h1

000994159 001__ 994159
000994159 005__ 20250424170550.0
000994159 0247_ $$2HBZ$$aHT030877349
000994159 0247_ $$2Laufende Nummer$$a43686
000994159 0247_ $$2datacite_doi$$a10.18154/RWTH-2024-09140
000994159 037__ $$aRWTH-2024-09140
000994159 041__ $$aEnglish
000994159 082__ $$a570
000994159 1001_ $$0P:(DE-588)1346086044$$aKleinjohann, Alexander$$b0$$urwth
000994159 245__ $$aModeling experimental data: required pre-processing and workflows$$cvorgelegt von Alexander Kleinjohann, M.Sc.$$honline
000994159 260__ $$aAachen$$bRWTH Aachen University$$c2023
000994159 260__ $$c2024
000994159 300__ $$a1 Online-Ressource : Illustrationen
000994159 3367_ $$02$$2EndNote$$aThesis
000994159 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000994159 3367_ $$2BibTeX$$aPHDTHESIS
000994159 3367_ $$2DRIVER$$adoctoralThesis
000994159 3367_ $$2DataCite$$aOutput Types/Dissertation
000994159 3367_ $$2ORCID$$aDISSERTATION
000994159 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University 2024
000994159 502__ $$aDissertation, RWTH Aachen University, 2023$$bDissertation$$cRWTH Aachen University$$d2023$$gFak01$$o2023-11-30
000994159 5203_ $$aIn dieser Arbeit entwickeln wir ein Modell und vergleichen dessen Vorhersagen mit experimentellen Daten. Wir validieren das Modell, nutzen es um die Ergebnisse des Experiments zu erklären und zeigen, wie diese Ergebnisse den Parameterraum des Modells eingrenzen. Um ein präzises Modell mit einem angebrachten Abstraktionslevel zu formulieren und auf experimentelle Ergebnisse anzuwenden, müssen die experimentellen Daten grundlegende Voraussetzungen erfüllen: Sie müssen auf Artefakte, die die Ergebnisse beeinflussen können, untersucht und bereinigt werden, sie müssen vorverarbeitet werden, und die Provenienzinformationen und Metadaten der Vorverarbeitung und der Analyse müssen zugänglich und durchsuchbar sein um in der Modellentwicklung einbezogen werden zu können. Um dies sicherzustellen klassifizieren wir Artefakte in elektrophysiologischen Daten, entwickeln Methoden zur Beseitigung der verschiedenen Klassen und quantifizieren die Wirksamkeit dieser Methoden. Darauf aufbauendentwickeln wir einen Workflow zur Vorverarbeitung von elektrophysiologischen Daten weiter, der die positivbewerteten Methoden zur Beseitigung von Artefakten beinhaltet, indem wir ihn verbessern, ausbauen und allgemeiner anwendbar machen. Vorverarbeitung und Beseitigung von Artefakten in elektrophysiologischen Daten ist ein stetig wachsender Bereich der computergestützten Neurowissenschaften, da Experimente kontinuierlich komplexer werden und wachsende Datenmengen von mehr Modalitäten gleichzeitig aufgenommen werden können. Wir präsentieren ein breit anwendbares Konzept zur Datenerfassung und -vorverarbeitung für die Elektro- und Optophysiologie, entwickeln eine Checklist für die Entwicklung eines rigorosen Konzepts für die Erfassung und Vorverarbeitung von Daten und demonstrieren dies anhand eines Anwendungsbeispiels. Im letzten Schritt formulieren wir ein räumliches Modell für die Einbettung von Synfire Chains in einemkortikalen Netzwerk und wenden es auf raumzeitliche Muster von Aktionspotenzialen, die in Daten aus dem primären Motorkortex von Macaque Affen detektiert wurden, während diese instruiert waren, eine retardierte Griffbewegung auszuführen. Zuerst validieren wir das Modell, indem wir zeigen, dass aktive Synfire Chains in diesem Versuchsaufbau trotz der gewaltigen Unterabtastung der beteiligten Neuronengruppen als raumzeitliche Muster von Aktionspotenzialen detektiert werden können. Darauf aufbauend fitten wir das Modell an die Daten und zeigen, dass Synfire Chains die Statistiken der raumzeitlichen Muster erklären können und berechnen, wie die experimentellen Ergebnisse den Parameterraum des Modells einschränken: Die Gruppen der Synfire Chains müssen viele Neurone enthalten und räumlich breit verteilt sein.$$lger
000994159 520__ $$aIn this work, we formulate and apply a model to experimental data. We validate the model, use it to explain the experimental results, and calculate constraints for the parameters of the model using the experimental data. The formulation of an accurate model at a proper abstraction level and its application to real experimental data requires several important prerequisites; the experimental data has to be pre-processed adequately, it has to be cleaned of artefacts which could impact the results, and the provenance of the pre-processing and the applied analysis methods as well as the metadata of the recording has to be readily available and searchable to be taken into account in the formulation of the model. To this end, we first explore artefacts in electrophysiological data which could impact our results. We group them into multiple artefact types, propose removal methods for all types, and evaluate the removal methods to check their performance. We then build upon a pre-processing workflow for electrophysiological data which incorporates the artefact removal methods which have proven to be successful in the previous step by improving, expanding, and generalising the workflow. Data pre-processing and artefact removal is a growing demand in computational neuroscience as experiments become more and more complex and more data of different modalities can be recorded simultaneously. We propose a common framework for data handling in electrophysiology, design a checklist for designing a rigorous acquisition and pre-processing workflow, and apply it to an example use-case. In the final step, we formulate a spatial model of the embedding of synfire chains in a cortical network and apply it to spatio-temporal spike patterns detected in macaque primary motor cortex during a delayed reach-to-grasp task. First, we validate that synfire chain activity can be detected as spatio-temporal spike patterns in this experimental setup despite the massive sub-sampling of the underlying neuronal populations. Building upon this, we fit the model to the experimental results, show that synfire chains can explain the observed spike pattern statistics, and calculate constraints of the model parameters given the experimental results: the groups of the synfire chains have to contain many neurons and have to be broadly distributed in space.$$leng
000994159 536__ $$0G:(EU-Grant)945539$$aHBP SGA3 - Human Brain Project Specific Grant Agreement 3 (945539)$$c945539$$fH2020-SGA-FETFLAG-HBP-2019$$x0
000994159 536__ $$0G:(DE-HGF)HMC_20200306$$aHMC - Helmholz Metadata Collaboration (HMC_20200306)$$cHMC_20200306$$x1
000994159 588__ $$aDataset connected to Lobid/HBZ
000994159 591__ $$aGermany
000994159 653_7 $$acomputational neuroscience
000994159 653_7 $$aneural coding
000994159 653_7 $$aresearch software development
000994159 653_7 $$astatistical neuroscience
000994159 653_7 $$aworkflow management
000994159 7001_ $$0P:(DE-82)IDM02445$$aGrün, Sonja Annemarie$$b1$$eThesis advisor$$urwth
000994159 7001_ $$0P:(DE-82)IDM01906$$aKampa, Björn M.$$b2$$eThesis advisor$$urwth
000994159 8564_ $$uhttps://publications.rwth-aachen.de/record/994159/files/994159.pdf$$yOpenAccess
000994159 8564_ $$uhttps://publications.rwth-aachen.de/record/994159/files/994159_source.zip$$yRestricted
000994159 909CO $$ooai:publications.rwth-aachen.de:994159$$popenaire$$popen_access$$pec_fundedresources$$pdriver$$pdnbdelivery$$pVDB
000994159 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-588)1346086044$$aRWTH Aachen$$b0$$kRWTH
000994159 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM02445$$aRWTH Aachen$$b1$$kRWTH
000994159 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01906$$aRWTH Aachen$$b2$$kRWTH
000994159 9141_ $$y2023
000994159 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000994159 9201_ $$0I:(DE-82)163110_20180110$$k163110$$lLehrstuhl für Theoretische Systemneurobiologie (FZ Jülich)$$x0
000994159 9201_ $$0I:(DE-82)160000_20140620$$k160000$$lFachgruppe Biologie$$x1
000994159 961__ $$c2024-11-12T14:09:28.014631$$x2024-09-30T12:32:16.225966$$z2024-11-12T14:09:28.014631
000994159 9801_ $$aFullTexts
000994159 980__ $$aI:(DE-82)160000_20140620
000994159 980__ $$aI:(DE-82)163110_20180110
000994159 980__ $$aUNRESTRICTED
000994159 980__ $$aVDB
000994159 980__ $$aphd