亥姆霍兹分解与光流：一种表征 GCamP 记录的新方法
计算机视觉与模式识别
2024-01-23 v1
摘要
在深度睡眠和麻醉状态下，自发的皮层激活模式常表现为缓慢的行波。慢波睡眠是一种重要的认知状态，尤其因其对记忆巩固的相关性而备受关注。然而，尽管进行了广泛研究，其确切机制仍不清楚。高速宽场 GCamP 活动成像等新方法提供了新的潜力。在此，我们展示了如何处理从麻醉转基因小鼠记录的数据，以分析激活的源、汇及流动模式。为了充分利用数据，需要新的数据处理手段。因此，我们 (1) 简要阐述了在产生慢波过程中起作用的过程，并 (2) 展示了一种表征 GCamP 记录中慢波模式的新方法。虽然慢波具有高度可变性，但结果显示某些慢波惊人地相似。为了实现定量分析并检查此类典型事件的结构，我们提出了一种表征慢波的新方法：对像素级密集 GCamP 对比度 (df/f) 的基于梯度的稠密光流进行亥姆霍兹分解。该方法能够检测激活的源和汇，并将其与神经流动的全局模式区分开来。聚合特征可使用变分自编码器进行分析。结果揭示了慢波之间的规律性，并展示了它们与实验条件的关系。该方法揭示了潜在慢波空间中不同特征的复杂拓扑结构，并为每个阶段识别出了典型示例。
引用
@article{arxiv.2401.11008,
title = {Helmholtz-Decomposition and Optical Flow: A new method to characterize GCamP recordings},
author = {Michael Gerstenberger and Dominic Juestel and Silviu Bodea},
journal= {arXiv preprint arXiv:2401.11008},
year = {2024}
}