Desarrollo de un nuevo método de clasificación para señales oscilatorias multicanal y su aplicación en la detección de spikes

Abstract

El estudio del cerebro es hoy en día uno de los mayores desafíos científicos debido a su enorme complejidad y a las limitaciones en la comprensión de su funcionamiento. Una de las herramientas clave para avanzar en este campo es el spike sorting, una técnica que permite clasificar los potenciales de acción —también conocidos como spikes— registrados mediante electrodos, identificando qué neurona los ha generado. Estos spikes son señales eléctricas breves y de forma oscilatoria que contienen información valiosa sobre la actividad neuronal. Dado su carácter oscilatorio, modelar adecuadamente estas señales es fundamental para lograr una clasificación precisa. En este sentido, el modelo FMM (Frequency Modulated Möbius) ha demostrado ser eficaz al representar con precisión la forma oscilatoria de los spikes, lo que lo convierte en una herramienta prometedora para el spike sorting. Sin embargo, hasta ahora, este modelo solo se ha aplicado a datos de un único canal (un solo electrodo), lo que limita su utilidad práctica en entornos reales donde se utilizan múltiples electrodos para registrar actividad simultánea en varias regiones del cerebro. Este trabajo propone un nuevo modelo, denominado Mix3DFMM, que extiende las capacidades del modelo FMM al contexto multicanal. Es decir, permite procesar simultáneamente señales oscilatorias provenientes de varios electrodos, aprovechando la información compartida entre canales para mejorar el rendimiento del proceso de clasificación. Los resultados muestran que el modelo Mix3DFMM mejora significativamente la precisión del spike sorting, con incrementos del 8 % al 12 % respecto al modelo de un solo canal, demostrando su potencial de aplicación en estudios neurocientíficos complejos.

The study of the brain is currently one of the greatest scientific challenges due to its enormous complexity and the limitations in understanding how it works. One of the key tools to advance in this field is spike sorting, a technique that allows classifying action potentials —also known as spikes— recorded by electrodes, identifying which neuron generated them. These spikes are brief electrical signals with oscillatory shapes, containing valuable information about neuronal activity. Given their oscillatory nature, accurately modeling these signals is crucial for achieving precise classification. In this regard, the Frequency Modulated Möbius (FMM) model has proven to be effective in accurately representing the oscillatory shape of spikes, making it a promising tool for spike sorting. However, until now, this model has only been applied to single-channel data (a single electrode), limiting its practical utility in real-world environments where multiple electrodes are used to record simultaneous activity across various brain regions. This work proposes a new model, called Mix3DFMM, which extends the capabilities of the FMM model to the multichannel context. That is, it allows simultaneous processing of oscillatory signals from multiple electrodes, leveraging the information across channels to enhance classification performance. Results show that the Mix3DFMM model significantly improves spike sorting accuracy, with increases ranging from 8 % to 12 % compared to the single-channel model, demonstrating its potential for application in complex neuroscientific studies.