基于节点的机器学习识别神经元极性
神经元与认知
2020-06-23 v1
摘要
识别神经网络中的信号流方向是理解活脑复杂信息动态的最重要阶段之一。利用分布在果蝇大脑不同区域的 213 个投射神经元数据集，我们开发了一种强大的机器学习算法：基于节点的神经元极性识别器（NPIN）。所提出的模型仅通过节点信息进行训练，包括胞体特征（包含从给定节点到胞体的空间信息）和局部特征（包含给定节点的形态学信息）。在纳入节点极性之间的空间相关性后，我们的 NPIN 在神经元极性分类上提供了极高的准确率（>96.0%），即使对于具有两个以上树突/轴突簇的复杂神经元也是如此。最后，我们进一步将 NPIN 应用于对可用的神经元数据少得多的蝇类神经元极性进行分类。我们的结果表明，NPIN 是识别昆虫神经元极性和绘制大脑神经网络中信号流的强大工具。
引用
@article{arxiv.2006.12148,
title = {Identification of Neuronal Polarity by Node-Based Machine Learning},
author = {Chen-Zhi Su and Kuan-Ting Chou and Hsuan-Pei Huang and Chung-Chuan Lo and Daw-Wei Wang},
journal= {arXiv preprint arXiv:2006.12148},
year = {2020}
}
备注
Manuscript: 18 pages and 9 figures; Appendix: 14 pages, 5 figures, and 2 tables