Investigating Independent component analysis-based strategies to improve spike sorting performance for high-density micro-electrode arrays

Neuroscience is a multidisciplinary science studying the brain and the nervous system. One widely used approach to record neuronal electrical activity is extracellular electrophysiology where neuronal probes record the electrical potential of the extracellular medium. The recorded signal is made up by a summation of the activity of all neurons close to the recording device, meaning that the signals need to be processed to reconstruct single unit activities. That is the goal of extit{spike sorting} algorithms. Even though a huge number of algorithms have been published in the last years, none can perform well on recordings with large noise level and small neuronal activity, meaning small neurons may not be detected. Independent Component Analysis is a blind source separation method that improve the quality of a signal, focusing it on the activity of its sources. Application of ICA has gained new interest in the latest years due to the increased spatial resolution of recording devices. The output of ICA is a set of signals, called Independent Components, that are, ideally, focused on the activity of a single neuron. That enhances the neuronal signals which, in turn, may improve spike sorting performances. Starting from that assumption, this work proposes new approaches for the application of ICA in spike sorting and it attempts to solve its computational limitations.

Le neuroscienze sono l'insieme delle scienze che studiano il sistema nervoso. Un approccio comune per registrare i segnali elettrici prodotti dai neuroni è l'elettrofisiologia extracellulare, nella quale sonde neuronali misurano il potenziale elettrico del liquido extracellulare. Il segnale registrato è composto dalla somma dei segnali prodotti dai singoli neuroni, quindi è necessario processare il segnale registrato per avere accesso all'attività delle singole unità. Questo è l'obiettivo degli algoritmi di spike sorting che ad oggi, nonostante il grande numero di algoritmi esistenti, falliscono nell'analisi di segnali con un alto livello di rumore. L'Analisi delle Componenti Indipendenti (ICA) è un metodo di elaborazione dei segnali che mira a scomporre un segnale nelle sorgenti che lo hanno generato. L'applicazione di ICA nell'ambito di spike sorting ha ricevuto nuova attenzione grazie all'aumento della risoluzione spaziale delle sonde neuronali. L'output di ICA sono i segnali delle singole sorgenti, anche chiamate Componenti Indipendenti (ICs). Questa caratteristica porta le ICs ad avere un rapporto segnale/rumore maggiore rispetto ai segnali registrati che a sua volta porta ad una migliore performance degli algoritmi di spike sorting. Questa è l'assunzione di base dietro alla nuova applicazione di ICA per spike sorting proposta in questo elaborato.