cell assemblies’), die sich durch korrelierte neuronale Aktivität uszeichnen. In vielen Studien wurde das Auftreten zeitlich präziser raum-zeitlicher Muster von Aktionspotentialen Spikes) als Ausdruck von aktiven neuronalen Ensembles untersucht. Diese sind definiert als Sequenzen von Spikes unterschiedlicher Neurone mit bestimmten Zeitintervallen zwischen den Spikes, die sich genau in dieser Konfiguration wiederholen. Zur Detektion dieser Muster wurde die statistische Methode SPADE (Spatio-temporal PAttern Detection and Evaluation) entwickelt, welche zuerst nur synchrone Spike-Muster detektieren konnte, dann aber auf raum-zeitliche Spike-Muster (STP) erweitert wurde. Allerdings wurde die Methode bislang nur auf relativ einfachen, simulierten Daten angewandt und getestet, und noch nicht auf experimentelle Daten angewendet.In dieser Arbeit führe ich eine wesentliche Erweiterung zur SPADE Methode ein, die es erlaubt auch die Dauer raum-zeitlicher SpikeMuster, die Ordnung der Korrelation und die Anzahl der STPs angemessen im Signifikanztest berücksichtigen. Mit dieser Verbesserung wurde die statistische Performanz wesentlich verbessert. Zusätzlich habenwir eine optimierte Implementation für den Mining Algorithmus von SPADE entwickelt, welche auf verschiedener Computerhardware lauffähig ist, und um 1-2 Grössenordnungen schneller ist und wesentlich effizienter den Speicher des Computers nutzt.Desweiteren habe ich künstliche Daten entwickelt und simuliert, welche unterschiedliche Grade der Komplexität experimenteller Daten nachahmen. Diese basieren vollständig auf Punktprozessmodellen, deren zugrundeliegenden Parameter vollständig bekannt sind. Diese Daten dienen als realistische Referenzdaten zur Validierung und Testung von Methoden zur Analyse neuronaler Spike-Folgen.In einer weiteren Untersuchung vergleichen wir unterschiedliche Surrogatmethoden, d.h. Methoden der gezielten Zerstörung der Zeitrelationen paralleler Spike-Folgen, auf deren Anwendungsmöglichkeit zur Testung statistischer Signifikanz von Spike-Mustern. Unsere Ergebnisse zeigen, dass die klassische Methode des ’uniform dithering’,d.h. das uniforme, zufällige Versetzen von Spikezeitpunkten, nicht als adequate Surrogatmethode dient, da sie im Kontext unserer experimentellen Daten zu einer Unterschätzung der Signifikanz führt. Stattdessen haben wir alternative Methoden mit besserer Performanz entwickelt.In der letzten hier dargestellten Studie analysierte ich experimentelle neuronale Daten aus dem Motorkortex von zwei nicht-humanen Affen, die eine motorische Aufgabe ausführen, indem die den Arm ausstrecken und ein bestimmtes Objekt greifen. Die massiv-parallelen gemessenen Spikefolgen verschiedener Messexperimente wurden aufdas Auftreten von STPs mit SPADE untersucht. Es zeigte sich, dass STPs in allen Phasen des Verhaltens in einem Versuchsdurchgang mit hoher Spezifizität auftreten, was wir als Ausdruck der Aktivierung unterschiedlicher neuronaler Ensembles interpretieren. Darüberhinaus zeigt unsere Analyse, dass einzelne Neurone in unterschiedlichen STPs involviert sind. Eine räumliche Ballung von Neuronen, die in STPs beteiligt sind, zeigt sich hingegen nicht.$$lger
000853123 520__ $$aIt has been hypothesized that information processing in the cortical network evolves through the subsequent activation of groups of neurons called cell assemblies, and correlated activity is thought to be the signature of their activation.Numerous studies have assessed the presence of precisely-timed spatio-temporal spike patterns (STPs), defined here as sequences of spikes emitted by a set of neurons with fixed time delays between the spikes, repeating in the same configuration in all occurrences. SPADE (Spatio-temporal PAttern Detection and Evaluation) was introduced asan analysis method for the detection of synchronous patterns, and then extended for the detection of spike patterns with temporal delays in parallel spike trains. However, the method was evaluated for the STP detection on simple artificial data, and not yet applied on experimental spike trains.In this thesis we introduce an extension of the original statistical test of SPADE, accounting for the temporal duration of the patterns, the order of correlation and the frequency of pattern occurrence. In this way, we assess that statistical performances are strongly improved. Additionally, we propose an optimized implementation of the mining algorithm of SPADE. We test the implementation on a wide range of different hardware and on real experimental data, showing that it results to be between one and two orders of magnitude faster and more memory efficient.We also propose five artificial data sets, reproducing with increasing degree the statistical complexity of experimental data, still being completely artificial and generated by point process models. Such data sets may be employed as ground truth for analysis methods of parallel spike trains. Furthermore, we compare different surrogate techniques to evaluate their effect on parallel spike trains statistics and on the evaluation of STP significance. Our results show that the most classical method of uniform dithering fails as an appropriate surrogate, since it leads to underestimation of significance. Thus, we propose an alternative method with better performance.Finally, we analyze with SPADE experimental data from the neural activity recorded from the motor cortex of two macaque monkeys, trained to execute a reaching-and-grasping task. We find that significant STPs occur in all phases of the behavior, and are highly specific to the behavioral context, suggesting that different cell assemblies are active in the context of different behaviors. Moreover, our analysis reveals neurons that are involved in several patterns in different behavioral contexts, and are not clustered in space.$$leng
000853123 536__ $$0G:(GEPRIS)368482240$$aGRK 2416: MultiSenses-MultiScales: Novel approaches to decipher neural processing in multisensory integration (368482240)$$c368482240$$x0
000853123 536__ $$0G:(GEPRIS)491111487$$aOpen-Access-Publikationskosten Forschungszentrum Jülich (OAPKFZJ) (491111487)$$c491111487$$x1
000853123 536__ $$0G:(EU-Grant)785907$$aHBP SGA2 - Human Brain Project Specific Grant Agreement 2 (785907)$$c785907$$fH2020-SGA-FETFLAG-HBP-2017$$x2
000853123 536__ $$0G:(EU-Grant)945539$$aHBP SGA3 - Human Brain Project Specific Grant Agreement 3 (945539)$$c945539$$fH2020-SGA-FETFLAG-HBP-2019$$x3
000853123 536__ $$0G:(DE-HGF)ZT-I-0003$$aHAF - Helmholtz Analytics Framework (ZT-I-0003)$$cZT-I-0003$$x4
000853123 536__ $$0G:(DE-Juel1)JL SMHB-2021-2027$$aJL SMHB - Joint Lab Supercomputing and Modeling for the Human Brain (JL SMHB-2021-2027)$$cJL SMHB-2021-2027$$x5
000853123 591__ $$aGermany
000853123 653_7 $$acomputational neuroscience
000853123 653_7 $$aneural coding
000853123 653_7 $$astatistical neuroscience
000853123 7001_ $$0P:(DE-82)IDM02445$$aGrün, Sonja Annemarie$$b1$$eThesis advisor$$urwth
000853123 7001_ $$0P:(DE-82)IDM01906$$aKampa, Björn M.$$b2$$eThesis advisor$$urwth
000853123 8564_ $$uhttps://publications.rwth-aachen.de/record/853123/files/853123.pdf$$yOpenAccess
000853123 8564_ $$uhttps://publications.rwth-aachen.de/record/853123/files/853123_source.zip$$yRestricted
000853123 909CO $$ooai:publications.rwth-aachen.de:853123$$popenaire$$popen_access$$pdriver$$pVDB$$pec_fundedresources$$pdnbdelivery
000853123 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1272836797$$aRWTH Aachen$$b0$$kRWTH
000853123 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM02445$$aRWTH Aachen$$b1$$kRWTH
000853123 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01906$$aRWTH Aachen$$b2$$kRWTH
000853123 9141_ $$y2022
000853123 915__ $$0LIC:(DE-HGF)CCBY4$$2HGFVOC$$aCreative Commons Attribution CC BY 4.0
000853123 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000853123 9201_ $$0I:(DE-82)163110_20180110$$k163110$$lLehr- und Forschungsgebiet Theoretische Systemneurobiologie (FZ Jülich)$$x0
000853123 9201_ $$0I:(DE-82)160000_20140620$$k160000$$lFachgruppe Biologie$$x1
000853123 961__ $$c2022-10-17T15:41:59.567543$$x2022-09-03T16:45:28.143992$$z2022-10-17T15:41:59.567543
000853123 9801_ $$aFullTexts
000853123 980__ $$aI:(DE-82)160000_20140620
000853123 980__ $$aI:(DE-82)163110_20180110
000853123 980__ $$aUNRESTRICTED
000853123 980__ $$aVDB
000853123 980__ $$abook
000853123 980__ $$aphd