Exploring Denoising Performance in High-Frequency Neural Spike Reconstruction from Low-Frequency Recordings

Abstract

With the increasing advancements of machine learning in biomedical applications, data complexity, and noise distortions become necessary subsidizations to consider. A reconstruction-based algorithm can reconstruct a high-frequency neuronal signal from its low-frequency component, which can be subsampled during transmission to reduce data complexity. The model, due to its use in in-vitro and in-vivo data, has an elevated chance of distortions due to the introduction of noise. This model, when exploited with increased noise, showcased an unpredicted ability to reduce the noise band of the expected signal. Here, we will evaluate the performance and information retainability of this algorithm with respect to conventional denoising algorithms to explore this additional ability. The evaluation will compare the variations in the performance metrics related to spike information retention of the output high-frequency neuronal data with elevated noise levels.

Keywords: BMI, reconstruction models, denoising, data complexity|뇌-기계 인터페이스의 (Brain Machine Interface, BMI) 데이터 rehabilitation과 분석을 위해서 신뢰성 있고 왜곡이 적으며 데이터 복잡도가 낮은 데이터 처리 방법이 필요합니다. 이는 데이터 처리, 해석 또는 분석에 대한 기계 학습 인터페이스를 활용함으로써 가능합니다. 저주파 수신 신호의 고주파 신경 스파이크 신호를 예측할 수 있는 변환 기반의‘Spk-Recon’이라는 독특한 알고리즘이 개발되었으며, 이는 저장 데이터 용량을 줄이는 목적으로 작동 할 수 있는 능력을 갖추고 있어 보편화된 LFP 신호와 함께 사용될 수 있으며, BMI 기술에 대한 새로운 신호 처리 방법이 될 수 있습니다. 본 논문에서 실제적데이터 기록에 적용하는 이 알고리즘의 견고성을 확인하기 위해 높은 백색 소음의 추가에 의한 이 알고리즘의 노이즈 제거 성능을 평가하였습니다. 이 알고리즘은 낮은 노이즈 밴드에서 고주파 신호를 예측하는 개념으로 설계되어 있어, 주파수 대역폭이 좁기 때문에, 근본적인 노이즈 제거 특성을 갖추고 있습니다. 이러한 개념에 기반하여 Spk-Recon의 다양한 백색 노이즈 수준에 따른 노이즈 제거 성능을 다른 일반적으로 사용되는 노이즈 제거 방법과 비교하였습니다. 우리는 Spk-Recon 및 일반적으로 사용되는 wavelet denoising 방법, discrete wavelet transform 및 stationary wavelet transform 방법들을 이용하여 in vitro 및 in vivo 데이터의 노이즈 평가를 수행하였습니다. 알고리즘의 성능은 노이즈 수준의 상승에 따른 스파이크 정보의 보존에 대해 비교하였습니다. Spk-Recon은 Jaccard 지수에 따른 일관된 고도로 유사한 스파이크 타임스탬프의 재구성을 갖추었습니다. Spk-Recon에 의해 보존된 스파이크 모양 정보는 wavelet 노이즈 제거 결과보다 크게 오류가 적었습니다. 스파이크 분류의 성능 측면에서, Spk-Recon은 일관되게 높은 스파이크 클러스터링 정확도를 보였습니다. 동시에 Spk-Recon 알고리즘은 데이터 압축이 가능하여, 저장 데이터 용량 감소의 장점이 있습니다. Wavelet denoised 신호와의 비교를 통해 Spk-Recon의 결과는 그 신뢰성을 입증하고 재활 등의 BMI 시스템에 충분히 활용될 가능성을 보입니다.

핵심어: 뇌-기계 인터페이스, 노이즈, 낮은 데이터 처리, 기계 학습