Spike Sorting Solutions Csercsa Richárd Magony Andor.

Slides:



Advertisements
Hasonló előadás
Valószínűségszámítás
Advertisements

Jelanalízis.
F IGYELMI ALGORITMUSOKKAL VEZÉRELT HELYSZÍNANALÍZIS A BIONIKUS SZEMÜVEGBEN Persa György.
MI 2003/9 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
Érzékenységvizsgálat
Módszerek sebességi állandók becslésére Kovács Benedek, Budapesti Műszaki és Gazdaségtudományi Egyetem.
Sűrűségfüggvény Parzen becslés Mintapontszám, szigma.
Digitális képanalízis
Bayes hálók október 20. Farkas Richárd
MI 2003/ Alakfelismerés - még egy megközelítés: még kevesebbet tudunk. Csak a mintánk adott, de címkék nélkül. Csoportosítás (klaszterezés, clustering).
Mérési pontosság (hőmérő)
Összefüggés vizsgálatok x átlag y átlag Y’ = a + bx.
Szoftver bonyolultsági mértékek alkalmazási területei Király Roland 2011.
Mesterséges neuronhálózatok
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Mintavétel Mintavétel célja: következtetést levonni a –sokaságra vonatkozóan Mintavétel.
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
Statisztika II. II. Dr. Szalka Éva, Ph.D..
Előadó: Prof. Dr. Besenyei Lajos
Mintavételes eljárások
Adaptív jelfeldolgozás Rádiócsatorna kiegyenlítése
Küszöbölés Szegmentálás I.
Diszkriminancia analízis
Agykérgi lassú alvási oszcilláció vizsgálata epilepsziás betegben Csercsa Richárd PPKE-ITK december 16.
Diagnosztikai tesztek szenzitivitása és specificitása, pozitív és negatív prediktív értéke, ROC analízis, a klinikai döntéshozatal folyamata.
Statisztika II. VIII. Dr. Szalka Éva, Ph.D..
Dr. Szalka Éva, Ph.D.1 Statisztika II. VI.. Dr. Szalka Éva, Ph.D.2 Regresszióanalízis.
Készítette: Kosztyán Zsolt Tibor
Alapfogalmak Alapsokaság, valamilyen véletlen tömegjelenség.
Az F-próba szignifikáns
Statisztika a szociológiában
Gyengén nemlineáris rendszerek modellezése és mérése Készítette: Kis Gergely Konzulens: Dobrowieczki Tadeusz (MIT)
Idősor elemzés Idősor : időben ekvidisztáns elemekből álló sorozat
KÖRNYEZETI RENDSZEREK MODELLEZÉSE
Környezeti monitoring Feladat: Vízminőségi adatsor elemzése, terhelés (anyagáram) számítása Beadás: szorgalmi időszak vége (dec. 11.), KD: dec. 21.
Érzékenységvizsgálat
$ Információ Következmény Döntés Statisztikai X.  Gyakorlati problémák megoldásának alapja  Elemzéseink célja és eredménye  Központi szerep az egyén.
1 Mössbauer-spektrumok illesztése: vonalalak A kibocsátott  -sugárzás energiaspektruma Lorentz-görbe alakú: I : sugárzás intenzitása  : frekvencia 
Felszíni víz monitoring
GPS az építőmérnöki gyakorlatban Transzformáció. Térbeli hasonlósági transzformáció.
Gazdaságstatisztika Bevezetés szeptember 11.
Többváltozós adatelemzés
Többváltozós adatelemzés
Alapsokaság (populáció)
Többszintű Tenyéralapú Biometrikus Azonosító Rendszer
Neuroszimulátorok tesztelése a DemoGrid rendszeren MTA KFKI Részecske- és Magfizikai Kutatóintézet Biofizikai Osztály
Rendszám Felismerő Rendszer Fajt Péter Vácz István
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1.
Orvosbiológiai képkereső rendszer teljesítményének képek osztályozásán alapuló javítása Június 23, 2008 Budapest Altrichter Márta Konzulens: dr. Horváth.
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
15. Ön egy távközlési vállalkozás építési ellenőre
Részecskenyom analízis és osztályozás Pálfalvi József MSc, Intelligens Rendszerek, Önálló labor 1. Egyetemi konzulens: dr. Dobrowiecki Tadeusz (BME MIT)
Bevezetés a méréskiértékelésbe (BMETE80ME19)
MI 2003/8 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
Kutatási beszámoló 2002/2003 I. félév Iváncsy Renáta.
A számítógépes elemzés alapjai
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
ELQ 30A+ egyoldalas manuális mérései
Környezetvédelmi analitika
A számítógépes elemzés alapjai
Adaptív jelfeldolgozás Rádiócsatorna kiegyenlítése
Vivőfrekvenciás rendszerek vizsgálata ET 92 -vel
Vivőfrekvenciás rendszerek vizsgálata ET 91-el
További információkért kattintson a választott témára!
ELQ 30A+ két végpont közti manuális mérései
I. Előadás bgk. uni-obuda
Az Európai Unió tagországainak, a csatlakozásra váró országoknak
A évi kompetenciamérés FIT-jelentéseinek új elemei
Jelanalízis.
A mesterséges neuronhálók alapjai
3. osztályban.
Előadás másolata:

Spike Sorting Solutions Csercsa Richárd Magony Andor

Spike Sorting Solutions BevezetésSPIKE SORTING:  multielektród elterjedt használata (olcsó, egyszerű)  extracell. mérések miatt több neuron egy csatornán  szükséges lehet a megkülönböztetés  megkülönböztetés spec. jegyek alapján  egy csatornán található sejtek számának meghatározása  különböző sejtekhez tartozó spike-ok szétválogatása

Spike Sorting Solutions Megkülönböztető jegyek: amplitúdó időtartam

Spike Sorting Solutions Spike Sorting Módszerek:  feature analízis  amplitúdók alapján  főkomponens analízis (PCA)  spike alakjellemzők alapján (template matching)  cluster analízis  küszöb meghatározása (threshold detection)  manuális  k-means clustering (nearest-neighbour)  Bayes-döntés  neurális hálózatok

Spike Sorting Solutions Spike Sorting amplitúdó alapján:

Spike Sorting Solutions Spike Sorting amplitúdó alapján - hibák:  false negative: a küszöbérték a spike csúcsa felett van, spike-ok kihagyását eredményezi,  false positive: a küszöbérték túl alacsonyan van, háttérzajt is spike-nak nézheti,  overlap (átfedés):  a spike a háttér-spike (ami zajnak számít) negatív fázisában van, csökken az amplitúdója, threshold alá kerülhet:  két háttér-neuron együtt tüzel, közös amplitúdójuk a küszöbérték felett van:

Spike Sorting Solutions Főkomponens analízis (PCA): A jelalak komponensei közül a legjellemzőbb(ek) kiválasztása.

Spike Sorting Solutions Bayes-döntés:  k : az osztály paraméterei (átlag, szórás) p(c k ) : k-ik osztály valószínűsége

Spike Sorting Solutions Statisztikai (Ch. Pouzat):  Eloszlás meghatározására szolgál statisztikai módszerek segítségével:  Markov Chain Monte Carlo (MCMC)  Metropolis-Hastings algoritmus

Spike Sorting Solutions Független komponens analízis (ICA): Több csatona kevert jeléből választja ki az egyes neuronok jeleit. Akkor célszerű alkalmazni, ha egy neuron több csatornán is mérhető jeleket produkál.

Spike Sorting Solutions Tesztelés:  spike-alakok egymáson:  interspike interval (ISI):

Spike Sorting Solutions Köszönjük a figyelmet!