509 lines
23 KiB
TeX
509 lines
23 KiB
TeX
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
|
|
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
|
|
\chapter{Analyse von Spiketrains}
|
|
|
|
\determ[Aktionspotential]{Aktionspotentiale} (\enterm{spikes}) sind die Tr\"ager der
|
|
Information in Nervensystemen. Dabei ist in erster Linie nur der
|
|
Zeitpunkt des Auftretens eines Aktionspotentials von Bedeutung. Die
|
|
genaue Form des Aktionspotentials spielt keine oder nur eine
|
|
untergeordnete Rolle.
|
|
|
|
Nach etwas Vorverarbeitung haben elektrophysiologische Messungen
|
|
deshalb Listen von Spikezeitpunkten als Ergebniss --- sogenannte
|
|
\enterm{spiketrains}. Diese Messungen k\"onnen wiederholt werden und
|
|
es ergeben sich mehrere \enterm{trials} von Spiketrains
|
|
(\figref{rasterexamplesfig}).
|
|
|
|
Spiketrains sind Zeitpunkte von Ereignissen --- den Aktionspotentialen
|
|
--- und deren Analyse f\"allt daher in das Gebiet der Statistik von
|
|
sogenannten \determ[Punktprozess]{Punktprozessen}.
|
|
|
|
\begin{figure}[ht]
|
|
\includegraphics[width=1\textwidth]{rasterexamples}
|
|
\titlecaption{\label{rasterexamplesfig}Raster-Plot.}{Raster-Plot von
|
|
jeweils 10 Realisierungen eines station\"arenen Punktprozesses
|
|
(homogener Poisson Prozess mit Rate $\lambda=20$\;Hz, links) und
|
|
eines nicht-station\"aren Punktprozesses (perfect
|
|
integrate-and-fire Neuron getrieben mit Ohrnstein-Uhlenbeck
|
|
Rauschen mit Zeitkonstante $\tau=100$\,ms, rechts).}
|
|
\end{figure}
|
|
|
|
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
|
|
\section{Punktprozesse}
|
|
|
|
Ein zeitlicher Punktprozess (\enterm{point process}) ist ein
|
|
stochastischer Prozess, der eine Abfolge von Ereignissen zu den Zeiten
|
|
$\{t_i\}$, $t_i \in \reZ$, generiert.
|
|
|
|
\begin{ibox}{Beispiele von Punktprozessen}
|
|
Jeder Punktprozess wird durch einen sich in der Zeit kontinuierlich
|
|
entwickelnden Prozess generiert. Wann immer dieser Prozess eine
|
|
Schwelle \"uberschreitet wird ein Ereigniss des Punktprozesses
|
|
erzeugt. Zum Beispiel:
|
|
\begin{itemize}
|
|
\item Aktionspotentiale/Herzschlag: wird durch die Dynamik des
|
|
Membranpotentials eines Neurons/Herzzelle erzeugt.
|
|
\item Erdbeben: wird durch die Dynamik des Druckes zwischen
|
|
tektonischen Platten auf beiden Seiten einer geologischen Verwerfung
|
|
erzeugt.
|
|
\item Zeitpunkt eines Grillen/Frosch/Vogelgesangs: wird durch die
|
|
Dynamik des Nervensystems und des Muskelapparates erzeugt.
|
|
\end{itemize}
|
|
\end{ibox}
|
|
|
|
\begin{figure}[t]
|
|
\texpicture{pointprocessscetch}
|
|
\titlecaption{\label{pointprocessscetchfig} Statistik von
|
|
Punktprozessen.}{Ein Punktprozess ist eine Abfolge von
|
|
Zeitpunkten $t_i$ die auch durch die Intervalle $T_i=t_{i+1}-t_i$
|
|
oder die Anzahl der Ereignisse $n_i$ beschrieben werden kann. }
|
|
\end{figure}
|
|
|
|
F\"ur die Neurowissenschaften ist die Statistik der Punktprozesse
|
|
besonders wichtig, da die Zeitpunkte der Aktionspotentiale als
|
|
zeitlicher Punktprozess betrachtet werden k\"onnen und entscheidend
|
|
f\"ur die Informations\"ubertragung sind.
|
|
|
|
Bei Punktprozessen k\"onnen wir die Zeitpunkte $t_i$ ihres Auftretens,
|
|
die Intervalle zwischen diesen Zeitpunkten $T_i=t_{i+1}-t_i$, sowie
|
|
die Anzahl der Ereignisse $n_i$ bis zu einer bestimmten Zeit betrachten
|
|
(\figref{pointprocessscetchfig}).
|
|
|
|
Zwei Punktprozesse mit verschiedenen Eigenschaften sind in
|
|
\figref{rasterexamplesfig} als Rasterplot dargestellt, bei dem die
|
|
Zeitpunkte der Ereignisse durch senkrechte Striche markiert werden.
|
|
|
|
|
|
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
|
|
\section{Intervallstatistik}
|
|
|
|
Die Intervalle $T_i=t_{i+1}-t_i$ zwischen aufeinanderfolgenden
|
|
Ereignissen sind reelle, positive Zahlen. Bei Aktionspotentialen
|
|
heisen die Intervalle auch \determ{Interspikeintervalle}
|
|
(\enterm{interspike intervals}). Deren Statistik kann mit den
|
|
\"ublichen Gr\"o{\ss}en beschrieben werden.
|
|
|
|
\begin{figure}[t]
|
|
\includegraphics[width=1\textwidth]{isihexamples}\hfill
|
|
\titlecaption{\label{isihexamplesfig}Interspikeintervall Histogramme}{der in
|
|
\figref{rasterexamplesfig} gezeigten Spikes.}
|
|
\end{figure}
|
|
|
|
\begin{exercise}{isis.m}{}
|
|
Schreibe eine Funktion \code{isis()}, die aus mehreren trials von Spiketrains die
|
|
Interspikeintervalle bestimmt und diese in einem Vektor
|
|
zur\"uckgibt. Jeder trial der Spiketrains ist ein Vektor mit den
|
|
Spikezeiten gegeben in Sekunden als Element in einem \codeterm{cell-array}.
|
|
\end{exercise}
|
|
|
|
\subsection{Intervallstatistik erster Ordnung}
|
|
\begin{itemize}
|
|
\item Wahrscheinlichkeitsdichte $p(T)$ der Intervalle $T$
|
|
(\figref{isihexamplesfig}). Normiert auf $\int_0^{\infty} p(T) \; dT
|
|
= 1$.
|
|
\item Mittleres Intervall: $\mu_{ISI} = \langle T \rangle =
|
|
\frac{1}{n}\sum\limits_{i=1}^n T_i$.
|
|
\item Standardabweichung der Intervalle: $\sigma_{ISI} = \sqrt{\langle (T - \langle T
|
|
\rangle)^2 \rangle}$\vspace{1ex}
|
|
\item \determ{Variationskoeffizient} (\enterm{coefficient of variation}): $CV_{ISI} =
|
|
\frac{\sigma_{ISI}}{\mu_{ISI}}$.
|
|
\item \determ{Diffusionskoeffizient} (\enterm{diffusion coefficient}): $D_{ISI} =
|
|
\frac{\sigma_{ISI}^2}{2\mu_{ISI}^3}$.
|
|
\end{itemize}
|
|
|
|
\begin{exercise}{isi_hist.m}{}
|
|
Schreibe eine Funktion \code{isi\_hist()}, die einen Vektor mit Interspikeintervallen
|
|
entgegennimmt und daraus ein normiertes Histogramm der Interspikeintervalle
|
|
berechnet.
|
|
\end{exercise}
|
|
|
|
\begin{exercise}{plot_isi_hist.m}{}
|
|
Schreibe eine Funktion, die die Histogrammdaten der Funktion
|
|
\code{isi\_hist()} entgegennimmt, um das Histogramm zu plotten. Im
|
|
Plot sollen die Interspikeintervalle in Millisekunden aufgetragen
|
|
werden. Das Histogramm soll zus\"atzlich mit Mittelwert,
|
|
Standardabweichung und Variationskoeffizient der
|
|
Interspikeintervalle annotiert werden.
|
|
\end{exercise}
|
|
|
|
\subsection{Korrelationen der Intervalle}
|
|
In \enterm{return maps} werden die um das \enterm{lag} $k$ verz\"ogerten
|
|
Intervalle $T_{i+k}$ gegen die Intervalle $T_i$ geplottet. Dies macht
|
|
m\"ogliche Abh\"angigkeiten von aufeinanderfolgenden Intervallen
|
|
sichtbar.
|
|
|
|
\begin{figure}[t]
|
|
\includegraphics[width=1\textwidth]{returnmapexamples}
|
|
\includegraphics[width=1\textwidth]{serialcorrexamples}
|
|
\titlecaption{\label{returnmapfig}Interspikeintervall return maps und
|
|
serielle Korrelationen}{zwischen aufeinander folgenden Intervallen
|
|
im Abstand des Lags $k$.}
|
|
\end{figure}
|
|
|
|
Solche Ab\"angigkeiten werden durch die \determ{serielle
|
|
Korrelationen} (\enterm{serial correlations}) der Intervalle
|
|
quantifiziert. Das ist der \determ{Korrelationskoeffizient} zwischen
|
|
aufeinander folgenden Intervallen getrennt durch lag $k$:
|
|
\[ \rho_k = \frac{\langle (T_{i+k} - \langle T \rangle)(T_i - \langle T \rangle) \rangle}{\langle (T_i - \langle T \rangle)^2\rangle} = \frac{{\rm cov}(T_{i+k}, T_i)}{{\rm var}(T_i)}
|
|
= {\rm corr}(T_{i+k}, T_i) \]
|
|
\"Ublicherweise wird die Korrelation $\rho_k$ gegen den Lag $k$
|
|
aufgetragen (\figref{returnmapfig}). $\rho_0=1$ (Korrelation jedes
|
|
Intervalls mit sich selber).
|
|
|
|
\begin{exercise}{isiserialcorr.m}{}
|
|
Schreibe eine Funktion \code{isiserialcorr()}, die einen Vektor mit Interspikeintervallen
|
|
entgegennimmt und daraus die seriellen Korrelationen berechnet und plottet.
|
|
\end{exercise}
|
|
|
|
|
|
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
|
|
\section{Z\"ahlstatistik}
|
|
|
|
% \begin{figure}[t]
|
|
% \includegraphics[width=0.48\textwidth]{poissoncounthist100hz10ms}\hfill
|
|
% \includegraphics[width=0.48\textwidth]{poissoncounthist100hz100ms}
|
|
% \titlecaption{\label{countstatsfig}Count Statistik.}{}
|
|
% \end{figure}
|
|
|
|
Die Anzahl der Ereignisse $n_i$ in Zeifenstern $i$ der
|
|
L\"ange $W$ ergeben ganzzahlige, positive Zufallsvariablen, die meist
|
|
durch folgende Sch\"atzer charakterisiert werden:
|
|
\begin{itemize}
|
|
\item Histogramm der counts $n_i$.
|
|
\item Mittlere Anzahl von Ereignissen: $\mu_N = \langle n \rangle$.
|
|
\item Varianz der Anzahl: $\sigma_n^2 = \langle (n - \langle n \rangle)^2 \rangle$.
|
|
\item \determ{Fano Faktor} (Varianz geteilt durch Mittelwert): $F = \frac{\sigma_n^2}{\mu_n}$.
|
|
\end{itemize}
|
|
Insbesondere ist die mittlere Rate der Ereignisse $r$ (Spikes pro
|
|
Zeit, \determ{Feuerrate}) gemessen in Hertz \sindex[term]{Feuerrate!mittlere Rate}
|
|
\begin{equation}
|
|
\label{firingrate}
|
|
r = \frac{\langle n \rangle}{W} \; .
|
|
\end{equation}
|
|
|
|
% \begin{figure}[t]
|
|
% \begin{minipage}[t]{0.49\textwidth}
|
|
% Poisson process $\lambda=100$\,Hz:\\
|
|
% \includegraphics[width=1\textwidth]{poissonfano100hz}
|
|
% \end{minipage}
|
|
% \hfill
|
|
% \begin{minipage}[t]{0.49\textwidth}
|
|
% LIF $I=10$, $\tau_{adapt}=100$\,ms:\\
|
|
% \includegraphics[width=1\textwidth]{lifadaptfano10-100ms}
|
|
% \end{minipage}
|
|
% \titlecaption{\label{fanofig}Fano factor.}{}
|
|
% \end{figure}
|
|
|
|
\begin{exercise}{counthist.m}{}
|
|
Schreibe eine Funktion \code{counthist()}, die aus mehreren trials
|
|
von Spiketrains die Verteilung der Anzahl der Spikes in Fenstern
|
|
einer der Funktion \"ubergegebenen Breite bestimmt, das Histogramm
|
|
plottet und zur\"uckgibt. Jeder trial der Spiketrains ist ein Vektor
|
|
mit den Spikezeiten gegeben in Sekunden als Element in einem
|
|
\codeterm{cell-array}.
|
|
\end{exercise}
|
|
|
|
|
|
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
|
|
\section{Homogener Poisson Prozess}
|
|
F\"ur kontinuierliche Me{\ss}gr\"o{\ss}en ist die Normalverteilung
|
|
u.a. wegen dem Zentralen Grenzwertsatz die Standardverteilung. Eine
|
|
\"ahnliche Rolle spielt bei Punktprozessen der \determ{Poisson
|
|
Prozess}.
|
|
|
|
Beim \determ[Poisson Prozess!homogener]{homogenen Poisson Prozess}
|
|
treten Ereignisse mit einer festen Rate $\lambda=\text{const.}$ auf
|
|
und sind unabh\"angig von der Zeit $t$ und unabh\"angig von den
|
|
Zeitpunkten fr\"uherer Ereignisse (\figref{hompoissonfig}). Die
|
|
Wahrscheinlichkeit zu irgendeiner Zeit ein Ereigniss in einem kleinen
|
|
Zeitfenster der Breite $\Delta t$ zu bekommen ist
|
|
\begin{equation}
|
|
\label{hompoissonprob}
|
|
P = \lambda \cdot \Delta t \; .
|
|
\end{equation}
|
|
Beim \determ[Poisson Prozess!inhomogener]{inhomogenen Poisson Prozess}
|
|
h\"angt die Rate $\lambda$ von der Zeit ab: $\lambda = \lambda(t)$.
|
|
|
|
\begin{exercise}{poissonspikes.m}{}
|
|
Schreibe eine Funktion \code{poissonspikes()}, die die Spikezeiten
|
|
eines homogenen Poisson-Prozesses mit gegebener Rate in Hertz f\"ur
|
|
eine Anzahl von trials gegebener maximaler L\"ange in Sekunden in
|
|
einem \codeterm{cell-array} zur\"uckgibt. Benutze \eqnref{hompoissonprob}
|
|
um die Spikezeiten zu bestimmen.
|
|
\end{exercise}
|
|
|
|
\begin{figure}[t]
|
|
\includegraphics[width=1\textwidth]{poissonraster100hz}
|
|
\titlecaption{\label{hompoissonfig}Rasterplot von Spikes eines homogenen
|
|
Poisson Prozesses mit $\lambda=100$\,Hz.}{}
|
|
\end{figure}
|
|
|
|
\begin{figure}[t]
|
|
\includegraphics[width=0.45\textwidth]{poissonisihexp20hz}\hfill
|
|
\includegraphics[width=0.45\textwidth]{poissonisihexp100hz}
|
|
\titlecaption{\label{hompoissonisihfig}Interspikeintervallverteilungen
|
|
zweier Poissonprozesse.}{}
|
|
\end{figure}
|
|
|
|
Der homogene Poissonprozess hat folgende Eigenschaften:
|
|
\begin{itemize}
|
|
\item Die Intervalle $T$ sind exponentiell verteilt (\figref{hompoissonisihfig}):
|
|
\begin{equation}
|
|
\label{poissonintervals}
|
|
p(T) = \lambda e^{-\lambda T} \; .
|
|
\end{equation}
|
|
\item Das mittlere Intervall ist $\mu_{ISI} = \frac{1}{\lambda}$ .
|
|
\item Die Varianz der Intervalle ist $\sigma_{ISI}^2 = \frac{1}{\lambda^2}$ .
|
|
\item Der Variationskoeffizient ist also immer $CV_{ISI} = 1$ .
|
|
\item Die \determ[serielle Korrelationen]{seriellen Korrelationen}
|
|
$\rho_k =0$ f\"ur $k>0$, da das Auftreten der Ereignisse
|
|
unabh\"angig von der Vorgeschichte ist. Ein solcher Prozess wird
|
|
auch \determ{Erneuerungsprozess} genannt (\enterm{renewal process}).
|
|
\item Die Anzahl der Ereignisse $k$ innerhalb eines Fensters der
|
|
L\"ange W ist \determ[Poisson-Verteilung]{Poissonverteilt}:
|
|
\[ P(k) = \frac{(\lambda W)^ke^{\lambda W}}{k!} \]
|
|
(\figref{hompoissoncountfig})
|
|
\item Der \determ{Fano Faktor} ist immer $F=1$ .
|
|
\end{itemize}
|
|
|
|
\begin{exercise}{hompoissonspikes.m}{}
|
|
Schreibe eine Funktion \code{hompoissonspikes()}, die die Spikezeiten
|
|
eines homogenen Poisson-Prozesses mit gegebener Rate in Hertz f\"ur
|
|
eine Anzahl von trials gegebener maximaler L\"ange in Sekunden in
|
|
einem \codeterm{cell-array} zur\"uckgibt. Benutze die exponentiell-verteilten
|
|
Interspikeintervalle \eqnref{poissonintervals}, um die Spikezeiten zu erzeugen.
|
|
\end{exercise}
|
|
|
|
\begin{figure}[t]
|
|
\includegraphics[width=0.48\textwidth]{poissoncounthistdist100hz10ms}\hfill
|
|
\includegraphics[width=0.48\textwidth]{poissoncounthistdist100hz100ms}
|
|
\titlecaption{\label{hompoissoncountfig}Z\"ahlstatistik von Poisson Spikes.}{}
|
|
\end{figure}
|
|
|
|
|
|
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
|
|
\section{Zeitabh\"angige Feuerraten}
|
|
|
|
Bisher haben wir station\"are Spiketrains betrachtet, deren Statistik
|
|
sich innerhalb der Analysezeit nicht ver\"andert (station\"are
|
|
Punktprozesse). Meistens jedoch \"andert sich die Statistik der
|
|
Spiketrains eines Neurons mit der Zeit. Z.B. kann ein sensorisches
|
|
Neuron auf einen Reiz hin mit einer erh\"ohten Feuerrate antworten
|
|
(nichtstation\"arer Punktprozess).
|
|
|
|
Wie die mittlere Anzahl der Spikes sich mit der Zeit ver\"andert, die
|
|
\determ{Feuerrate} $r(t)$, ist die wichtigste Gr\"o{\ss}e bei
|
|
nicht-station\"aren Spiketrains. Die Einheit der Feuerrate ist Hertz,
|
|
also Anzahl Aktionspotentiale pro Sekunde. Es gibt verschiedene
|
|
Methoden diese zu bestimmen. Drei solcher Methoden sind in Abbildung
|
|
\ref{psthfig} dargestellt. Alle Methoden haben ihre Berechtigung und
|
|
ihre Vor- und Nachteile. Im folgenden werden die drei Methoden aus
|
|
Abbildung \ref{psthfig} n\"aher erl\"autert.
|
|
|
|
\begin{figure}[tp]
|
|
\includegraphics[width=\columnwidth]{firingrates}
|
|
\titlecaption{Verschiedene Methoden die zeitabh\"angige Feuerrate
|
|
zu bestimmen.}{\textbf{A)} Rasterplot einer einzelnen neuronalen
|
|
Antwort. Jeder vertikale Strich notiert den Zeitpunkt eines
|
|
Aktionspotentials. \textbf{B)} Feurerrate aus der instantanen
|
|
Feuerrate bestimmt. \textbf{C)} klassisches PSTH mit der Binning
|
|
Methode. \textbf{D)} Feuerrate durch Faltung mit einem Gauss Kern
|
|
bestimmt.}\label{psthfig}
|
|
\end{figure}
|
|
|
|
|
|
\subsection{Instantane Feuerrate}
|
|
|
|
\begin{figure}[tp]
|
|
\includegraphics[width=\columnwidth]{isimethod}
|
|
\titlecaption{Instantane Feuerrate.}{Skizze eines Spiketrains
|
|
(oben). Jeder vertikale Strich notiert den Zeitpunkt eines
|
|
Aktionspotentials. Die Pfeile zwischen aufeinanderfolgenden
|
|
Aktionspotentialen mit den Zahlen in Millisekunden illustrieren
|
|
die Interspikeintervalle. Der Kehrwert des Interspikeintervalle
|
|
ergibt die instantane Feuerrate.}\label{instrate}
|
|
\end{figure}
|
|
|
|
Ein sehr einfacher Weg, die zeitabh\"angige Feuerrate zu bestimmen ist
|
|
die sogenannte \determ[Feuerrate!instantane]{instantane Feuerrate}
|
|
(\enterm[firing rate!instantaneous]{instantaneous firing rate}). Dabei
|
|
wird die Feuerrate aus dem Kehrwert der Interspikeintervalle, der Zeit
|
|
zwischen zwei aufeinander folgenden Aktionspotentialen
|
|
(\figref{instrate} A), bestimmt. Die abgesch\"atzte Feuerrate
|
|
(\figref{instrate} B) ist g\"ultig f\"ur das gesammte
|
|
Interspikeintervall. Diese Methode hat den Vorteil, dass sie sehr
|
|
einfach zu berechnen ist und keine Annahme \"uber eine relevante
|
|
Zeitskala (der Kodierung oder des Auslesemechanismus der
|
|
postsynaptischen Zelle) macht. $r(t)$ ist allerdings keine
|
|
kontinuierliche Funktion, die Spr\"unge in der Feuerrate k\"onnen
|
|
f\"ur manche Analysen nachteilig sein. Au{\ss}erdem wird die Feuerrate
|
|
nie gleich Null, auch wenn lange keine Aktionspotentiale generiert
|
|
wurden.
|
|
|
|
\begin{exercise}{instantaneousRate.m}{}
|
|
Implementiere die Absch\"atzung der Feuerrate auf Basis der
|
|
instantanen Feuerrate. Plotte die Feuerrate als Funktion der Zeit.
|
|
\end{exercise}
|
|
|
|
|
|
\subsection{Peri-Stimulus-Zeit-Histogramm}
|
|
W\"ahrend die Instantane Rate den Kehrwert der Zeit von einem bis zum
|
|
n\"achsten Aktionspotential misst, sch\"atzt das sogenannte
|
|
\determ{Peri-Stimulus-Zeit-Histogramm} (\enterm{peri stimulus time
|
|
histogram}, \determ[PSTH|see{Peri-Stimulus-Zeit-Histogramm}]{PSTH})
|
|
die Wahrscheinlichkeit ab, zu einem Zeitpunkt Aktionspotentiale
|
|
anzutreffen. Es wird versucht die mittlere Rate \eqnref{firingrate} im
|
|
Grenzwert kleiner Beobachtungszeiten abzusch\"atzen:
|
|
\begin{equation}
|
|
\label{psthrate}
|
|
r(t) = \lim_{W \to 0} \frac{\langle n \rangle}{W} \; ,
|
|
\end{equation}
|
|
wobei die Anzahl $n$ der Aktionspotentiale, die im Zeitintervall
|
|
$(t,t+W)$ aufgetreten sind, \"uber trials gemittelt wird. Eine solche
|
|
Rate enspricht der zeitabh\"angigen Rate $\lambda(t)$ des inhomogenen
|
|
Poisson-Prozesses.
|
|
|
|
Das PSTH \eqnref{psthrate} kann entweder \"uber die Binning-Methode
|
|
oder durch Verfaltung mit einem Kern bestimmt werden. Beiden Methoden
|
|
gemeinsam ist die Notwendigkeit der Wahl einer zus\"atzlichen Zeitskala,
|
|
die der Beobachtungszeit $W$ in \eqnref{psthrate} entspricht.
|
|
|
|
\subsubsection{Binning-Methode}
|
|
|
|
\begin{figure}[tp]
|
|
\includegraphics[width=\columnwidth]{binmethod}
|
|
\titlecaption{Bestimmung des PSTH mit der Binning Methode.}{Der
|
|
gleiche Spiketrain wie in \figref{instrate}. Die grauen Linien
|
|
markieren die Grenzen der Bins und die Zahlen geben die Anzahl der Spikes
|
|
in jedem Bin an (oben). Die Feuerrate ergibt sich aus dem
|
|
mit der Binbreite normierten Zeithistogramm (unten).}\label{binpsth}
|
|
\end{figure}
|
|
|
|
Bei der Binning-Methode wird die Zeitachse in gleichm\"aßige
|
|
Abschnitte (Bins) eingeteilt und die Anzahl Aktionspotentiale, die in
|
|
die jeweiligen Bins fallen, gez\"ahlt (\figref{binpsth} A). Um diese
|
|
Z\"ahlungen in die Feuerrate umzurechnen muss noch mit der Binweite
|
|
normiert werden. Das ist \"aquivalent zur Absch\"atzung einer
|
|
Wahrscheinlichkeitsdichte. Es kann auch die \code{hist()} Funktion zur
|
|
Bestimmung des PSTHs verwendet werden. \sindex[term]{Feuerrate!Binningmethode}
|
|
|
|
Die bestimmte Feuerrate gilt f\"ur das gesamte Bin (\figref{binpsth}
|
|
B). Das so berechnete PSTH hat wiederum eine stufige Form, die von der
|
|
Wahl der Binweite anh\"angt. $r(t)$ ist also keine stetige
|
|
Funktion. Die Binweite bestimmt die zeitliche Aufl\"osung der
|
|
Absch\"atzung. \"Anderungen in der Feuerrate, die innerhalb eines Bins
|
|
vorkommen k\"onnen nicht aufgl\"ost werden. Mit der Wahl der Binweite
|
|
wird somit eine Annahme \"uber die relevante Zeitskala des Spiketrains
|
|
gemacht.
|
|
|
|
\begin{exercise}{binnedRate.m}{}
|
|
Implementiere die Absch\"atzung der Feuerrate mit der ``binning''
|
|
Methode. Plotte das PSTH.
|
|
\end{exercise}
|
|
|
|
\subsubsection{Faltungsmethode}
|
|
|
|
\begin{figure}[tp]
|
|
\includegraphics[width=\columnwidth]{convmethod}
|
|
\titlecaption{Bestimmung des PSTH mit der Faltungsmethode.}{Der
|
|
gleiche Spiketrain wie in \figref{instrate}. Bei der Verfaltung
|
|
des Spiketrains mit einem Faltungskern wird jeder Spike durch den
|
|
Faltungskern ersetzt (oben). Bei korrekter Normierung des
|
|
Kerns ergibt sich die Feuerrate direkt aus der \"Uberlagerung der
|
|
Kerne.}\label{convrate}
|
|
\end{figure}
|
|
|
|
Bei der Faltungsmethode werden die harten Kanten der Bins der
|
|
Binning-Methode vermieden. Der Spiketrain wird mit einem Kern
|
|
verfaltet, d.h. jedes Aktionspotential wird durch den Kern ersetzt.
|
|
Zur Berechnung wird die Aktionspotentialfolge zun\"achst
|
|
``bin\"ar'' dargestellt. Dabei wird ein Spiketrain als
|
|
(Zeit-)Vektor dargestellt, in welchem die Zeitpunkte der
|
|
Aktionspotentiale als 1 notiert werden. Alle anderen Elemente des
|
|
Vektors sind 0. Anschlie{\ss}end wir dieser bin\"are Spiketrain mit
|
|
einem Gau{\ss}-Kern bestimmter Breite verfaltet:
|
|
\[r(t) = \int_{-\infty}^{\infty} \omega(\tau) \, \rho(t-\tau) \, {\rm d}\tau \; , \]
|
|
wobei $\omega(\tau)$ der Filterkern und $\rho(t)$ die bin\"are Antwort
|
|
ist. Bildlich geprochen wird jede 1 in $\rho(t)$ durch den Filterkern
|
|
ersetzt (Abbildung \ref{convrate} A). Wenn der Kern richtig normiert
|
|
wurde (Integral gleich Eins), ergibt sich die Feuerrate direkt aus der
|
|
\"Uberlagerung der Kerne (Abb. \ref{convrate} B). \sindex[term]{Feuerrate!Faltungsmethode}
|
|
|
|
Die Faltungsmethode f\"uhrt, anders als die anderen Methoden, zu einer
|
|
stetigen Funktion was insbesondere f\"ur spektrale Analysen von
|
|
Vorteil sein kann. Die Wahl der Kernbreite bestimmt, \"ahnlich zur
|
|
Binweite, die zeitliche Aufl\"osung von $r(t)$. Die Breite des Kerns
|
|
macht also auch wieder eine Annahme \"uber die relevante Zeitskala des
|
|
Spiketrains.
|
|
|
|
\begin{exercise}{convolutionRate.m}{}
|
|
Verwende die Faltungsmethode um die Feuerrate zu bestimmen. Plotte
|
|
das Ergebnis.
|
|
\end{exercise}
|
|
|
|
\section{Spike-triggered Average}
|
|
Die graphischer Darstellung der Feuerrate allein reicht nicht aus um
|
|
den Zusammenhang zwischen neuronaler Antwort und einem Stimulus zu
|
|
analysieren. Eine Methode um mehr \"uber diesen Zusammenhang zu
|
|
erfahren, ist der \enterm{spike-triggered average}
|
|
(\enterm[STA|see{spike-triggered average}]{STA}). Der STA
|
|
\begin{equation}
|
|
STA(\tau) = \langle s(t - \tau) \rangle = \frac{1}{N} \sum_{i=1}^{N} s(t_i - \tau)
|
|
\end{equation}
|
|
der $N$ Aktionspotentiale zu den Zeiten $t_i$ in Anwort auf den
|
|
Stimulus $s(t)$ ist der mittlere Stimulus, der zu einem
|
|
Aktionspotential in der neuronalen Antwort f\"uhrt.
|
|
|
|
Der STA l\"a{\ss}t sich relativ einfach berechnen, indem aus dem
|
|
Stimulus f\"ur jeden beobachteten Spike ein entsprechender Abschnitt
|
|
ausgeschnitten wird und diese dann gemittelt werde (\figref{stafig}).
|
|
|
|
\begin{figure}[t]
|
|
\includegraphics[width=\columnwidth]{sta}
|
|
\titlecaption{Spike-triggered Average eines P-Typ Elektrorezeptors
|
|
und Stimulusrekonstruktion.}{Der STA (links): der Rezeptor
|
|
wurde mit einem ``white-noise'' Stimulus getrieben. Zeitpunkt 0
|
|
ist der Zeitpunkt des beobachteten Aktionspotentials. Die Kurve
|
|
ergibt sich aus dem gemittelten Stimulus je 50\,ms vor und nach
|
|
einem Aktionspotential. Stimulusrekonstruktion mittels
|
|
STA (rechts). Die Zellantwort wird mit dem STA gefaltet um eine
|
|
Rekonstruktion des Stimulus zu erhalten.}\label{stafig}
|
|
\end{figure}
|
|
|
|
Aus dem STA k\"onnen verschiedene Informationen \"uber den
|
|
Zusammenhang zwischen Stimulus und neuronaler Antwort gewonnen
|
|
werden. Die Breite des STA repr\"asentiert die zeitliche Pr\"azision,
|
|
mit der Stimulus und Antwort zusammenh\"angen und wie weit das Neuron
|
|
zeitlich integriert. Die Amplitude des STA (gegeben in der gleichen
|
|
Einheit wie der Stimulus) deutet auf die Empfindlichkeit des Neurons
|
|
bez\"uglich des Stimulus hin. Eine hohe Amplitude besagt, dass es
|
|
einen starken Stimulus ben\"otigt, um ein Aktionspotential
|
|
hervorzurufen. Aus dem zeitlichen Versatz des STA kann die Zeit
|
|
abgelesen werden, die das System braucht, um auf den Stimulus zu
|
|
antworten.
|
|
|
|
Der STA kann auch dazu benutzt werden, aus den Antworten der Zelle den
|
|
Stimulus zu rekonstruieren (\figref{stafig} B). Bei der
|
|
\determ[invertierte Rekonstruktion]{invertierten Rekonstruktion} wird
|
|
die Zellantwort mit dem STA verfaltet.
|
|
|
|
\begin{exercise}{spikeTriggeredAverage.m}{}
|
|
Implementiere eine Funktion, die den STA ermittelt. Verwende dazu
|
|
den Datensatz \file{sta\_data.mat}. Die Funktion sollte folgende
|
|
R\"uckgabewerte haben:
|
|
\begin{itemize}
|
|
\item den Spike-Triggered-Average.
|
|
\item die Standardabweichung der individuellen STAs.
|
|
\item die Anzahl Aktionspotentiale, die dem STA zugrunde liegen.
|
|
\end{itemize}
|
|
\end{exercise}
|
|
|
|
\begin{exercise}{reconstructStimulus.m}{}
|
|
Rekonstruiere den Stimulus mithilfe des STA und der Spike
|
|
Zeiten. Die Funktion soll Vektor als R\"uckgabewert haben, der
|
|
genauso gro{\ss} ist wie der Originalstimulus aus der Datei
|
|
\file{sta\_data.mat}.
|
|
\end{exercise}
|
|
|
|
|