Reservoir-Computing Model for Mapping and Forecasting Neuronal Interactions from Electrophysiological Data

要約

ニューロンネットワークの電気生理学的性質により、異なる細胞単位間のさまざまな相互作用を非常に短い時間スケールで明らかにすることができます。
これらの信号を解析する際の多くの課題の 1 つは、特定のネットワークの形態と機能を取得することです。
この研究では、Reservoir Computing Network (RCN) アーキテクチャに基づいた計算モデルを開発しました。このモデルは、神経培養の電気生理学的測定からの時空間データを解読し、神経単位間の接続を表す巨視的な領域でネットワーク構造を再構築します。
。
このモデルは、相互相関や転送エントロピーなどの一般的な方法よりも高い精度でネットワークの接続マップを予測できることを実証します。
さらに、局所的な刺激などの特定の入力に対するネットワーク応答を予測するモデルの能力を実験的に実証します。

要約(オリジナル)

Electrophysiological nature of neuronal networks allows to reveal various interactions between different cell units at a very short time-scales. One of the many challenges in analyzing these signals is to retrieve the morphology and functionality of a given network. In this work we developed a computational model, based on Reservoir Computing Network (RCN) architecture, which decodes the spatio-temporal data from electro-physiological measurements of neuronal cultures and reconstructs the network structure on a macroscopic domain, representing the connectivity between neuronal units. We demonstrate that the model can predict the connectivity map of the network with higher accuracy than the common methods such as Cross-Correlation and Transfer-Entropy. In addition, we experimentally demonstrate the ability of the model to predict a network response to a specific input, such as localized stimulus.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google