Machine Learning for Decoding Neuronal Activity

Abstract

[EN] Calcium imaging has been proved to be an effective technique to record in-vivo neural activity. In this work we present a probabilistic generative model that attempts to capture the relationship between the stimulus and the recorded neural activity. However instead of working with inferred spikes from the recorded activity, we work with raw calcium image data. Working with raw calcium image data as well as with visual stimuli presents the challenge of dealing with high dimensional spaces, in our work we address this problem by means of variational autoencoders. The parameter estimation of a conditional probability distribution from which we can sample neural activity given a stimulus was done using variational inference. We also present a method to validate the quality of the generated samples.

[ES] 805/5000 Se ha demostrado que las imágenes de calcio son una técnica eficaz para registrar actividad neural in vivo. En este trabajo presentamos un modelo generativo probabilístico que intenta capturar la relación entre el estímulo y la actividad neuronal registrada. Sin embargo, en lugar de trabajar con picos inferidos de la actividad registrada, trabajamos con datos de imágenes de calcio sin procesar. Trabajar con datos de imágenes de calcio sin procesar, así como con estímulos visuales, presenta el desafío de tratar con espacios de alta dimensión; en nuestro trabajo abordamos este problema mediante autocodificadores variacionales. La estimación de parámetros de una distribución de probabilidad condicional de que podemos muestrear la actividad neuronal dado que un estímulo se realizó usando inferencia variacional. También presentamos un método para validar la calidad de las muestras generadas.