Compressive sensing applied to HD-MEA recordings of neural cultures

Compressive Sensing (CS) is a signal processing technique that, at the cost of computationally expensive reconstruction, may acquire and sparsely reconstruct signals with substantially fewer samples than the classic Nyquist sampling theorem. CS has been one of the most significant advances in biological signal and image processing during the past two decades particularly in Magnetic Resonance Imaging (MRI). High Density Micro Electrode Arrays (HD-MEAs) allow comprehensive brain recordings with a high level of temporal resolution. The HD-MEAs are a reliable tool for neuroscience research because they can efficiently record subcellular neuronal activities. While expanding solutions concentrate on on-chip development, efficient signal acquisition and large-scale data processing restrict the expansion of HD-MEA utilization. Limitations imposed by technology on the processing of massive brain data enable a more advanced level of signal acquisition and data processing. While numerous fields of signal processing and brain imaging are flourishing, HD-MEA technologies have not exploited the discipline of CS robust foundation for efficient data collection and processing. The first section of this thesis investigates the existing HD-MEA sensing technology, its status in terms of brain and neural sensory resolution, and the technological limitations of signal acquisition and data processing. Then, investigate CS theory and reconstruction strategies spanning from classical optimization to modern deep learning techniques. Next, using several fixed and learned dictionaries, we study the sparsity and compressibility of HD-MEA signals in temporal and spatial dimensions. To assess the accuracy of neural information, compare the findings of Spike Sorting (SS) and classification algorithms. Finally, study reconstruction algorithms for efficient and dependable signal recovery and compare results with raw and compressed recordings using appropriate evaluation metrics.

Il Compressive Sensing (CS) è una tecnica di elaborazione del segnale che, a scapito di una ricostruzione computazionalmente costosa, può raccogliere e ricostruire segnali sparsi con un numero sostanzialmente inferiore di campioni rispetto al classico teorema di campionamento di Nyquist. CS è stato uno dei progressi più significativi nel segnale biologico e nell'elaborazione delle immagini negli ultimi due decenni in particolare nella risonanza magnetica (MRI). Gli array di microelettrodi ad alta densità (HD-MEA) consentono registrazioni cerebrali complete con un alto livello di risoluzione temporale. Gli HD-MEA sono uno strumento affidabile per ricerca sul cervello e sulle neuroscienze perché possono registrare in modo efficiente il neurone subcellulare attività. Mentre le soluzioni in aumento si concentrano sullo sviluppo su chip, la raccolta efficiente del segnale e l'elaborazione dei dati su larga scala limitano l'espansione dell'uso di HD-MEA. I limiti tecnologici sull'enorme elaborazione dei dati neurali rendono fattibile un livello più profondo di acquisizione del segnale e di elaborazione dei dati. Mentre numerosi campi dell'elaborazione del segnale e dell'imaging cerebrale sono fiorenti, le tecnologie HD-MEA non hanno sfruttato la solida base disciplinare della CS per un'efficiente raccolta ed elaborazione dei dati. La prima sezione di questa tesi esamina l'attuale tecnologia di rilevamento HD-MEA, il suo stato in termini di risoluzione sensoriale cerebrale e neurale e gli attuali limiti tecnologici nell'acquisizione del segnale e nell'elaborazione dei dati. Quindi, esamina la teoria CS e le strategie di ricostruzione che vanno dall'ottimizzazione classica alle moderne tecniche di deep learning. Quindi, utilizzando diversi dizionari fissi e appresi, studiamo la scarsità e la compressibilità dei segnali HD-MEA nelle dimensioni temporali e spaziali. Per valutare l'accuratezza delle informazioni neurali, confronta i risultati degli algoritmi di ordinamento degli spike (SS) e di classificazione. Infine, studia gli algoritmi di ricostruzione per un recupero del segnale efficiente e affidabile e confronta i risultati con registrazioni grezze e compresse utilizzando criteri di valutazione appropriati.