Cristin-resultat-ID: 1879826
Sist endret: 23. februar 2021, 14:56
Resultat
Vitenskapelig artikkel
2020

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

bioRxiv - the preprint server for biology

Om resultatet

Vitenskapelig artikkel
Publiseringsår: 2020
Publisert online: 2020
Open Access

Klassifisering

Vitenskapsdisipliner

Simulering, visualisering, signalbehandling, bildeanalyse

Emneord

Maskinlæring • Kunstig intelligens • Nevrovitenskap • Hippocampus

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. SPW-R detection typically relies on hand-crafted feature extraction, and laborious manual curation is often required. In this multidisciplinary study, we propose a novel, self-improving artificial intelligence (AI) 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 algorithm is trained using supervised learning on hand-curated data sets with SPW-R events. 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. The output prediction can be interpreted as the time-varying probability of SPW-R events for the duration of the input. A simple thresholding applied to the output probabilities is found to identify times of events with high precision. The reference implementation of the algorithm, named ‘RippleNet’, is 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

Anna Ruth Chambers

Bidragsyterens navn vises på dette resultatet som Anna Chambers
  • Tilknyttet:
    Forfatter
    ved Gruppe for Neural Computation ved Universitetet i Oslo

Gaute Tomas Einevoll

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

Klas Henning Pettersen

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

Rune Enger

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