To create a neural prosthesis, multiple studies on how the brain works are necessary. Stefano Vassaneli's NeuroChip Lab of the University of Padova studies how the brain responds to sensory stimulation. The laboratory carried out multiple experiments with stimulation of the whiskers of rats to study how \textit{evoked potential} can be used for neural prostheses. My thesis work focuses on the analysis, implementation and comparison of various deep neural network techniques for the task of labeling brain recordings to detect evoked potentials. The analysis focused on three types of networks: temporal convolutional networks (TCN), gated recurrent unit (GRU) networks, and a model that uses both techniques. To create these models, the data set was first created from recordings of the barrel cortex of rats. The input data are the local field potential (LFP) features while the output data are the labels of which segments contain evoked responses. The data set was enriched in the training phase by using a data augmentation layer. I proceeded to perform a model selection process to extract the best hyperparameters from the models. The selected models were then compared to each other, to a set of baseline models, and to an ensemble technique. The temporal convolutional network was selected as the best in terms of efficacy. This model was the worst in terms of efficiency, so a magnitude pruning process was performed to reduce the number of parameters of the model. After pruning, the model is 10 times more efficient. The test performed on full recordings of a test rat shows clear advantages in using deep learning techniques. The final model Temporal Convolutional Network is capable of identifying in real time up to 86% of the evoked responses, with high precision, low energy consumption, and a delay of just 80 ms.

Per creare una protesi neurale, sono necessari molti studi sul funzionamento del cervello. Nell'Università di Padova il Neurochip Lab del Professore Stefano Vassanelli studia la risposta del cervello alle stimolazioni sensoriali. Il laboratorio esegue esperimenti di stimolazione su baffi di ratti in modo da studiare come il potenziale evocato dalla stimolazione possa essere usato nelle protesi neurali. Il mio lavoro di tesi si focalizza sull'analisi, implementazione e confronto di varie tecniche di deep learning per l'identificazione dei potenziali evocati nelle registrazioni neuronali. L'analisi è principalmente focalizzata su tre tipi di modelli: temporal convolutional network (TCN), gated recurrent unit (GRU) networks e un modello misto che utilizza entrambe le tecniche. Per creare questi modelli come prima cosa è stato creato il dataset partendo da registrazioni neuronali estratte dalla "barrel cortex" di ratti. L'input del dataset è il "local field potential" (LFP) mentre l'output identifica quali punti della registrazioni contengono i potenziali evocati. Il dataset è stato espanso tramite l'aggiunta di un livello di data augmentation. I vari iperparametri sono stati selezionati tramite una model selection. I modelli selezionati sono stati confrontati tra loro, con delle tecniche di baseline e con un ensemble dei tre modelli. Il modello TCN è stato selezionato come il miglior modello per efficacia. Questo modello però è il peggiore in termini di efficienza, quindi una fase di magnitude pruning è stata applicata in modo da ridurre il numero di parametri del modello. Questa fase di pruning ha portato il modello a essere 10 volte più efficiente. Analizzando come i modelli si comportano su registrazioni del test set si possono notare i vantaggi delle varie tecniche di deep learning applicate. Il modello TCN finale è in grado di identificare fino all'86% dei potenziali evocati, con alta precisione, basso costo computazionale e ritardo di solo 80 ms.

Studio preliminare sull'utilizzo di reti neurali per la rilevazione in real-time di LFP evocati da stimoli sensoriali

AMATO, LEONARDO
2022/2023

Abstract

To create a neural prosthesis, multiple studies on how the brain works are necessary. Stefano Vassaneli's NeuroChip Lab of the University of Padova studies how the brain responds to sensory stimulation. The laboratory carried out multiple experiments with stimulation of the whiskers of rats to study how \textit{evoked potential} can be used for neural prostheses. My thesis work focuses on the analysis, implementation and comparison of various deep neural network techniques for the task of labeling brain recordings to detect evoked potentials. The analysis focused on three types of networks: temporal convolutional networks (TCN), gated recurrent unit (GRU) networks, and a model that uses both techniques. To create these models, the data set was first created from recordings of the barrel cortex of rats. The input data are the local field potential (LFP) features while the output data are the labels of which segments contain evoked responses. The data set was enriched in the training phase by using a data augmentation layer. I proceeded to perform a model selection process to extract the best hyperparameters from the models. The selected models were then compared to each other, to a set of baseline models, and to an ensemble technique. The temporal convolutional network was selected as the best in terms of efficacy. This model was the worst in terms of efficiency, so a magnitude pruning process was performed to reduce the number of parameters of the model. After pruning, the model is 10 times more efficient. The test performed on full recordings of a test rat shows clear advantages in using deep learning techniques. The final model Temporal Convolutional Network is capable of identifying in real time up to 86% of the evoked responses, with high precision, low energy consumption, and a delay of just 80 ms.
2022
Preliminary study on the use of neural networks for the real-time detection of LFP evoked by sensory stimuli
Per creare una protesi neurale, sono necessari molti studi sul funzionamento del cervello. Nell'Università di Padova il Neurochip Lab del Professore Stefano Vassanelli studia la risposta del cervello alle stimolazioni sensoriali. Il laboratorio esegue esperimenti di stimolazione su baffi di ratti in modo da studiare come il potenziale evocato dalla stimolazione possa essere usato nelle protesi neurali. Il mio lavoro di tesi si focalizza sull'analisi, implementazione e confronto di varie tecniche di deep learning per l'identificazione dei potenziali evocati nelle registrazioni neuronali. L'analisi è principalmente focalizzata su tre tipi di modelli: temporal convolutional network (TCN), gated recurrent unit (GRU) networks e un modello misto che utilizza entrambe le tecniche. Per creare questi modelli come prima cosa è stato creato il dataset partendo da registrazioni neuronali estratte dalla "barrel cortex" di ratti. L'input del dataset è il "local field potential" (LFP) mentre l'output identifica quali punti della registrazioni contengono i potenziali evocati. Il dataset è stato espanso tramite l'aggiunta di un livello di data augmentation. I vari iperparametri sono stati selezionati tramite una model selection. I modelli selezionati sono stati confrontati tra loro, con delle tecniche di baseline e con un ensemble dei tre modelli. Il modello TCN è stato selezionato come il miglior modello per efficacia. Questo modello però è il peggiore in termini di efficienza, quindi una fase di magnitude pruning è stata applicata in modo da ridurre il numero di parametri del modello. Questa fase di pruning ha portato il modello a essere 10 volte più efficiente. Analizzando come i modelli si comportano su registrazioni del test set si possono notare i vantaggi delle varie tecniche di deep learning applicate. Il modello TCN finale è in grado di identificare fino all'86% dei potenziali evocati, con alta precisione, basso costo computazionale e ritardo di solo 80 ms.
Neural Network
LFP
Stimulus Detection
File in questo prodotto:
File Dimensione Formato  
Amato_Leonardo.pdf

accesso aperto

Dimensione 7.39 MB
Formato Adobe PDF
7.39 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/46209