Cristin-resultat-ID: 1871142
Sist endret: 22. november 2021, 11:59
NVI-rapporteringsår: 2021
Resultat
Vitenskapelig artikkel
2021

RippleNet: a Recurrent Neural Network for Sharp Wave Ripple (SPW-R) Detection

Bidragsytere:
  • Espen Hagen
  • Anna Chambers
  • Gaute Einevoll
  • Klas Henning Pettersen
  • Rune Enger og
  • Alexander Johannes Stasik

Tidsskrift

Neuroinformatics
ISSN 1539-2791
e-ISSN 1559-0089
NVI-nivå 1

Om resultatet

Vitenskapelig artikkel
Publiseringsår: 2021
Publisert online: 2021
Trykket: 2021
Volum: 19
Sider: 493 - 514
Open Access

Importkilder

Scopus-ID: 2-s2.0-85098990796

Klassifisering

Vitenskapsdisipliner

Simulering, visualisering, signalbehandling, bildeanalyse

Emneord

Maskinlæring • Kunstig intelligens • Hippocampus • Nevrovitenskap

Beskrivelse Beskrivelse

Tittel

RippleNet: a Recurrent Neural Network for Sharp Wave Ripple (SPW-R) Detection

Sammendrag

Hippocampal sharp wave ripples (SPW-R) have been identified as key bio-markers of important brain functions such as memory consolidation and decision making. Understanding their underlying mechanisms in healthy and pathological brain function and behaviour rely on accurate SPW-R detection. In this multidisciplinary study, we propose a novel, self-improving artificial intelligence (AI) detection method in the form of deep Recurrent Neural Networks (RNN) with Long Short-Term memory (LSTM) layers that can learn features of SPW-R events from raw, labeled input data. The approach contrasts conventional routines that typically relies on hand-crafted, heuristic feature extraction and often laborious manual curation. The algorithm is trained using supervised learning on hand-curated data sets with SPW-R events obtained under controlled conditions. The input to the algorithm is the local field potential (LFP), the low-frequency part of extracellularly recorded electric potentials from the CA1 region of the hippocampus. Its output predictions can be interpreted as time-varying probabilities of SPW-R events for the duration of the inputs. A simple thresholding applied to the output probabilities is found to identify times of SPW-R events with high precision. The non-causal, or bidirectional variant of the proposed algorithm demonstrates consistently better accuracy compared to the causal, or unidirectional counterpart. Reference implementations of the algorithm, named ‘RippleNet’, are open source, freely available, and implemented using a common open-source framework for neural networks (tensorflow.keras) and can be easily incorporated into existing data analysis workflows for processing experimental data.

Bidragsytere

Espen Hagen

  • Tilknyttet:
    Forfatter
    ved Institutt for datavitenskap ved Norges miljø- og biovitenskapelige universitet
  • Tilknyttet:
    Forfatter
    ved Fysisk institutt ved Universitetet i Oslo

Anna Ruth Chambers

Bidragsyterens navn vises på dette resultatet som Anna Chambers
  • Tilknyttet:
    Forfatter
    ved Seksjon for fysiologi ved Universitetet i Oslo

Gaute Tomas Einevoll

Bidragsyterens navn vises på dette resultatet som Gaute Einevoll
  • Tilknyttet:
    Forfatter
    ved Institutt for fysikk ved Norges miljø- og biovitenskapelige universitet
  • Tilknyttet:
    Forfatter
    ved Kondenserte fasers fysikk ved Universitetet i Oslo

Klas Henning Pettersen

  • Tilknyttet:
    Forfatter
    ved NORA - Research Consortium ved Universitetet i Oslo

Rune Enger

  • Tilknyttet:
    Forfatter
    ved Seksjon for anatomi ved Universitetet i Oslo
1 - 5 av 6 | Neste | Siste »