Clusterización basada en densidad: una mirada en términos de lanscape para datos neuronales multicanal. Inferencia y análisis de complejidad de la dinámica.

GABRIEL BAGLIETTO; GUIDO GIGANTE; PAOLO DEL GIUDICE

Congreso; TREFEMA 2017; 2017

Registros simultáneos de N electrodos generan series temporales N dimensionales que requieren una representación eficiente para lograr exponer aspectos relevantes de la dinámica subyacente. Al discretizar el tiempo en bins se define una secuencia de vectores de actividad neuronal que puebla el espacio N dimensional como una distribución de densidad. Esto es especialmente informativo cuando la dinámicaneuronal procede como una trayectoria estocástica pasando por estados meta-estables (siendo este un caso muy frecuente en neurociencias). Esto hace que realizar un clustering en el espacio N-dimensional sea una opción natural. Para realizar esta operación aplicamos una variante del algorimo Mean-Shift y la validamos aplicándola a redes de Hopfield en su fase vítrea, en las que los estados meta-estables están descorrelacionados de los atractores de memoria.Los estados neuronales identificados como centroides de los clusters son luego utilizados para definir una representación compacta de la matriz sináptica, lo que permite grandes mejoras en la inferencia de los acoplamientos sinápticos a partir de la actividad neuronal. Luego consideramos el caso más realista de una red multi-modular de neuronas Integrate and Fire (IF) con Spike Frequency Adaptation (SFA),lo que induce efectos dependientes de la historia. Desarrollamos un procedimiento, inspirado en Boltzmann learning pero extendiendo su dominio de aplicación, para determinar las sinapsis entre los módulos, de forma tal que la red neuronal reproduzca un patrón prescrito de correlaciones espaciales. Luego de clusterizar la actividad generada por esta red modular de neuronas IF describimos su dinámica multidimensional por medio de la secuencia simbólica de los centroides de los clusters; esta representación conduce naturalmente a la utilización de estimadores de complejidad que proveen información compacta sobre efectos de memoria tales como los inducidos por SFA. Específicamente, para obtener una medida relativa de la complejidad, comparamos la complejidad de Lempel-Ziv en la secuencia de centroides con la de un proceso de Markov generado a partir de las probabilidades de transición entre los centroides.