UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

Contribuições para a Análise de

Sinais Neuronais e Biomédicos

Vítor Lopes dos Santos

Orientador: Gláucio Brandão

Co-orientador: Sidarta Ribeiro Dissertação de Mestrado apresentada ao

Programa de Pós-Graduação em Engenharia Elétrica e de Computação da UFRN (área de concentração: Engenharia de Computação) como parte dos requisitos para obtenção do título de Mestre em Ciências.

Natal, RN, fevereiro de 2011

2

Contribuições Para a Análise de

Sinais Neuronais e Biomédicos

Vítor Lopes dos Santos

Dissertação de Mestrado aprovada em 3 de março de 2011 pela banca examinadora composta pelos seguintes membros: ______________________________________________________________________

Prof. Dr. Gláucio Bezerra Brandão (orientador) . . . . . . . . . . . . . . . . . . . . /UFRN

______________________________________________________________________ Prof. PhD. Sidarta Tollendal Gomes Ribeiro (co-orientador) . . . . . . . . . . . . . . . . /UFRN

______________________________________________________________________ Prof.PhD. Mauro Copelli Lopes da Silva . . . . . . . . . . . . . . . . . . . . . . . . . . . . /UFPE

3

Agradecimentos

A minha vontade de ser pesquisador nasceu muito provavelmente no início dos anos 90, no terraço de Cotovelo depois do jantar. Aos poucos, sem explicações, Edmilson me fez compreender porque ele gostava de passar tanto tempo observando solitariamente as estrelas. A obsessão pelo entendimento de certos mistérios é tão inexplicável como a paixão de um torcedor de futebol. Não se pode mostrar a beleza da fórmula de Euler para alguém que simplesmente não a vê.

É curioso que, quase 20 anos depois, eu tenha voltado as atenções para uma imensidão tão diferente. Pelo menos para nossa percepção, o universo dentro do cérebro humano parece ser tão vasto quanto o cosmos, e seus mistérios são igualmente dignos de nossa obsessão.

É muito arriscado elaborar uma lista completa de agradecimentos, dando créditos a todos que merecem. Sinto-me extremamente priveligado por toda a ajuda que eu tive desde muito cedo. Por esse motivo, me limito a nominar aqueles que tiveram participação mais crucial na minha vida e na minha formação.

Em primeiro lugar, tenho que agradecer a minha mãe, a Sinval, e principalmente a Enilson por acreditarem genuinamente, com motivos ou não, que eu realmente posso dar uma boa contribuição no trabalho que escolhi. As contribuições dadas por essas pessoas são incalculáveis e imprescindíveis para qualquer mérito que eu venha a ter como profissional e ser humano.

Também queria agradecer aos meus amigos mais antigos que continuam muito próximos: Natalinha, Lara, Clara, Vitão, Verme e Ryan. Aos meus amigos de turma de graduação: Rodrigo, Fernanda, Tripa, Vitão, Gian, Xupeta de Baleia, Calo de Coxa, Bruno, Isac e outros. E especialmente a Natalia, que me acompanhou durante quase todo o mestrado de perto, me mantendo sempre motivado.

Também queria agradecer a meus orientadores mais importantes. Começando pelo primeiro deles, Roberto Hugo Bielschowsky, que foi o

primeiro professor a sugerir que eu tivesse algum potencial para a vida acadêmica, e que me ajudou muito. A Gláucio por ter me recebido de portas abertas quando voltei ao Brasil, sempre me oferecendo todas as oportunidades que pôde. A Adriano Tort, por ter dedicado grande parte do seu tempo e energia a me ensinar e a me treinar, de uma forma que nunca poderei retribuir. A convivência com ele nesses últimos sete meses foi uma das maiores experiências acadêmicas que sempre terei. Para finalizar, queria registrar minha gratidão a Sidarta por ter me convencido a continuar estudando neurociências. Sem saber, ele me curou de uma desmotivação que ameaçava me fazer desistir da vida acadêmica ao terminar engenharia. Sei que ainda estou em dívida por todo o investimento que ele tem feito em mim, e espero pagá-la com boas publicações em breve.

4

Resumo

Seguindo a nova tendência de interdisciplinaridade da ciência atual, a

neuroengenharia vem crescendo nas últimas décadas. A partir do ano 2000, foram criados periódicos científicos e conferências em todo o mundo dedicados ao tema. Esse trabalho envolve três subáreas da neuroengenharia relacionadas com engenharia elétrica e de computação: controle neural; neurociência teórica e computacional; e processamento de sinais neurais; assim como da engenharia biomédica.

A pesquisa compreendeu três partes: (i) Uma técnica de fotoestimulação neural foi desenvolvida baseada no uso de compostos enjaulados. Usando o neurotransmissor inibitório GABA preso a um complexo de rutênio, foi possível provocar inibição quase instantânea da atividade cortical de camundongos com um pulso de laser. Os resultados foram obtidos por análise Wavelet de potenciais de campo e testados com estatística não-paramétrica. (ii) Um método matemático foi desenvolvido para identificação de assembléias neurais. Assembléias neurais foram primeiramente propostas por Donald Hebb (1949) como base do aprendizado, e atualmente constituem o modelo mais bem aceito para representação de informação no sistema nervoso. Usando a lei de Marcenko-Pastur da distribuição de autovalores de matrizes aleatórias foi possível detectar assembléias neurais, identificá-las e calcular a força de ativação com alta resolução temporal. Aplicação do método em dados eletrofisiológicos reais revelou que neurônios do neocórtex e do hipocampo de ratos participam em uma mesma assembleia, e que neurônios podem participar em múltiplas assembleias. (iii) Um novo método de classificação automática de batimentos de eletrocardiograma foi desenvolvido, que não depende de um banco de dados para treinamento, e que não é especializado em patologias específicas. O método envolve decomposição Wavelet e medidas de normalidade de variáveis aleatórias.

Em conjunto, os resultados obtidos nas três linhas de pesquisa representam capacitação em neuroengenharia e engenharia biomédica.

5

Abstract

Following the new tendency of interdisciplinarity of modern science, a new field

called neuroengineering has come to light in the last decades. After 2000, scientific journals and conferences all around the world have been created on this theme. The present work comprises three different subareas related to neuroengineering and electrical engineering: neural stimulation; theoretical and computational neuroscience; and neuronal signal processing; as well as biomedical engineering.

The research can be divided in three parts: (i) A new method of neuronal photostimulation was developed based on the use of caged compounds. Using the inhibitory neurotransmitter GABA caged by a ruthenium complex it was possible to block neuronal population activity using a laser pulse. The obtained results were evaluated by Wavelet analysis and tested by non-parametric statistics. (ii) A mathematical method was created to identify neuronal assemblies. Neuronal assemblies were proposed as the basis of learning by Donald Hebb remain the most accepted theory for neuronal representation of external stimuli. Using the Marcenko-Pastur law of eigenvalue distribution it was possible to detect neuronal assemblies and to compute their activity with high temporal resolution. The application of the method in real electrophysiological data revealed that neurons from the neocortex and hippocampus can be part of the same assembly, and that neurons can participate in multiple assemblies. (iii) A new method of automatic classification of heart beats was developed, which does not rely on a data base for training and is not specialized in specific pathologies. The method is based on Wavelet decomposition and “normality” measures of random variables.

Throughout, the results presented in the three fields of knowledge represent qualification in neural and biomedical engineering

6

Sumário

Agradecimentos ............................................................................................................ 3

Resumo ......................................................................................................................... 4

Abstract ........................................................................................................................ 5

Sumário ........................................................................................................................ 6

1. Introdução geral ........................................................................................................ 7

2. Fotoliberação in vivo de GABA no córtex de camundongos ...................................... 9

2.1. Introdução .......................................................................................................... 9

2.2. Materiais e Métodos ......................................................................................... 10

2.3 Resultados ......................................................................................................... 12

2.4 Discussão .......................................................................................................... 13

3. Detecção de assembleias neurais ............................................................................. 17

3.1. Introdução ........................................................................................................ 17

3.2. Método atual .................................................................................................... 19

3.3. A distribuição de Marčenko-Pastur e a hipótese nula ........................................ 21

3.4. Detectando número de assembleias e de neurônios em assembleias .................. 22

3.5. Identificando as assembleias e sua ativação com precisão temporal .................. 25

3.6. Aplicações em dados reais ................................................................................ 29

3.7. Discussão ......................................................................................................... 30

3.8. Fundamentação teórica ..................................................................................... 32

4. Diagnóstico não supervisionado de ECG ................................................................. 36

4.1. Introdução ........................................................................................................ 36

4.2. Materiais e Métodos ......................................................................................... 37

4.3. Resultados ........................................................................................................ 39

5. Referências ............................................................................................................. 41

7

1. Introdução geral

“I’m astounded by people who want to ‘know’ the universe

when it’s hard enough to find your way around Chinatown”

Woody Allen O desenvolvimento dessa dissertação no Programa de Pós-graduação em Engenharia Elétrica e de Computação (PPgECC) causou uma curiosidade saudável em algumas pessoas; mas, infelizmente, despertou desconfiança e menosprezo em outras. Aparentemente, para algumas pessoas, inclusive professores, neurociências e engenharia são duas disciplinas independentes e essa dissertação se trata de um trabalho exótico, sem ligação com a realidade. Essa posição é de fato ingênua e imprópria para um professor universitário, mas talvez possa ser atribuída a uma herança cultural na comunidade acadêmica, herança para a qual diferentes campos de pesquisa são entendidos como incompatíveis, e a interdisciplinaridade é nada mais que um devaneio de filósofo.

Não obstante, alguns pesquisadores têm proposto índices objetivos a fim de calcular o grau de interdisciplinaridade em publicações científicas e de avaliar sua evolução. Embora esse crescimento pareça ter sido significativamente lento - 5% entre 1975 e 2005 [1] - a neurociência é apontada como um dos principais centros de convergência de diferentes campos científicos [1]. Nas ciências biológicas em geral, altos graus de interdisciplinaridade estão positivamente correlacionados com taxas de citação, indicando a relevância acadêmico-científica desses trabalhos [2].

De fato, a necessidade do rompimento das barreiras imaginárias entre áreas de conhecimento está cada vez mais reconhecida para a superação dos desafios científicos nesse século [3, 4], e a engenharia biomédica tem sido apontada como a principal representante desse novo paradigma [4]. Em particular, um novo campo chamado neuroengenharia, vem emergindo principalmente na última década, com a criação de cursos de graduação, congressos internacionais e periódicos científicos específicos [5]. Curiosamente, alguns autores o consideram uma subárea da neurociência, e outros da engenharia biomédica.

Segundo o editorial do Journal of Neural Engineering: “A neuroengenharia é uma emergente área de pesquisa interdisciplinar que promove a união das neurociências e das engenharias a fim de analisar funções neurológicas, e também para projetar soluções para problemas associados com limitações e disfunções neurológicas.”. O IEEE Engineering in Medicine and Biology Society em sua página oficial: “A neuroengenharia envolve a convergência de conhecimento e metodologias de diversas disciplinas, tais como neurociências, matemática, engenharia, biofísica, ciência da computação e psicologia.”. Tomando como base essas definições, creio que posso afirmar que esse é um trabalho de neuroengenharia propriamente dita, onde são

8

abordados, como pretendo deixar claro no decorrer do texto, três das subáreas reconhecidas desse campo [5]: controle neural, processamento de sinais neurais e neurociência computacional e teórica. Para finalizar, na última seção é apresentado um estudo de classificação não supervisionada que usa sinais de eletrocardiograma como estudo de caso. O autor pede encarecidamente que qualquer estudo detalhado ao trabalho descrito nessa dissertação seja feito diretamente em suas publicações referentes, referenciadas ao longo do texto.

Por esse trabalho abranger projetos independentes, ele está organizado em quatro seções da seguinte forma:

1. Introdução geral; 2. Fotoliberação in vivo de GABA no córtex de camundongos – uma

técnica de inibição de atividade cortical in vivo foi desenvolvida baseada no uso do neurotransmissor inibitório GABA quimicamente “enjaulado”;

3. Detecção de assembleias neurais – um método matemático foi desenvolvido para o estudo de assembleias neurais em registros eletrofisiológicos;

4. Diagnóstico não supervisionado de eletrocardiograma.

Todos os trabalhos descritos nesse trabalho estão publicados ou submetidos para publicação [6-10] e eles são os que devem ser citados em publicações. Outros trabalhos publicados durante o período de mestrado não relacionados aos temas supracitados não serão abordados aqui [11, 12]. Embora esse trabalho esteja atribuído ao PPgECC, é importante ressaltar que ele só foi possível por meio de acordos de cooperação entre diferentes instituições. A parte experimental da seção 2 foi totalmente desenvolvida no laboratório de Dispositivos Moleculares do Instituto de Quimica Física de los Materiales, Medio Ambiente y Energía (INQUIMAE) na Universidade de Buenos Aires (UBA), por meio de um acordo de colaboração entre este laboratório e o Instituto Internacional de Neurociências de Natal – Edmond y Lily Safra (IINN-ELS). A seção 3 foi totalmente desenvolvida no IINN-ELS com a colaboração da pós-graduação de Neurociências (PgNeuro) da Universidade Federal do Rio Grande do Norte (UFRN). E finalmente, a seção 4 foi feita em parceria com o recém criado Departamento de Engenharia Biomédica (DEB) da UFRN. As interações entre o PPgECC, o INQUIMAE, o IINN-ELS, o PgNeuro e o Departamento de Engenharia Biomédica representam a união de instituições de diferentes áreas (engenharias, neurociências e química).

A participação de diversos colaboradores nesses trabalhos foi imprescindível para sua realização, e é minha obrigação dar-lhes os créditos aqui. O trabalho da seção 2 teve participação direta dos alunos Julieta Campi (UBA) e Oscar Filevich (UBA), e dos professores Roberto Etchenique (UBA) e Sidarta Ribeiro (UFRN); da seção 3 do aluno Sergio Conde (UFRN) e dos professores Adriano Tort (UFRN) e Sidarta Ribeiro (UFRN); e da seção 4 dos alunos Oscar Filevich (UBA) e Rafael Nunes (UFRN) e do professor Adrião Duarte (UFRN).

9

2. Fotoliberação in vivo de GABA no

córtex de camundongos

“If you are out to describe the truth, leave elegance to the tailor”

Albert Einstein

2.1. Introdução

Desde que, ainda no século XVIII, Luigi Galvani descobriu acidentalmente que eletricidade estática descarregada em nervos poderia provocar contrações musculares, a bioeletricidade impôs-se como uma das principais disciplinas nas ciências biológicas e, mais tarde, nas neurociências. Atualmente, acredita-se que grande parte dos processos responsáveis pela emergência da mente são fenômenos eletroquímicos. Diversos estudos no século passado demonstraram como células nervosas trocam informação na forma de correntes iônicas e processos bioquímicos [13-15] e a busca por um melhor entendimento desses fenômenos tem feito uso extensivo de técnicas de estimulação cerebral.

A estimulação elétrica, por exemplo, possibilitou descobertas fundamentais em relação ao funcionamento da percepção, da atividade motora, da consolidação de memória e do tratamento de doenças cerebrais [16-23]. Embora tenha dado origem a tão valiosas contribuições, a estimulação elétrica tem sido criticada pelo fato de que esse tipo de corrente elétrica não é um fenômeno natural no sistema nervoso. Além disso, a resolução espacial é muito difícil de ser controlada, pois dendritos, soma e axônio são todos sensíveis a essa forma de estimulação, tornando impossível estabelecer precisamente que neurônios são afetados.

Zemelman et al. [24] baseados na bioquímica de fototransdutores da retina, desenvolveram um método capaz de controlar in vitro a taxa de disparo de neurônios designados geneticamente usando luz branca. Dessa forma, foi possível controlar populações funcionais em vez de locais anatômicos [25-28]. Apesar de suas vantagens, tais métodos optogenéticos ainda não estão disponíveis para os pesquisadores em geral. Uma alternativa simples e mais acessível para a fotoestimulação neural seria o uso de compostos enjaulados.

Um composto enjaulado é a união de um composto de interesse com uma jaula química que o deixa ineficaz. O termo “caging” foi usado pela primeira vez por Kaplan et al. [29], fazendo referência a um composto protegido, chamado de “ATP enjaulado”, capaz de liberar trifosfato de adenosina com luz. Irradiando sobre o complexo luz de comprimento de onda apropriado, o composto é irreversivelmente liberado da jaula, ficando livre para interagir com o ambiente. Dessa forma, o uso de neurotransmissores

10

enjaulados pode contemplar as vantagens da optogenética, sendo ainda uma técnica mais barata.

Os primeiros agonistas enjaulados foram ativadores de receptores de acetilcolina sensíveis a radiação UV [30]. Alguns anos mais tarde, o primeiro glutamato enjaulado foi desenvolvido, e sua aplicação em fatias de cérebro levou a um melhor entendimento dos padrões de conexão em circuitos neurais do córtex visual [31, 32]. A resolução espacial ainda era um problema, devido às propriedades de espalhamento da luz UV. Outra solução veio com o desenvolvimento de compostos que poderiam ser ativados por luz visível, proporcionando maior penetração no tecido, menos espalhamento, melhor resolução temporal e espacial, e ainda assim sendo mais simples e mais barata [33].

Jaulas para GABA também foram introduzidas, sendo aplicadas na supressão de atividade epiléptica em fatias de cérebro [34] e para investigar receptores de GABA em fatias de hipocampo de ratos [35]. Jaulas inorgânicas sensíveis a luz visível, usando rutênio [36, 37] como fotossensor, foram recentemente desenvolvidas para GABA [38] e glutamato [36]. Essas jaulas não exibiram toxicidade e possuem uma dinâmica mais rápida que as jaulas orgânicas [39].

Neste trabalho, nós demonstramos pela primeira vez a fotoliberação de RuBiGABA-PMe3, uma versão modificada de RuBiGABA, por pulsos de luz visível no córtex cerebral de camundongos anestesiados. Todas as figuras desse capítulo foram retiradas de manuscritos publicados e submetidos por mim e por meus colaboradores [6, 7].

2.2. Materiais e Métodos

Animais e procedimento cirúrgico: Cinco camundongos fêmeas adultas CF1, com 60 a 70 dias de idade, e com 25 a 30 gramas, foram anestesiadas com 100 mg/kg de ketamina e 8,0 mg/kg de xilazina IP. Uma craniotomia de área circular com aproximadamente 3 mm² foi feita acima do córtex somatossensorial primário de cada camundongo (coordenadas estereotáxicas: ML = 1,7 mm, AP = - 0,3 mm). Os experimentos foram conduzidos de acordo com o National Institutes of Health (NIH) Guide for the Care and Use of Laboratory Animals (NIH Publication 80-23/96) e regulações argentinas, uma vez que foram realizados em laboratórios da Universidad de Buenos Aires. Dados de dois animais foram descartados das análises devido a problemas no registro. Sintése de RuBiGABA-PMe3: A síntese do complexo enjaulado foi feita pelo Laboratório de Dispositivos Moleculares no Instituto de Química Física de los Materiales, Medio Ambiente y Energía, Universidad de Buenos Aires. Detalhes do procedimento serão publicados brevemente [33]. Procedimentos experimentais: Depois da cirurgia, cada camundongo foi colocado em um ambiente escuro e seus potenciais de campo foram registrados por uma micropipeta (~10MΩ a 1kHz) conectada a um amplificador Neuroprobe 1600 (A-M Systems) e um

11

conversor A/D operando em uma frequência de amostragem de 250 Hz, em um software de aquisição de dados programado em QBasic. Durante todo o experimento, imagens amplificadas do local de aplicação do composto foram continuamente registradas por uma câmera com foco infravermelho, como mostrado na Figura 2.1. Pulsos de laser azul foram aplicados por uma caneta laser DPSS (diode-pumped solid-

state) de 4mW; comprimento de onda 473nm. As durações dos pulsos foram controladas por computador. Uma lente fixa em um motor remotamente controlado permitia ao experimentador posicionar os pulsos de laser com precisão. Os registros foram divididos em três sessões de aproximadamente 30 minutos cada: i) basal, com solução salina aplicada na área exposta, e três pulsos de 1 segundo de laser aleatoriamente distribuídos no período de duração da sessão; ii) basal, com composto aplicado, mas sem uso de pulsos de laser; iii) um pulso de luz de 1 segundo foi dado na região banhada pelo composto para fotoliberação do GABA. Análise dos sinais: Para avaliar como a infusão do composto e os pulsos de luz afetaram a potência dos potenciais de campo, os sinais foram decompostos por bandas de freqüência pela convolução com wavelets ortogonais - biorthogonal spline wavelets [40, 41]. Essa decomposição garante componentes não redundantes e sem perda de informação, separados pelas seguintes bandas de freqüência: delta (0,5 to 3,9 Hz), theta (3,9 to 7,8 Hz), alpha (7,8 to 15,6 Hz) e beta (15,6 to 31,25 Hz).

Para avaliar mudanças bruscas de potência no sinal, o cálculo da envoltória de

amplitude dos sinais de cada componente foi calculado usando a Transformada de Hilbert, como se mostra na Figura 2.2A. O cálculo de potência RMS faria necessário calcular a integral dos sinais em janelas temporais, o que não seria conveniente para avaliar mudanças com precisão temporal.

Para cálculo do espectograma do sinal, o sinal foi convoluído com wavelets de Morlet [42, 43] e, novamente, a envoltória de amplitude foi calculada como medida de

Figura 2.1 Setup para registro de potencias de campo e vídeo. Camundongos anestesiados tiveram os potenciais de campo medidos por um microeletrodo enquanto uma câmera com foco infravermelho era usada para registrar o experimento. Um pulso de luz azul foi usado para liberar o GABA da jaula química.

12

energia instantânea. Depois dos cálculos de energia instantânea, os dados foram testados com estatística não paramétrica (Kruskal-Wallis seguido por correção de Dunn-Sidák para número de comparações).

Figura 2.2 A fotoliberação de GABA enjaulado atenua potência de potencias de campo. A) Energia instantânea calculada a partir da envoltória de amplitude da representação analítica (RA) dos potencias de campo em quatro bandas de freqüência. A RA do sinal pode ser computada usando a transformada de Hilbert e dá grande resolução temporal para análise de transitórios. A linha vertical mostra o exato momento do pulso de laser que causou a inibição de atividade cortical. B) Espectograma wavelet mostra inibição de atividade neural no momento do pulso de laser.

2.3 Resultados

A Figura 2.2B mostra o espectograma wavelet do camundongo #1, que é o melhor caso. A primeira linha vertical indica o momento de aplicação de RuBiGABA-PMe3, e a segunda o pulso de laser. Um decaimento de atividade neural abrupta é notável depois do estímulo luminoso.

Mudanças na estacionaridade estatística da energia instantânea dos potenciais de campo nas quatro bandas de frequência citadas em Materiais e Métodos foram calculadas nos limites dos momentos de aplicação do composto e do pulso de laser.

Para avaliar efeito de curto prazo (Figura 2.3A), períodos de um segundo da envoltória de amplitude pré e pós transições das quatro bandas de freqüência foram comparadas. A energia dos potenciais de campo mudou significativamente em todas as transições (Teste Mann-Whitney; p < 0,000001). O resultado de grupo foi calculado somando os resultados individuais após normalização individual por variância e média (z-score).

Mudanças de longo prazo foram avaliadas fazendo a Transformada Rápida de Fourier em 10 janelas de 2,5 minutos pré e pós cada transição (Figura 2.3B). As 10 medições pré e pós cada transição em cada banda de frequência foram comparadas usando o mesmo teste que no caso anterior. As distribuições que mostraram mudanças estatisticamente significantes após a correção de múltiplas comparações (p < 0,0043) são mostradas com fundo cinza.

13

O camundongo #1 mostrou uma tendência não significativa a aumentar a potência dos sinais depois da aplicação do composto (delta: p = 0,065; theta: p = 0,065, alpha: p = 0,442; e beta: p = 0,130). Porém, no momento do pulso de luz, uma queda significante na energia do sinal foi observada (p = 0,0001 para todas as bandas de frequência). O camundongo #2 apresentou uma queda de potência dos potenciais de campo para quase todas as frequências, para aplicação do composto (delta: p = 0,0019; theta: p = 0,0002, alpha: p = 0,0002; e beta: p = 0,0002) e pulso de luz (delta: p = 0,0011; theta: p = 0,0006, alpha: p = 0,0011; e beta: p = 0,0019). No camundongo #3, a energia caiu significativamente na aplicação do composto (delta: p = 0,0022; theta: p = 0,0022, alpha: p = 0,0022; e beta: p = 0,0022), mas não depois do estímulo luminoso (delta: p = 0,8182; theta: p = 0,6991, alpha: p = 0,6991; e beta: p = 0,9372), indicando que maior parte do GABA já havia sido liberado antes que o pulso fosse aplicado. Resultados de grupo apresentaram diferenças estatisticamente significantes para ambas as transições (p = 0,0022 em todas as bandas).

2.4 Discussão

Nesse estudo foram apresentados resultados pioneiros no uso de compostos

enjaulados em aplicações in vivo. Em nenhum momento ele foi apresentado como um trabalho definitivo de um método de controle neural. A intenção de produzir um trabalho elegante, com variação de intensidade de estímulos infalíveis não foi concretizada; mas, apesar disso, creio que são resultados preliminares legítimos nunca antes publicados, uma pequena pedra, talvez um grão de areia, mas que representa um avanço científico. Nesse sentido, talvez a maior contribuição desse trabalho seja a coleção de algumas observações nas limitações dessa técnica de estimulação para aplicações in vivo.

Primeiro, há uma preocupação óbvia em relação à sensitividade do composto enjaulado à luz visível. Como uma concentração relativamente alta foi usada para tentar uma inibição completa da atividade cortical, é muito difícil evitar fotoliberação residual pela luz ambiente. Todo composto foi estocado em estado sólido e foi dissolvido em solução salina poucos minutos antes da sua aplicação para evitar esse problema. A diminuição de potência dos potenciais de campo nos camundongos #2 e #3 pode ser explicada por essa liberação indesejada. Por outro lado, no camundongo #1, a potência do sinal aumentou em todas as bandas de frequência depois da aplicação do composto. Isso pode ser explicado a partir de observações em trabalhos publicados [37] que mostram que a jaula usada funciona como antagonista de GABA.

O fato de haver uma perturbação intrínseca da aplicação do composto na atividade neural, seja ela por efeitos antagônicos ou liberação acidental, é claramente passível de críticas. Está claro nos resultados que quando a aplicação do composto causa uma atenuação na atividade neural, o pulso de luz subsequente é menos efetivo. A maior inibição causada pelo pulso de laser ocorreu exatamente onde não houve problemas com a aplicação do composto (camundongo #1).

14

Esses problemas devem ser superados com maior refinamento do método, incluindo a determinação de uma concentração conveniente para aplicações in vivo. Além disso, como RuBiGABA não é tóxico [37], em princípio é possível injetar baixas concentrações do complexo na corrente sanguínea dos animais, embora não haja estudos comprovando que ele possa atravessar a barreira hematoencefálica. Uma alternativa seria injetar o complexo nos ventrículos cerebrais.

De fato, quando a técnica for finalmente dominada, ela poderá ter um largo espectro de aplicações. Como a luz é a responsável pela liberação, problemas com a dinâmica de difusão de compostos, como o muscimol, podem ser eliminados. Pode-se esperar tempo suficiente para que o composto esteja homogeneamente difundido e ativá-lo por completo instantaneamente, afetando uma área maior do cérebro com alta resolução temporal. O uso de jaulas para outros neurotransmissores com diferentes funções, como glutamato e serotonina [44], abre também várias possibilidades. O uso de luz para controle e modulação de atividade neural pode ser muito importante para estudos comportamentais, já que o estímulo luminoso não perturba o comportamento. Por exemplo, compostos enjaulados podem ser usados para inibir localmente áreas cerebrais durante tarefas de memória de trabalho ou durante períodos específicos do ciclo sono-vigília com alta resolução temporal.

15

Figura 2.3 Efeitos de curto e longo prazo da infusão e fotoliberação de GABA enjaulado. A) Boxplots mostram os efeitos de curto prazo da aplicação do composto e

Mouse 1

Co

mp

ou

nd

Ap

pli

cati

on

Blu

e L

ase

r

Sti

mu

lus

Pre

1 second

No

rma

lize

d

Vo

lts

Mouse 2 Mouse 3 Group result

No

rma

lize

d

Vo

lts

No

rma

lize

d

Vo

lts

No

rma

lize

d

Vo

lts

DE

LTA

TH

ETA

AL

PH

AB

ETA

DE

LTA

TH

ETA

AL

PH

AB

ETA

No

rma

lize

d

Vo

lts

No

rma

lize

d

Vo

lts

No

rma

lize

d

Vo

lts

No

rma

lize

d

Vo

lts

5.18

5.19

5.20

0.7650

0.7652

0.176

0.177

0.0654

0.0662

1.55

1.6

0.22

0.23

0.043

0.044

0.0134

0.0136

5.1

5.2

x0.1

4.2

4.3

1.67

1.69

1.71

x0.01

x0.01

1.64

1.66

1.68

x0.01

3.6

3.7

x0.1

2.6

2.3

x0.01

8.4

8.5

x0.001

9

9.1

x0.001

2.4

2.5

x0.1

6.2

6.4x0.01

3.3

3.4

x0.01

2.5

2.6

x0.01

7.1

7.2

9.6

9.7

5.3

5.4

5.40

5.45

x0.01

x0.001

x0.001

x0.001

−1

0

1

−1012

−1

0

1

−1

0

1

−1

0

1

−1

0

1

−1

0

1

−1

0

1

Post

1 second

Pre

1 second

Post

1 second

Pre

1 second

Post

1 second

Pre

1 second

Post

1 second

A. U

.A

. U.

A. U

.A

. U.

A. U

.A

. U.

A. U

.A

. U.

A

20253035

10

15

20

6

8

10

12

1.5

2.0

2.5

5

15

25

5

10

15

5

10

1.2

1.6

2.0

Mouse 1

5

10

3

5

7

4

6

8

1

2

5

10

2

4

2

4

1.0

1.4

1.8

Co

mp

ou

nd

Ap

pli

cati

on

Blu

e L

ase

r

Sti

mu

lus

Pre

25 minutes

Post

25 minutes

2

3

4

2

6

10

5

10

2

3

2

3

0.06

0.08

0.1

0.1

0.2

0.3

5

10

15

−2

0

2

4

−2

0

2

4

−2

0

2

−2

0

2

−2

0

2

−2

0

2

−2

0

2

−2

0

2

No

rma

lize

d

Vo

lts

Mouse 2 Mouse 3 Group resultN

orm

ali

zed

Vo

lts

No

rma

lize

d

Vo

lts

No

rma

lize

d

Vo

lts

DE

LTA

TH

ETA

AL

PH

AB

ETA

DE

LTA

TH

ETA

AL

PH

AB

ETA

No

rma

lize

d

Vo

lts

No

rma

lize

d

Vo

lts

No

rma

lize

d

Vo

lts

No

rma

lize

d

Vo

lts

A. U

.

Pre

25 minutes

Post

25 minutes

Pre

25 minutes

Post

25 minutes

Pre

25 minutes

Post

25 minutes

A. U

.A

. U.

A. U

.A

. U.

A. U

.A

. U.

A. U

.

B

16

estímulo de luz em três camundongos. Observe-se que o cálculo da envoltória de amplitude em bandas de freqüências filtradas com wavelets permite obter alta resolução temporal. Todas as transições de curto prazo são estatisticamente significantes (Teste Mann-Whitney p < 0.000001, fundo cinza). B) Boxplots mostram efeitos de longo prazo na voltagem dos potenciais de campo em quatro bandas de frequência em três camundongos. Cada boxplot representa níveis de tensão dentro de quatro bandas de freqüência específica calculados por Transformada Rápida de Fourier em 10 janelas de 150 segundos. Dessa forma, 25 minutos pré e pós estímulo são avaliados. As caixas com fundo cinza são os que apresentaram diferença estatística antes e depois da transição (Teste Mann-Whitney com correção para múltiplas comparações p < 0,0043).

17

3. Detecção de assembleias neurais

“If in other sciences we should arrive at certainty without a doubt

and truth without error, it behooves us to place the foundations of

knowledge in mathematics”

Rober Bacon

3.1. Introdução

Entender a nós mesmos é o mais antigo e, provavelmente, mais difícil problema da ciência. Não sabemos se um sistema complexo pode entender a si próprio, mas nossa única chance é através do acúmulo de gerado por uma imensa comunidade, bloco a bloco. Não é um problema de por quais materiais somos feitos, e sim de como eles se organizaram a partir do caos no decorrer de milhões de anos de evolução. A emergência do eu e dos qualia nos confunde desde a Grécia Antiga, mas foi só no século XX, que as chamadas neurociências se propuseram a criar métodos objetivos para estudar tais fenômenos. Resultados experimentais extraordinários têm aparecido nas últimas décadas, mas apesar das diversas teorias que vêm sendo propostas ainda não há um modelo claro e definitivo que descreva como células neurais interagem entre si e com o corpo para sentir, aprender e ser. Vários grupos de pesquisa publicaram experimentos que lidam diretamente com o estudo da consciência; mas enquanto lacunas mais básicas não forem preenchidas, os resultados desse trabalho são apenas relatos de interpretação subjetiva. A primeira e, provavelmente, a mais bem sucedida teoria para explicar com rigor científico o funcionamento do sistema nervoso puramente por processos mecanísticos foi elaborada por Donald Hebb em 1949 [45], a partir de seu famoso postulado: Se o

neurônio A repetidamente provoca disparos em um neurônio B, algum processo

metabólico ou processo de crescimento anatômico tornaria a sinapse que liga A e B

mais eficiente. Uma das consequências fundamentais de seu axioma é que a unidade elementar de processamento de informação do sistema nervoso não é um único neurônio, mas sim uma assembleia neuronal. Uma assembleia seria um grupo de neurônios, fortemente conectados, de tal forma que o estímulo de uma fração de seus membros, provocaria a ativação de todo o grupo. Assembleias que disparassem sequencialmente, também formariam ligações entre elas. Pelo mesmo princípio, a ativação de uma assembleia provocaria cadeias de ativações, chamadas de phase

sequences, que seriam responsáveis por computações mais complexas. Seria 1949 o Annus Mirabilis da neurociência moderna? Embora tenha

inaugurado um novo paradigma para o estudo do cérebro, Hebb sofreu com as limitações tecnológicas de sua época. Apesar de que algumas de suas hipóteses para

18

fenômenos de mais baixa ordem vêm sido experimentalmente confirmadas [20, 46-48], Hebb não viveu numa época que a maioria de suas teorias pudesse ser testada. De fato, a tecnologia para o registro de populações neuronais vêm crescendo em ritmo acelerado [49], mas ainda somos limitados a observar uma parcela ínfima das células do cérebro. Além disso, as ferramentas matemáticas e estatísticas desenvolvidas para a análise de atividade neuronal não são capazes de trabalhar com grandes populações de neurônios [50, 51].

Em 1995, um método baseado em Análise de Componentes Principais (Principal

Component Analysis – PCA) para extração de padrões de co-ativação foi proposto. Essas representações vetoriais foram usadas para computar séries temporais que descrevem o comportamento desses padrões como função do tempo [52]. Mais recentemente esse

Figura 3.1. Fundamentação básica do método original.

0 100 200 300 400 500 600 700 800 900 1000

5

10

15

20

Time (ms)

Ne

uro

n #

Rastergram

Time (Bin #)

Ne

uro

n #

Binned spike activity

10 20 30 40 50 60 70 80 90 100

5

10

15

20

39 40 41 42 43 44 45 46 47 48 49 50

10

11

12

13

14

15

Time (Bin #)

Ne

uro

n #

2 10

3

0 0 0 01 1 12

0 0 0 0 0 0 0 0 0

0 0 0

3

0 0 0 0 0 0 0 0

0 1

0 0 0 0 0 0 0 001 1

3 2 1 11 2 1 23

0 00 0 0 0 0 001 1

390 400 410 420 430 440 450 460 470 480 490 500

10

11

12

13

14

15

Time (ms)

Ne

uro

n #

Time (Bin #)

Ne

uro

n #

Normalized spike activity

10 20 30 40 50 60 70 80 90 100

5

10

15

20

0

1

2

3

Sp

ike

s/b

in

-1

2

5

8

Z-s

core

d

Fir

ing

Ra

te

4

Neuron #

Ne

uro

n #

Autocorrelation Matrix

-0.1

0.15

0.4

r

5 10 15 20

A B

D C

F Principal Components

2 4 6 8 10 12 14 16 18 20-0.5

0

0.5

2 4 6 8 10 12 14 16 18 20-0.5

0

0.5

2 4 6 8 10 12 14 16 18 20-0.5

0

0.5PC20

PC1

PC2

.

.

.

n16=[-0.37 -0.37 -0.37 2.7... ... ... -0.37 -0.37 -0.37 -0.37]

n3=[2.21 -0.45 -0.45 -0.45... ... ... 2.21 -0.45 -0.45 -0.45]

0.5 1 1.5 2 2.5 3

1

2

3

4

Eigenvalue

Co

un

ts

Neuron #

E

5

10

15

20

19

método foi reformulado com mais rigor estatístico [53], sendo possível determinar que componentes principais poderiam ser consideradas significantes. Isso é feito através da análise da distribuição dos autovalores da matriz de autocorrelação computada para a atividade de uma população neuronal simultaneamente registrada.

Apesar dos resultados obtidos por essa reformulação [54, 55], ela ainda apresenta algumas limitações importantes. Primeiro, apesar de detectar a presença de subgrupos de células correlacionados, ele é incapaz de identificar que neurônios fazem parte das assembleias na rede. Além disso, uma análise cuidadosa revela que as séries temporais geradas por esse método não necessariamente representam a atividade de assembleias individuais.

Nesse trabalho um estudo detalhado das propriedades gerais do método atual como descrito em [53] é apresentado. Mostramos por meio de simulações que é possível dar um significado mais preciso aos autovalores da matriz de correlação e dos seus autovetores (componentes principais) associados. Por fim, propomos modificações para que o método seja capaz de: (i) identificar a quantidade exata de assembleias independentes e neurônios envolvidos em assembleias na rede, de (ii) especificar que neurônios participam em cada assembleia, e de (iii) projetar séries temporais que representem a atividade de cada assembleia individualmente. Após a validação do método por estudos paramétricos e simulações, o aplicamos em registros eletrofisiológicos reais de roedores durante livre exploração de objetos e durante o sono. Os resultados dessas análises sugerem que assembleias podem possuir neurônios de diversas regiões cerebrais e que neurônios podem participar em múltiplas assembleias. Acreditamos, portanto, que o método esteja validado e pronto para ser usado com mais rigor em mais análises, para então gerar resultados conclusivos na formação e dinâmica das assembleias Hebbianas. Todas as figuras presentes nessa seção foram extraídas de publicações e apresentações [8, 9].

3.2. Método atual

Nessa seção, o método atual como apresentado em [53] é descrito brevemente.

Na Figura 3.1A, é mostrada a atividade de uma população neuronal simulada. Cada traço na figura representa um potencial de ação de um neurônio (eixo vertical) em função do tempo (eixo horizontal). O primeiro passo do processo é construir uma matriz A que integre os potenciais de ação de cada neurônio em janelas de tempo sem interseção entre si (bins). Mais especificamente, o elemento aij de A determina a quantidade de disparos do neurônio i no bin j (Figura 3.1B); aqui definido como taxa de

disparo. Em seguida, cada linha de A é normalizada para média e variância (Figura 3.1C; ver apêndice – z-score). Depois, a matriz de autocorrelação (MAC) de A é computada – cada elemento cij da MAC representa a correlação linear entre os neurônios i e j de A (Figura 3.1D). Todas as MACs mostradas em figuras nessa seção tiveram sua diagonal principal zerada para melhor visualização, porém nas análises elas foram mantidas. Os autovetores da MAC e seus autovetores associados são então calculados (Figura 3.1F). Nesse contexto chamaremos esses autovetores de

20

Componentes Principais (Principal Components – PCs). Finalmente, os PCs podem ser usados para computar a força dos padrões de co-ativação neuronal como função do tempo com a resolução de um bin (ver Fundamentação Teórica para mais detalhes).

Duas questões importantes são: (i) saber quando os coeficientes de correlação de dois neurônios podem ser considerados estatisticamente significantes; e (ii) reconhecer correlação de alta ordem, i.e., subgrupos de três ou mais neurônios correlacionados entre si (definição dada em [51, 56, 57]). Peyrache e seus colaboradores [53-55] elegantemente atacaram esses problemas analisando a distribuição dos autovalores da MAC. Da teoria de matrizes aleatórias [58], pode ser demonstrado que os autovalores de uma MAC computada de uma matriz com linhas estatisticamente independentes (em nosso caso neurônios em atividade independente) seguem a chamada distribuição de Marčenko-Pastur [59]. Dessa forma, se algum autovalor for maior que o limiar superior da distribuição teórica, é esperado que haja atividade correlacionada na rede. Além disso, os PCs associados aos autovalores significantes podem ser usados como assinaturas para computar a atividade dessa atividade correlacionada como função do tempo.

Figura 3.2. Computação da série temporal através dos componentes principais.

A Figura 3.2 mostra dois exemplos de matriz de atividade neuronal simulada. A Figura 3.2A mostra uma população de 20 neurônios modelados como processos de Poisson (média de disparo = 1/bin). As simulações têm 8000 bins de duração, mas só 200 são mostrados na figura para melhor visualização. Para simular assembleias, subgrupos de neurônios foram programados a disparem acima de sua média juntamente em 0.5% dos bins de toda a matriz. A co-ativação transiente dos membros de uma assembleia em um bin é chamada aqui de ativação da assembleia. Os painéis inferiores da Figura 3.2 mostram a série temporal computada para cada PC. Note que nesse exemplo cada um dos componentes principais representam a atividade de uma assembleia. Isso pode ser constatado observando que os picos da função correspondem aos bins em que a assembleia está ativa no painel superior. Já no exemplo mostrado na Figura 3.2B, os componentes principais não conseguem isolar a atividade das duas

Time (Bin #)

Neu

ron

#

2

4

6

8

10

12

14

16

18

20

0

2

4

6

20

60

400 420 440 460 480 500 520 540 560 580 600

20

40

0

100

200

20

60

100

14

Act

ivat

ion

Stre

ngth

Act

ivat

ion

Stre

ngth

Time (Bin #)

400 420 440 460 480 500 520 540 560 580 600

Zsco

red

Firi

ng R

ate

0

2

4

6

Zsco

red

Firi

ng R

ate

Neu

ron

#

2

4

6

8

10

12

16

18

20

14

PC1

PC2

PC1

PC2

A B

21

assembleias. Isso acontece porque existem neurônios que participam em duas assembleias.

O método descrito aqui não só resolve o problema de encontrar a identidade de cada neurônio nas assembleias detectadas, mas também usará essa informação para isolar a atividade de cada assembleia quando a série temporal for computada.

3.3. A distribuição de Marčenko-Pastur e a hipótese nula

Para começar, a distribuição de Marčenko-Pastur será explorada através de

simulações computacionais. Aqui nos focaremos em análises computacoinais, mas detalhes analíticos dessa distribuição serão discutidos na seção Fundamentação Teórica.

Os paineis superiores das Figuras 3.3A-C mostram três exemplos de matriz de atividade com diferentes número de neurônios e de bins. O painel intermediário mostra a Marčenko-Pastur computada para a matriz de atividade, e o painel inferior mostra o histograma empírico dos autovalores da matriz de autocorrelação das matrizes de atividade. Note que a distribuição empírica dos autovalores segue fielmente a distribuição teórica nos três exemplos.

Figura 3.3. Distribuição Marčenko-Pastur como hipótese nula.

Simulações foram feitas exaustivamente para testar essa propriedade. A Figura 3.3D mostra a porcentagem de autovalores empíricos dentro dos limiares teóricos em

Time (Bin #)

100 200 300 400 500 600 700 800

2

4

6

8

10

12

14

16

18

20

0

1

2

3

4

5

6

7

0 0.5 1 1.5 2 2.5 30

1

2

0 0.5 1 1.5 2 2.5 30

1

2

3

Ne

uro

n #

Pro

ba

bil

ity

Co

un

ts

100 200 300 400 500 600 700 800

10

20

30

40

50

60

70

80

90

0 0.5 1 1.5 2 2.5 3

0 0.5 1 1.5 2 2.5 30

2

4

6

8

Time (Bin #)

0

1

1000 2000 3000 4000 5000 6000 7000 8000

2

4

6

8

10

12

14

16

18

20

0.5 1 1.5 2 2.5 30

2

4

6

8

0 0.5 1 1.5 2 2.5 3

Pro

ba

bil

ity

Co

un

ts

Pro

ba

bil

ity

Co

un

ts

Ne

uro

n #

A B C

Eigenvalue Eigenvalue

Eigenvalue Eigenvalue

Sp

ike

s/b

in

0

1

2

3

4

5

6

7

Sp

ike

s/b

in

0

1

2

3

4

5

6

7

Sp

ike

s/b

in

Eigenvalue

Eigenvalue

Time (Bin #)

Ne

uro

n #

0

2

4

6

8

0

0

500

1000

1500

0

50

100

150

2000

20

40

60

80

100

20

40

60

80

100

Time (Bin #)

Ne

two

rk S

ize

0 20 40 60 80 100 120 140 160 180 200

20

40

60

80

100

120

140

160

180

200D E

Network Size Time (Bin #)

Acc

ura

cy (

%)

Acc

ura

cy (

%)

0 50 100 1500

20

40

60

80

100

Time (Bin #)

Acc

ura

cy (

%)

Firing Rate = 1 Spike/Bin

5 Neurons

20 Neurons

50 Neurons

F

22

função do número de bins e do número de neurônios na rede (Network Size). Cada ponto no gráfico foi a média de vinte simulações. A Figura 3.3E destaca o limiar que separa virtuais 100% de classificação de valores inferiores nos resultados mostrados na Figura 3.3D. Observe que se o número de bins da matriz de atividade é maior que o número de neurônios (ou seja, o número de colunas é maior que o número de linhas), todos os autovalores ficam dentro dos limiares previstos pela distribuição teórica. A Figura 3.3F mostra três cortes (com número de neurônios fixos) da superfície mostrada em Figura 3.3D. Observe que o número de autovalores acima do limiar tende a 100% quando a número de bins é aumentado. Em resumo, é possível concluir que os limiares teóricos previstos pela distribuição de Marčenko-Pastur podem ser usados como hipótese nula para testar estatisticamente se há atividade correlacionada entre subgrupos de neurônios. Na próxima seção, é mostrado que os autovalores fora dos limites da distribuição não só indicam presença de assembleias, mas podem ser usados para estimar o número de neurônios envolvidos em atividade correlacionada e o número de assembleias em uma matriz de atividade neuronal

.

3.4. Detectando número de assembleias e de neurônios em assembleias

Até aqui foi mostrado que autovalores da matriz de autocorrelação de uma matriz de atividade com neurônios com atividade independente ficam nos limiares teóricos. Agora podemos ir adiante para mostrar que o número de autovalores acima do limiar superior teórico não só indica a presença de atividade correlacionada, mas o número de assembleias na rede. Na Figura 3.4A dois exemplos de atividade de rede neuronal são mostrados. Neurônios são modelados como na Figura 3.3. As assembleias são simuladas como nos exemplos da Figura 3.2. Os membros de uma dada assembleia são programados para estarem entre 5 e 9 vezes acima de sua média de disparo durante a ativação da assembleia correspondente. Aqui definimos a quantidade de ativações da assembleia pelo número total de bins como frequência de avitação. Nos exemplos da Figura 3.4A, as assembleias têm frequência de ativação de 1/200 bins. Os paineis mais à esquerda da figura mostra a média de disparo de cada um dos neurônios. O segundo painel mostra a matriz de atividade de cada um. Note que no primeiro exemplo existe apenas uma assembleia na rede, formada pelos neurônios #7, #8, #9 e #10 (ativações são destacadas por linhas pontilhadas). É relevante salientar que como a frequência de ativação da assembleia é de apenas 1/200 bins, os membros de uma mesma assembleia tem atividade independente em 99,5% do tempo. A MAC computada para a matriz de atividade é mostrada ao lado direito da matriz de atividade; e a sua direita são mostrados a distribuição teórica e o histograma empírico dos autovalores da MAC. O limiar teórico é mostrado com linhas pontilhadas de cor cinza. Note que um autovalor fica acima do limite superior. Já no segundo exemplo, três assembleias foram programadas na rede e três autovalores ficam acima do limiar superior. Simulações exaustivas foram feitas para estudar se essa propriedade é robusta.

23

Primeiro estudamos como a taxa de disparo dos neurônios no momento da ativação da assembleia influencia nos resultados. Redes com 40 neurônios (média de 1 disparo por bin) e com 8000 bins foram simuladas e os autovetores da MAC foram calculados. As assembleias foram compostas sempre por 4 neurônios e programadas para ter frequência de ativação igual a 1/200 bins. Mostramos na Figura 3.4B a relação entre número de assembleias e número de autovalores acima do limiar teórico. Cada ponto no gráfico representa uma simulação e as diferentes cores mostram casos com diferentes taxas de disparos dos neurônios na ativação das assembleias. Para medir a eficiência de detecção de assembleias, regressões lineares (y = α + βx) foram feitas separadamente para cada taxa de disparo. Como desejamos que o número de assembleias seja igual ao número de autovalores acima do limiar, β = 1 significa detecção perfeita. Como mostrado na Figura 3.4B, forças de ativação 5 vezes maior que a média de disparos da rede já proporciona β = 1.

Figura 3.4. Encontrando o número de assembleias.

Simulações exaustivas foram feitas para estudar mais profundamente os requisitos para detecção perfeita. A Figura 3.4C mostra a taxa de disparo mínima na ativação da assembleia necessária para que esse critério seja alcançado em função da média de disparo da rede e número de bins analisados. No painel esquerdo, a taxa de disparo é mostrada em valores absolutos, enquanto no esquerdo é mostrada é relativizada pela média de disparos da rede. Observe que menores taxas são necessárias se um número de bins maior for analisado. Mais especificamente, quanto maior a relação entre número de bins e número de neurônios, melhor será a eficiência do método. Cada valor nos gráficos representa a média de 20 simulações. Na Figura 3.4D matrizes de atividade com 4000 (painel esquerdo) e 8000 (direito) bins são estudadas para quatro diferentes frequências de ativação das assembleias (número de bins relativo ao total que a assembleia estava ativa). É mostrada a taxa de disparo mínima para β = 1

C

1 2 3 4 5 6 7 8 9 10

0

1

2

3

4

5

6

7

8

9

10

#Assemblies

#E

igV

al >

Th

eo

reti

cal B

ou

nd

s

Firing Rate=2

Firing Rate=3

Firing Rate=4

Firing Rate>=5

0

5

10

15

20

25

D

4000 Bins 8000 Bins

spik

es/

bin

Tim

e (

Bin

#)

)

2 4 6 8 10

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

Tim

e (

Bin

#)

2 4 6 8 10

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

0

2

4

6

8

10

1

3

5

7

9

11

13

15

17

19

21

23

25

Fir

ing

Ra

te (

spik

es/

bin

)

2 4 6 8 100

1

2

3

4

5

6

7

8

No

rma

lize

d r

ate

1

3

5

7

9

11

13

15

17

19

21

23

25

Fir

ing

Ra

te (

spik

es/

bin

)

2 4 6 8 100

1

2

3

4

5

6

7

8

No

rma

lize

d r

ate

480 500 520 540 560 580 600 620

0

1

2

3

4

5

6

7

8

9

1.5 0.9 0.3

0 1 2 30

1

2

3

Pro

ba

bil

ity

0 1 2 30

2

4

Eigenvalue

Co

un

ts

Neuron #

Ne

uro

n #

1

5

9

13

17

21

25

29

1.5 0.9 0.3

1

5

9

13

17

21

25

29

Neuron #

Ne

uro

n #

Time (Bin #)480 500 520 540 560 580 600 620

0 1 2 30

1

2

3

Pro

ba

bil

ity

0 1 2 30

2

4

Eigenvalue

Co

un

ts

Ne

uro

n #

Ne

uro

n #

B

A

2%

1%

0.67%

0.5%

2%

1%

0.67%

0.5%

no

rma

lize

d s

pik

es/

bin

1

5

9

13

17

21

25

29

1

5

9

13

17

21

25

29

1 5 9 13 17 21 25 29

1 5 9 13 17 21 25 29

Sp

ike

s/b

in

0

1

2

3

4

5

6

7

8

9

Background !ring rate Background !ring rate Background !ring rate Background !ring rate

Time (Bin #)

Sp

ike

s/b

in

24

em função da taxa de disparo média. Em síntese, as simulações mostram que o número de autovalores acima do limiar superior teórico é fortemente relacionado com o número de assembleias presente na rede. Em síntese, a eficiência do critério depende da quantidade de bins em que os neurônios estão sincronizados e quão alta é sua correlação nesses bins. A seguir, damos atenção aos autovalores abaixo do limiar inferior teórico. Inspeção visual da Figura 3.4A sugere que o número de autovalores abaixo dos limiares inferiores aumenta quando mais assembleias são adicionadas na rede. Na Figura 3.5 mostramos que o número de autovalores fora da distribuição (valores abaixo e acima) é uma boa estimativa do número total de neurônios envolvidos em assembleias. Mais especificamente, na Figura 3.5A, três exemplos de rede com 40 neurônios e 8000 bins são mostrados. Cada rede possui uma assembleia ativa em 0,5% dos bins e seu número de membros é variado (4, 8 e 12; respectivamente). Observe nos histogramas correspondentes que o número de autovalores fora dos limiares da distribuição corresponde perfeitamente ao número de neurônios nas assembleias.

As Figuras 3.5B-C mostram resultados de mais simulações feitas para medir a robustez de tal observação. Na Figura 3.5B mostramos a razão r (# autovalores fora da distribução/# neurônios na assembleia) como função da força de ativação da assembleia e número de bins analisados. Observe que → 1 quando é aumentado o número de bins analisados ou a força de ativação da assembleia (taxa de disparo dos membros da Assembleia em suas ativações). A Figura 3.5C mostra o limiar para = 1 para três diferentes tamanhos de assembleia para duas freqüências de ativação (1/200 bins e 1/100 bins) da assembleia. Observe que a detecção perfeita não depende significativamente do número de neurônios na assembleia, mas sim de sua frequência e força de ativação e número total de bins analisados. Resultados equivalentes foram observados em redes compostas com mais assembleias, mesmo quando elas dividem neurônios. Por exemplo, um neurônio em várias assembleias provoca apenas a saída de

um autovalor da distribuição. Figura 3.5. Encontrando o número de neurônios em assembleia.

1

5

9

13

17

21

25

29

33

37

0

Co

un

ts

A B

C

1

3

5

7

9

Pro

ba

bil

ity

0

2

4

2

6

1

5

9

13

17

21

25

29

33

37

4

480 500 520 540 560 580 600 620

1

5

9

13

17

21

25

29

33

37

Co

un

ts

0 1 2 30

2

4

6

Time (Bin #) Eigenvalue

0 1 2 3

0 1 2 3

Fir

ing

Ra

te (

spik

es/

bin

)

1000 2000 3000 4000 50005

10

15

20

25

30

35

40

45

50

0 1000 2000 3000 4000 50000

5

10

15

20

25

30

35

40

45

50

Time (Bins #)

Fir

ing

Ra

te (

spik

es/

bin

)

6 Neurons

10 Neurons

20 Neurons 1%

0.5%

Ne

uro

n #

Ne

uro

n #

Ne

uro

n #

0 1 2 30

Co

un

ts

2

6

4

Sp

ike

s/b

in

0

1Id

enti

!ed

Neu

ron

s (R

atio

)

Time (Bins #)

25

Análise detalhada com simulações amplia a observação de Peyrache e seus colegas para uma interpretação clara do significado dos autovalores. Na próxima seção mostramos como essas informações podem ser usadas para finalmente identificar que neurônios participam em cada uma das assembleias.

3.5. Identificando as assembleias e sua ativação com precisão temporal

Até aqui foi mostrado como a relação entre os autovalores da MAC e a distribuição de Marčenko-Pastur pode ser usada para determinar o número de assembleias e de seus neurônios numa rede neuronal. Os autovalores significativos estão por definição associados com autovetores, nesse contexto chamados de componentes principais. Agora será mostrado como esses componentes principais significantes podem ser usados para identificar que neurônios participam em cada assembleia. Para tal, uma matriz de atividade foi simulada com 25 neurônios e 8000 bins como exemplo ilustrativo (Figura 3.6).

Figura 3.6. Aplicação do método proposto em dados simulados 1.

0

10

20

30

Time (Bin #)

400 440 480 520 560 600

Neuron #

Ne

uro

n #

5 10 15 20 25

0

0.1

0.2

5

10

15

20

250 0.5 1 1.5 2

0

1

2

3

4

Co

un

tsEigenvalue

0

2

4

6

Pro

ba

bil

ity

0 0.5 1 1.5 2

1 3 5 7 9 11 13 15 17 19 21 23 25

0

0.2

0.4

0.6

0

0.2

0.4

0.6

−0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8−0.1

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

Neuron #

Ne

uro

n #

5 12 15 21 23

5

12

15

21

23

0

0.1

0.2

0.3

0.4

0.5

0.6

Time (Bin #)

Ne

uro

n #

400 440 480 520 560 600

12235

152112346789

101113141617181920222425

0

40

80

0

50

100

Time (Bin #)

Act

iva

tio

nst

ren

gth

Act

iva

tio

nst

ren

gth

400 420 440 460 480 500 520 540 560 580 600−0.2 0 0.2 0.4 0.6 0.8 1 1.2

0

0.2

0.4

0.6

0.8

1 Assembly 1 Vector = (x1,y1)

15

21 5

23

12

1 3 5 7 9 11 13 15 17 19 21 23 25

Ne

uro

n #

23

5

15

21

1

3

7

9

11

13

17

19

25

Sp

ike

s/b

in

r

λ2 λ1

PC1

PC2

PC2

PC

1

Neuron #

Cell Assembly Clustering Algorithm

Cell Assembly 1 Neurons: #5,#15,#21

Cell Assembly 2 Neurons: #12,#23

PC

1

0

10

20

30

Sp

ike

s/b

in

2

1Cel

l Ass

embl

y #

Assembly 1 Projector:

Α1 = x1PC1 + y1PC2

Assembly 2 Projector:

Α2 = x2PC1 + y2PC2Assembly 2 Vector = (x2,y2)

A B C

DEF

H

K

G

I J

(x-a

xis

)

PC2(y-axis)

Assembly 2

Assembly 1

Ψ = Α ⊗Α1 1 1

Ψ = Α ⊗Α2 2 2

26

Neurônios foram novamente modelados como processos de Poisson, mas com diferentes médias de disparo (uniformemente distribuídas entre os neurônios entre 1 e 5 disparos por bin). Para simular assembleias, dois grupos de neurônios (grupo 1: neurônios #5, #15, #21; grupo 2: neurônios #12 e #23) foram programados para dispararem seis vezes acima de sua média em 0,5% dos bins de ativação de suas respectivas assembleias. Além disso, o restante dos neurônios foram programados para estarem também seis vezes acima de sua média em 0,5% dos bins aleatoriamente escolhidos e independentes entre si.

A Figura 3.6A mostra um intervalo de 200 bins na rede simulada; a MAC associada é mostrada na Figura 3.6B. Como esperado, dois autovalores dessa matriz caem acima do limiar superior, enquanto três deles caem abaixo do limiar inferior (Figura 3.6C). Já que esses autovalores acima do limiar estatístico representam atividade correlacionada na rede, nós usamos os PCs associados a eles (Figura 3.6D) para buscar a identidade das assembleias. A MAC pode ser visualizada como 25 vetores (um para cada neurônio, aqui chamados de vetores neuronais) em um espaço vetorial com 25 dimensões. Nesse caso, PCA indica que a atividade significativamente correlacionada é mais bem descrita em um subespaço vetorial (chamado aqui Subespaço

das Assembleias - SA). Desconsiderar os autovetores não significativos da análise é equivalente a uma filtragem espacial da MAC.

A Figura 3.6E mostra a projeção de cada vetor neuronal (VN) no subespaço da assembleias. Observe que os cinco neurônios com maior projeção (vetores rotulados) têm uma projeção muito maior nesse subespaço que os demais. Dessa forma, se existem η autovalores fora da distribuição teórica, os η neurônios com maior projeção no SA serão os que participam em assembleia. Observe também que dois agrupamentos são formados nesse subespaço, e que os neurônios pertencentes a um agrupamento são praticamente ortogonais aos de outro. Tomando essa observação em consideração, e dado que a amplitude do VN nesse subespaço indica a participação do neurônio correspondente na atividade correlacionada detectada; uma nova matriz é criada, chamada de Matriz de Interação (Υ), em que cada elemento yij corresponde ao produto interno do neurônio i e j no SA. Como os neurônios participando em assembleias já foram identificados, mostramos a Υ apenas para eles (Figura 3.6F). A partir dessa matriz, um algoritmo que desenvolvemos, e é descrito em [61], agrupa neurônios nas assembleias (Ver Fundamentação Teórica).

Agora que sabemos a identidade de cada assembleia, é necessária a construção de um projetor que possa ser usado para computar sua atividade com resolução temporal. A Figura 3.6J mostra a mesma matriz de atividade da Figura 3.6A, porém com as linhas reordenadas em respeito à identidade das assembleias. Note que os neurônios da mesma assembleia têm de fato picos de disparo nos mesmos bins. O método atual usa essas componentes principais individuais para criar os projetores e computar a atividade das assembleias [53-55]. Porém, os componentes principais não isolam a atividade de assembleias diferentes, como mostrado nas seções anteriores. Para atacar esse problema, propomos a criação de vetores de assembleia baseados nos VNs correspondentes de cada uma delas. Em primeiro lugar, o vetor médio de cada assembleia é calculado e sua amplitude é normalizada, como mostrado na equação

= ∑ ‖∑ ‖

27

sendo ai (i = 1, 2...) os vetores neuronais exclusivos a uma assembleia A. Em seguida, usamos o vetor médio para levar os vetores das assembleias de volta ao espaço vetorial da MAC como descrito na equação

=( ∙ )

onde pi é a componente principal i e n é o número de componentes principais significantes. Depois, usamos αααα para construir o projetor da assembleia calculando seu produto tensorial = ⊗

Finalmente usamos o projetor para medir similaridade com o padrão de ativação da assembleia com padrões instantâneos da matriz da Figura 3.6A normalizada Z, como mostrado na equação abaixo.

() = Ψ,,

onde RA é a série temporal da ativação da assembleia A, Zib é o elemento correspondente ao neurônio i e ao bin b da matriz de atividade normalizada Z (Figura 3.6A). Note que RA tem a resolução de um bin. Observe também que os termos i = j são excluídos da operação, pois eles só levam em consideração a atividade de um neurônio. As séries temporais computadas para esse exemplo são mostradas na Figura 3.6K. Note que os picos de ativação das assembleias correspondem perfeitamente aos picos de ativação computados nas séries temporais.

Um leitor atento perceberia que uma simples inspeção visual na Figura 3.6F levaria a identificação das assembleias. Por exemplo, o primeiro componente principal tem pesos maiores nas dimensões 5, 15 e 21; o que corresponde a uma assembleia programada. É também claro na Figura 3.6H que os vetores das assembleias são virtualmente os próprios componentes principais, e dessa forma o método atual conseguiria isolar a atividade das assembleias e calcular suas séries temporais de ativação. Porém, esse nem sempre é o caso. Mais especificamente, esse método não funciona se existem neurônios participando em mais de uma assembleia, como mostrado na Figura 3.2B.

Para melhor explorar essa propriedade, um exemplo mais complexo é mostrado na Figura 3.7. Os painéis são equivalentes aos da Figura 3.6, porém dessa vez três assembleias foram programadas da seguinte forma: Assembleia 1: neurônios #4, #15, # 17 e #21; Assembleia 2: neurônios #6, #12, #15, #21; Assembleia 3: neurônios #9, #21, #25. Observe na Figura 3.7C que a análise da distribuição dos autovalores corresponde novamente ao que foi programado, mesmo com intersecções entre as assembleias. Visualização dos componentes principais na Figura 3.7D não mais isola as assembleias, e, portanto, simples inspeção visual não seria suficiente para identificar as assembleias. A Figura 3.7E mostra o subespaço gerado pelos componentes principais e as projeções dos VNs. Note que novamente, os neurônios participando em atividade correlacionada possuem maior amplitude nesse subespaço. Note também que neurônios que participam em mais de uma assembleia não podem ficar em mais de um agrupamento ao mesmo tempo; porém a projeção desses neurônios com os outros que formam assembleia com

28

ele ainda será relativamente alta. Por exemplo, o VN do neurônio #15 fica no mesmo plano que os neurônios das assembleias 1 e 2. Repetindo o processo baseado na matriz de interação, são detectadas as identidades das assembleias perfeitamente. Os vetores médios das assembleias não mais correspondem aos componentes principais como mostrado na Figura 3.7I; e consequentemente o cálculo dos projetores baseado apenas neles não serve para o cálculo projeção temporal das atividades das assembleias. No entanto, usando o método proposto nesse trabalho, as séries temporais correspondem perfeitamente à atividade das assembleias (compare Figura 3.7H com a Figura 3.7K).

Figura 3.7. Aplicação do método proposto em dados simulados 2. A Figura 3.8 mostra como seriam as séries temporais computadas pelo método

original para os exemplos mostrados na Figura 3.6 e 3.7. Apesar do método não identificar que neurônios fazem parte de cada assembleia, as séries temporais computadas para o primeiro exemplo equivalem às séries temporais encontradas pelo método aqui proposto. Como já comentado, a computação da série temporal é

Time (Bin #)

400 440 480 520 560 600

Neuron #

Ne

uro

n #

5 10 15 20 25

0

0.2

0.4

0

Co

un

ts

Eigenvalue

Pro

ba

bil

ity

Neuron #

Ne

uro

n #

Time (Bin #)

Ne

uro

n #

400 440 480 520 560 600

Time (Bin #)

Act

iva

tio

nst

ren

gth

Act

iva

tio

nst

ren

gth

400 420 440 460 480 500 520 540 560 580 600

Ne

uro

n # Sp

ike

s/b

in

r

λ2 λ1

Neuron #

Cell Assembly Clustering Algorithm

Cell Assembly 2 Neurons: #6,#12,#15,#21Cell Assembly 3 Neurons: #9,#21,#25

Sp

ike

s/b

in

32Cell

Assem

bly

#

Assembly 1 Projector:

Α1 = x1PC1 + y1PC2

Assembly 2 Projector:

A B C

DEF

H

K

G

IJ

5

10

15

20

25

30

30

0 0.5 1 1.5 2 2.50

2

4

6

8

2

4

6

λ3

0

0.2

0.4

0.6

−0.2

0.2

0.6

−0.5

0

0.5

PC1

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

PC2

PC3

PC2

−0.5

0

0.5−0.2−0.1 0 0.1 0.2 0.3 0.4 0.5 0.6

0

0.1

0.2

0.3

0.4

0.5

PC3

PC1

21

15

25

9

12

6

17

4

4 6 9 12 15 17 21 25

4

6

9

12

15

17

21

25

−0.2−0.100.10.20.30.40.50.6

Cell Assembly 1 Neurons: #4,#15,#17,#21

+ z1PC3

Α2 = x2PC1 + y2PC2 + z2PC3

Assembly 3 Projector:

Α3 = x3PC1 + y3PC2 + z3PC3

PC2

−0.5

0

0.5−0.2 −0.1 0 0.1 0.2 0.3 0.4 0.5 0.6

PC3

9252161215417123578101113141618192022232426272829303132

1

0

200

400

0

100

200

300

Activation

strength

0

100

200

300

Assembly 3

0

30

15

0

0.1

0.2

0.3

0.4

0.5

PC

1

1

3

5

7

9

11

13

15

17

19

21

23

25

27

29

31

0

30

15

0 0.5 1 1.5 2 2.5

Assembly 2

Assembly 1

(x1,y1,z1)

(x2,y2,z2) (x3,y3,z3)

(x-a

xis

)

(y-axis)

(z-axis)

Ψ = Α ⊗Α1 1 1

Ψ = Α ⊗Α2 2 2

Ψ = Α ⊗Α3 3 3

29

equivalente nos dois métodos se não existem neurônios participando de mais de uma assembleia. Contudo, está clado que para a matriz do segundo exemplo (Figura 3.8B), as séries temporais computadas pelo método original confudem assembleias diferentes.

Figura 3.8. Séries temporais dos exemplos passados usando PC’s individuais

3.6. Aplicações em dados reais

Usando dados simulados, acima validamos um método para detecção de

assembleias neuronais e para a computação de sua atividade com alta resolução temporal. Agora o método é finalmente aplicado em matrizes de atividade neuronal real.

Nós analisamos a atividade de disparo registrada em ratos com implantes crônicos de matrizes de eletrodos. No primeiro exemplo (Figura 3.9A), atividade neuronal foi obtida simultaneamente do hipocampo (HP) e córtex somatossensorial primário (S1) de um rato enquanto explorava livremente objetos [62]. Os resultados mostrados são de apenas um objeto específico. Estudos mais detalhados e resultados conclusivos serão feitos e publicados posteriormente. Na Figura 8Ai, mostramos um período de 200 bins de 30 ms cada. A Figura 3.8Aii mostra a comparação entre a distribuição teórica e o histograma empírico dos autovalores. Note que três assembleias foram detectadas. Na Figura 3.8Aiii é mostrada a mesma matriz da Figura 8Ai, mas reordenada em respeito às identidades das assembleias reveladas. A Figura 8Aiv mostra a série temporal correspondente a cada uma das assembleias (perceba a correspondência dos picos da projeção temporal e as ativações dos neurônios destacadas por circunferências pontilhadas). Finalmente, mostramos na Figura 8Av as identidades das assembleias. Os pequenos círculos representam neurônios, e suas cores suas respectivas regiões (HP e S1). Os neurônios pertencentes à mesma assembleia são conectados por linhas. Observe que a aplicação do nosso método revela que assembleias surgem durante exploração de objetos e que uma delas é formada por neurônios do HP e S1.

No segundo exemplo (Figura 3.9B), neurônios do HP, S1 e córtex visual primário (V1) foram simultaneamente registrados durante o sono de ondas lentas em outro rato. Análise da distribuição dos autovalores revela que quatro assembleias estão presentes na rede. Nós novamente aplicamos nosso método para identificar os neurônios pertencentes a cada assembleia, como mostrado na Figura 3.9Bi. Observe que uma das

100

200

100

200

50100

Time (Bin #)

Ne

uro

n #

400 440 480 520 560 600

Reordered Rastergram

Sp

ike

s/b

in

32C

ell

Assem

bly

#

9

25

21

6

12

15

4

171

2

3

5

7

8

10

11

13

14

16

18

19

20

22

2324

26

27

28

29

30

31

32

1

0

40

20

Time (Bin #)400 440 480 520 560 600

PC

1P

C2

PC

3

Time (Bin #)

Ne

uro

n #

400 440 480 520 560 600

12235

152112346789

101113141617181920222425

0

40

80

0

50

100

Time (Bin #)

Act

iva

tio

nst

ren

gth

Act

iva

tio

nst

ren

gth

Reordered Rastergram

Projection time-course

400 420 440 460 480 500 520 540 560 580 600

0

10

20

30

Sp

ike

s/b

in

2

1Cel

l Ass

embl

y #

Act

iva

tio

nst

ren

gth

PC

1P

C2

Projection time-course

A B

30

assembleias contém neurônios de três áreas distintas. Note também que existem neurônios participando em mais de uma assembleia. Na Figura 3.9Bii é comparada a projeção temporal da rede calculada através do método PCA com o método proposto.

Figura 3.9. Aplicação do método em dados reais

3.7. Discussão

Nessa seção foi apresentado um método matemático para a identificação de

assembleias neuronais e para computar suas atividades com alta resolução temporal. O algoritmo pode ser dividido em três partes: (1) Detecção do número de assembleias e neurônios participando em assembleias; (2) Identificação de assembleias; e (3) Computação de sua atividade em função do tempo.

Com respeito à parte (1), Peyrache et al já haviam introduzido o uso da distribuição de Marčenko-Pastur como hipótese nula para determinar a presença de atividade significativamente correlacionada. Esse é um importante resultado em termos do custo computacional já que métodos passados necessitavam de geração de dados surrogados para determinar significância [63-66]. Além de serem computacionalmente caros, outro problema intrínseco dos métodos surrogados é que não existe consenso sobre qual propriedade estatística deve ser mantida nos dados de controle [67, 68]. Por essas dificuldades computacionais, esses métodos só são aplicáveis para um pequeno

120 140 160 180 200 220 240 260 280 300 320

120 140 160 180 200 220 240 260 280 300 320

120 140 160 180 200 220 240 260 280 300 3200

20

40

60

80

100

Time (Bin #)

Ne

uro

n #

Re

ord

ere

d N

eu

ron

#

Act

iva

tio

n S

tre

ng

th Cell Assembly 1Cell Assembly 2Cell Assembly 3

A

0

1

2

3

Pro

ba

bil

ity

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5

Eigenvalues

0

1

2

3

4

5

6

Co

un

ts

λ1λ2λ3

HPS1

3800 3820 3840 3860 3880 3900 3920 3940 3960 3980 4000

PC 1*

*

*

* *

*

*

*

*

*

**

*

Assembly 1

Assembly 2

Assembly 3

Assembly 4

3800 3820 3840 3860 3880 3900 3920 3940 3960 3980 4000

Time (Bin #)

B

i ii

iv

ii

iii

Time (Bin #)

v

PC 2

PC 3

PC 4

1

2

3

4

5

6

7

89

101112131415

1617

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

3334

3536 37 38 39 40

4142

43

44

45

46

47

48

49

50

51

HPS1V1

i

1

2

3

4

5

6

7

89

1011

121314151617

1819

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

3637

3839

40 41 42 43 4445

4647

48

49

50

51

52

53

54

55

56

31

número de neurônios [69-71] ou só analisam correlação de pares de células [63, 72-74]. O algoritmo aqui apresentado herda as vantagens computacionais do trabalho de Peyrache et al [53] para determinar padrões de co-ativação significantes. É importante deixar claro que o método original não é capaz de identificar quais neurônios compõem cada assembleia, e nem mesmo de afirmar a quantidade de assembleias na rede. Aqui é apresentada uma interpretação inédita e mais precisa do significado dos autovalores e sua relação com a distribuição analítica usada para especificar os membros da assembleia; o que constitui a parte (2) do método aqui proposto.

Com respeito à parte (3), o uso dos componentes principais para a construção de uma série temporal que representava a similaridade instantânea de padrões de co-ativação e com uma matriz de atividade já tinha sido introduzido [52] (para detalhes ver próxima seção). Peyrache et al [53] usaram o mesmo princípio, mas apenas computando as projeções temporais para as componentes principais consideradas significantes em seu teste estatístico. Mais adiante, eles usaram componentes principais extraídas em uma época para buscar similaridades em outras épocas; e dessa forma encontraram padrões de co-ativação que surgiam durante a vigília no córtex prefrontal medial e se reativavam durante o sono subsequente [55]. Porém, é mostrado no presente trabalho, que esse método não consegue isolar a atividade de assembleias quando elas possuem neurônios em comum. Apesar de que os autores nunca comentaram esse problema em seu trabalho, eles dedicam uma figura na publicação de seu método [53] para mostrar que as interseções entre assembleias são raras; talvez prevendo o problema que seu algoritmo teria um dia. Um método iterativo recentemente publicado para detecção e identificação de assembleias também apresenta o mesmo problema [75]. No entanto, nos dados reais aqui analisados, neurônios promíscuos foram encontrados, corroborando a teoria de Hebb.

A importância dessa questão nos leva de volta à velha discussão de como a informação é armazenada e processada no sistema neuronal. Alguns autores sugerem que cada neurônio apenas codifica um conceito ou estímulo específico (grandmother

cells) [76, 77]; ou seja, nunca deveríamos encontrar assembleias com interseções, pois isso significaria que seus neurônios comuns disparam em duas assembleias, e portanto codificam duas coisas. No entanto, trabalhos recentes mostraram que neurônois podem ser muito seletivos (sparse coding), mas não grandmother cells [78, 79]. Por exemplo, em [78], o mesmo neurônio que codifica o conceito “Homer Simpson” também responde ao estímulo Sienfeld; e em [79], um neurônio que responde ao conceito Torre

de Pisa, também dispara para Torre Eiffel, mas não para outros monumentos. A favor das grandmother cells, Bowers [76] faz a distinção entre o neurônio codificar um estímulo e responder a um estímulo. Para ele o neurônio pode ter sido codificado para representar Homer Simpson, mas por imperfeições no treinamento, ele também responde ao estímulo Sienfeld. Porém, esse argumento não pode ser considerado científico por não apresentar falseabilidade [80]: não é possível saber para o quê uma rede neuronal é treinada, ou ainda, se ela é de fato propositalmente treinada para algum fim.

32

Existe também um certo viés na interpretação de resultados de registros com células neuronais pelo fato que só observamos simultaneamente uma parte ínfima dos neurônios do cérebro. Tendo isso em mente, Waydo e colaboradores estimaram através de estatística Baysiana que aparentes grandmother cells no lobo temporal medial de humanos [81] na realidade responderiam a até 150 diferentes estímulos [82]. Além disso, trabalhos mostram que a adição de neurônios numa rede neural artificial classificadora aumenta não linearmente sua eficiência [83-89]. Também pode-se argumentar, que o código tem diferentes níveis de distribuição em diferentes áreas. Por exemplo, neurônios da retina codificariam de forma mais distribuída que o córtex, que codificaria de forma mais distribuída que o hipocampo. De maneira geral, todas essas questões só podem ser respondidas se possuirmos ferramentas de análise capazes de reconhecer neurônios que participam de várias assembleias.

É também necessário dar atenção ao tamanho do bin usado nas análises. O tamanho do bin não deve ser arbitrário e pode ser crucial para os resultados. Como revisado recentemente [90], larguras de bin de até 30 ms são adequadas para estudos de co-ativação por alguns motivos. Em primeiro lugar, a constante típica de integração da membrana neuronal varia entre 10 e 30 ms [91, 92]. Além disso, tem sido mostrado que essa mesma janela temporal é a que melhor dá resultados para estimar a taxa de disparo de um neurônio a partir da atividade de outros de seu mesmo subgrupo funcional [93, 94]. Esse também é período correspondente ao intervalo ótimo entre disparos de dois neurônios para aumentar ou diminuir a força de sua ligação (spike-time dependent

plasticity) [46-48]. Por fim, 10 a 30 ms é o período correspondente às oscilações gamma, as quais tem sido estudadas como potenciais ferramentas de integrar informações multi-modais para representação simbólicas complexas [95].

É importante enfatizar, contudo, que os métodos baseados em PCA aqui discutidos, não são sensíveis a sequências de ativação, tais como synfire chains [96-99]. No entanto, análise de co-ativações é compatível com estudo de assembleias pela definição clássica [45]. Além disso, disparos observados em synfire chains são provavelmente pontas de assembleias fora do alcance de nossos eletrodos, formando sequências de fase [45, 100], as quais esperamos que sejam reveladas por avanços tecnológicos que nos permitam observar populações maiores de neurônios em conjunto com o método aqui descrito.

3.8. Fundamentação teórica

Distribuição de Marčenko-Pastur Como demonstrado em [60], os autovalores da matriz de autocorrelação computada de uma matriz aleatória MBxN convergem para a distribuição teórica descrita pela equação

ρ() = !"2$σ%&('() − )(' − )

33

quando → ∞ e ! → ∞, com - = !⁄ ≥ 1; onde σ é o desvio padrão dos elementos de M e

''() = σ%(1 ± 11 -" )%

Note que a fórmula analítica foi demostrada no limite → ∞ e ! → ∞, que certamente não é o caso de matrizes com dados reais. Porém, como discutido em [101] e mostrado em nos estudos paramétricos aqui apresentados, a distribuição pode ser bem aplicada em matrizes menores. Em todo caso, pode-se usar a correção de viés estatístico descrita em [102], em que o limiar superior a ser considerado é '() + !3456789% :⁄ . No entanto, essa correção não influencia em nenhum dos resultados mostrado nesse trabalho. Produto tensorial e a definição de projetores

O produto tensorial (ou externo) de dois vetores u e v de N dimensões é definido como

;⊗ < ==>?@ ?@% ⋯ ?@3⋮ ⋯ ⋱ ⋮?3@ ?3@% ⋯ ?3@3DE

O produto tensorial de vetores é usado para construção de projetores de padrões de co-ativação, como explicado a seguir. Seja Z a matriz de atividade normalizada, de dimensão !!F?GHIx! KHI, de uma rede neuronal; C sua matrix de autocorrelação; e pi (i = 1,2…NNeurons) os componentes principais de C. O projetor Pi associado com pi é dado por LK = ⊗ Se λi é o autovalor associado com a component principal pi, então C pode ser reescrito como

M = L + %L% +⋯3NOPQRSTL3NOPQRST = L3NOPQRST

C, portanto, pode ser entendida como uma superposição de padrões de co-ativação ortogonais, e a equação acima mostra como isolar esses padrões em projetores P. Atividade das assembleias como séries temporais

Peyrache et al [53] brilhantemente usaram uma solução analítica para determinar que projetores P deveriam ser usados para o cálculo de sinais que representavam a força de um determinado padrão com alta resolução temporal. A ideia é calcular a similaridade instantânea da matriz de atividade Z e componentes principais significantes.

34

Seja P o produto tensorial de uma componente principal significante com ela mesma e Z(b) a b-ésima coluna da matriz Z (em outras palavras, o número de disparos de todos os neurônios da rede no b-ésimo bin); então a similaridade do padrão codificado em P e Z como função do tempo é dado por () = U()VLU() Essa equação pode ser rescrita como () =W,

onde Zib é a taxa de disparo do neurônio i no bin b, e Pij é o elemento (i,j) de P. Note então que quando i = j, o termo correspondente da equação só leva em consideração um neurônio; como nossa intenção é computar co-ativações, esse termo pode ser anulado para evitar que a ativação isolada de um neurônio na assembleia influencie R. Portanto, a equação é reduzida a () = W,,

que é a equação usada em [53-55]. Como mostrado nas Figuras 2 e 9, projetores computados dessa maneira não são apropriados para computar a atividade isolada de uma assembleia em alguns casos. Para resolver esse problema, propomos a construção de projetores usando vetores ótimos das assembleias, calculados da seguinte maneira: O Espaço das Assembleias é definido como o subespaço gerado por uma base com os componentes principais significativos. Sejam ak (k = 1,…,Nneurons) os VNs no Espaço das Assembleias, definidos como X = YZ(X), [(X), … , ](X)^ onde n é número de autovalores significantes, e supondo que existem !_45678 neurônios na assembleia, computamos a Matriz de Interação Y e encontramos que células participam de cada assembleia. O vetor ótimo da assembleia A é portanto ,

definido como a média de todos os vetores exclusivos a A, com norma unitária:

= ∑ |∑ | Em seguida, é expresso como uma combinação linear dos componentes principais significantes:

35

=( ∙ )

E o projetor é calculado como o projeto tensorial de com ele mesmo ( = ⊗). Finalmente, é usado para computar a atividade da Assembleia A como função do tempo como segue: () = Ψ,,

Registros eletrofisiológicos

Ratos long-evans adultos foram submetidos a cirurgias de implante de matrizes de multieletrodos no hipocampo e neocórtex. Os animais foram usados em estudos prévios, onde detalhes da cirurgia, aquisição de dados, comportamento e histologia podem ser encontrados [103].

36

4. Diagnóstico não supervisionado de

ECG

4.1. Introdução

O eletrocardiograma (ECG) ainda é a técnica mais usada para diagnósticos cardíacos. Apesar da simplicidade do exame, a análise minuciosa de registros longos desse sinal é inviável sem uma técnica automática de classificação de batimentos ou de variação de taxa cardíaca.

Vários métodos foram desenvolvidos nos últimos anos com o objetivo de automatizar o diagnóstico desses sinais com diferentes estratégias de processamento. Um ponto em comum entre elas é o uso massivo de redes neurais artificiais com aprendizado supervisionado (para citar alguns dos mais citados segundo [104]: [105-112]). Por serem redes supervisionadas, todas elas necessitam de um banco de dados representativo. Além da necessidade de ter um grande banco de dados disponível, esses métodos estão condenados a se especializarem em específicas patologias. A ideia clássica é buscar por características invariantes na morfologia do batimento saudável e em alguma patologia específica nos sinais de vários pacientes. Essa aproximação é grosseira, tendo em vista que há uma variabilidade muito grande na morfologia de batimentos cardíacos que se dá por vários motivos, como a posição dos eletrodos, características corpórea dos pacientes ou do equipamento eletrônico usado. A Figura 4.1 mostra três trechos de sinais de pacientes diferentes; todos os batimentos nesses registros foram rotulados como normais pelo banco de dados Physionet (www.physionet.org/), o considerado gold standard na área. De fato, essa variabilidade não acontece somente entre sessões, mas a morfologia desses sinais tende a mudar lentamente durante o tempo mesmo no mesmo paciente.

A dificuldade de uso desses métodos, de obter um banco de dados capaz de representar diferentes patologias, e a impossibilidade de replicá-los são refletidos no desuso desses métodos na grande maioria hospitais e clínicas.

Aqui é proposta uma nova abordagem sem a necessidade de treinamento de redes. Nós propomos uma solução não supervisionada, que compara apenas os batimentos de um mesmo registro, sendo assim aplicável não apenas para uma determinada patologia. Nosso método pode ser dividido em cinco partes: (i) Aquisição de sinais, (ii) Pré-processamento, (iii) Decomposição Wavelet, (iv) Redução de dimensionalidade, e (v) Classificação não supervisionada. A qualidade da classificação é validada com seis registros de ECG com 24 a 72 horas de duração, onde é conseguido 100% de acerto na classificação, corroborada com análise visual de especialistas. As figuras usadas no texto foram extraídas de [10].

37

Figura 4.1.Variabilidade entre sinais de ECG “saudáveis”.

4.2. Materiais e Métodos

Aquisição de sinais e preprocessamento – Os sinais foram adquiridos por um amplificador manufaturado (2 pólos; passa-baixa: fc = 110Hz) e digitalizados por um microcontrolador PIC com frequência de amostragem de 225Hz. Os sinais foram posteriormente filtrados com um filtro digital passa-alta Butterworth de segunda ordem (frequência de corte = 0,5Hz). Finalmente, os batimentos foram detectados e armazenados em vetores de batimento (VB) com 120 amostragens cada.

Decomposição Wavelet – Transformada discreta Wavelet foi aplicada para decompor os VBs. A operação pode ser entendida como um banco de filtros [41] que decompõe o sinal de entrada em vários níveis.

Em cada nível, o sinal é decomposto por um par de funções de transferência, preferencialmente ortogonais, separando o sinal em componentes de alta e baixa frequência não redundantes. Nesse trabalho a transformada Haar (Figura 4.2B) foi usada por sua simplicidade e por apresentar resultados semelhantes a outras wavelets

testadas. O primeiro passo da decomposição é convoluir o sinal de entrada com dois filtros. O filtro passa-baixa da Haar pode ser definido como abcHd = 0.5IcHd + 0.5IcH − 1donde n é a n-ésima amostragem do sinal s, e o filtro passa-alta pode ser definido como ab(cHd = 0.5IcHd − 0.5IcH − 1d Note que como as funções de transferência são ortogonais, e portanto, não existe redundância entre as saídas dos filtros. O segundo passo é a operação de downsampling, que descarta todas as amostragens pares (ou ímpares) da saída dos filtros (hi)cHd =a)c2Hd).

38

Observe que mesmo depois dessa operação, não existe perda de informação nas saídas, já que o sinal s pode ser totalmente recuperado da seguinte forma: IcHd = abcHd + ab(cHdIcH − 1d = abcHd − ab(cHd Portanto, as saídas do filtro, depois do downsampling, são não-redundantes e não há perda de informação. Em seguida, o processo é repetido para a saída do filtro passa-baixa, o que representa o segundo nível da decomposição. Os paineis inferiores da Figura 3.2B mostram a densidade espectral dos filtros usados. Note que, como em qualquer filtro digital, a frequência de corte é dada em função da frequência de amostragem da aquisição do sinal. A frequência de corte nas decomposições Wavelet é a metade da frequência de Nyquist. Portanto, como no nosso caso a frequência de amostragem é de 225Hz, o primeiro nível de filtragem decompõe o sinal em [0 a 56,25 Hz] e [56,25 a 112,5]. Devida a operação de downsampling, a saída do primeiro nível tem frequência de amostragem dividida por dois em relação à original; consequentemente o segundo nível decompõe o sinal em [0 a 28,13 Hz] e [28,13 a 56,25 Hz]. Seguindo esse processo, nesse trabalho usamos seis níveis de decomposição, e consequentemente o sinal é divido nas seguintes seis bandas (em Hz): [0 a 3,52], [3,52 a 7,03], [7,03 a 14,06], [14,06 a 28,13], [28,13 a 56,25] e [56,25 a 112,5]. Note que devido ao filtro aplicado no pré-processamento, a primeira faixa na realidade é [0,5 a 3,52].

Observe que, a cada nível, o sinal é decomposto em dois, e em seguida, metade das amostragens é jogada fora; portanto, o número de amostragens em todas as saídas somadas será igual ao número de amostragens no sinal original. A vantagem desse procedimento é reescrever o sinal como um mesmo vetor de mesmo tamanho, em que cada elemento representa a amplitude do sinal em uma certa faixa de frequência e em uma determinada amostragem: uma decomposição de resolução tempo-frequência.

Alguns desses elementos não terão informação significativa para a classificação dos batimentos. Para não alimentar nosso classificador com eles, antes passamos por uma etapa de redução de dimensionalidade, descrita a seguir.

Redução de dimensionalidade – Até o momento, cada batimento é representado por um vetor com 120 elementos, definidos aqui como Vetores Tempo-Frequência (VTF). A questão central é definir um critério para que apenas os coeficientes com informação de agrupamento sejam usados. A solução típica na literatura é usar os coeficientes com maior variância, ou os coeficientes com maior informação de Shannon [113]. A propomos um novo critério simples e de fácil implementação. A ideia central é encontrar coeficientes que tenham sua distribuição bimodal ao longo de todo registro, ou mais especificamente, os que têm a distribuição mais distante da distribuição Normal. Para esse fim, duas métricas são usdas: (i) Teste Kolmogorov-Smirnov (KS), e (ii) Curtose.

39

No primeiro caso, usamos a estatística do teste KS como distância da distribução Normal, ou seja, os coeficientes com maior estatístico serão as menos gaussianas. A curtose de uma variável X é definida aqui como

j?kcld = mc(l − no)pdqp − 3 onde noe σ é a média e o desvio padrão de X, respectivamente. A subtração por 3 é feita para que curtose da distribução Normal seja nula. Assim, por esse critério, escolheremos os coeficientes com maior curtose absoluta. Classificação e validação – Para determinar que vetores estão no mesmo cluster, usamos o algoritmo K-means (KM) nos vetores reduzidos. Assumindo que há dois tipos de batimento, o K-means é programado para encontrar 2 clusters. Para validar nossa proposta, usamos seis registros longos (24-72 horas) com algum tipo de patologia reconhecível pela morfologia dos batimentos. Por exemplo, um deles, referenciado aqui como Paciente #6, usa um marca-passo que apenas atua quando o batimento natural não é detectado em um certo intervalo de tempo; nesse caso, o objetivo é detectar todos os batimentos iniciados pelo dispositivo. O resultado da classificação foi comparada com análises de especialistas por inspeção visual.

4.3. Resultados

Apenas o critério KS conseguiu atingir 100% de classificação e quando 40 coeficientes são usados. A Figura 4.3 mostra a comparação dos coeficientes menos (high KS stat) e mais gaussianos (low KS stat). Note como a discriminação dos pontos é melhor quando os coeficientes escolhidos por esse critério são utilizados.

A Figura 4.4 mostra a comparação dos critérios em função do número de coeficientes utilizados. Os resultados mostrados são a classificação média de todos os pacientes. Curiosamente, a classificação começa a cair quando mais de 40 coeficientes são usados no critério KS. O critério da Curtose não é mostrado por nunca atingir 90% de classificação.

Em resumo, os resultados mostram que a utilização de classificação não supervisionada em princípio pode ser usada para diagnóstico de ECG. Note que o método aqui apresentado não julga qual dos agrupamentos é patológico. A ideia é apenas separar dois grupos com morfologias de onda diferente. Em seguida, os grupos são apresentados ao médico, que identifica o grupo patológico e a patologia em questão. Portanto, esse algoritmo não classifica precisamente que patologia aparece no registro, mas evita que o médico tenha que analisar todos os batimentos de um registro para achar formas de onda suspeitas.

40

Figura 4.3. Comparação dos coeficientes com alto e baixo estatístico no teste KS.

Figura 4.4. Eficiência da classificação dos critérios.

10 20 30 40 50 6091

92

93

94

95

96

97

98

99

100

Número de coeficientes

% d

e ac

erto

Critério KSCritério VarCritério Inf

−4 −3 −2 −1 0 1 2−2

−1.5

−1

−0.5

0

0.5

Co 1

Co 2

−2 −1 0 1 2−0.8

−0.6

−0.4

−0.2

0

0.2

0.4

0.6

Co 3

Co 4

−2 −1 0 1 2−0.6

−0.4

−0.2

0

0.2

0.4

0.6

0.8

Co 119

Co 120

−0.1 0 0.1 0.2 0.3−0.3

−0.2

−0.1

0

0.1

0.2

Co 118

Co 117

HIGH KS STAT WAVELET COEFFICIENT CLUSTERS

LOW KS STAT WAVELET COEFFICIENT CLUSTERS

41

5. Referências

[1] A.L. Porter e I. Rafols, “Is Science Becoming More Interdisciplinary? Measuring And Mapping Six Research Fields Over Time,” Scientometrics, Vol. 81, (No. 3), Pp. 719-745, Dec 2009.

[2] V. Lariviere e Y. Gingras, “On The Relationship Between Interdisciplinarity And Scientific Impact,” Journal Of The American Society For Information

Science And Technology, Vol. 61, (No. 1), Pp. 126-131, 2010. [3] A. Buanes And S. Jentoft, “Building Bridges: Institutional Perspectives On

Interdisciplinarity,” Futures, Vol. 41, (No. 7), Pp. 446-454, Sep 2009. [4] F. Morillo, M. Bordons, And I. Gomez, “Interdisciplinarity In Science: A

Tentative Typology Of Disciplines And Research Areas,” Journal Of The

American Society For Information Science And Technology, Vol. 54, (No. 13), Pp. 1237-1249, 2003.

[5] D.M. Durand, “What Is Neural Engineering?,” Journal Of Neural Engineering, Vol. 4, (No. 4), 2007.

[6] J. Campi, V. Santos, O. Filevich, S. Ribeiro, And R. Etchenique, “In Vivo Photorelease Of GABA In The Mouse Cortex,” In Proc. Second Joint Meeting Of The Argentine Society For Neuroscience (SAN), 2010, Pp. Pages.

[7] V. Dos Santos, J. Campi, O. Filevich, S. Ribeiro, And R. Etchenique, “In Vivo Photorelease Of GABA In The Mouse Cortex,” Submetido, 2010.

[8] V. Dos Santos, S. Conde, M. Nicolelis, S. Ribeiro, And A. Tort, “Neuronal Assembly Detection And Cell Membership Specification By Principal Component Analysis,” Submetido Para Revisão.

[9] V. Dos Santos, S. Conde, S. Ribeiro, And A. Tort, “Detecting Cell Assemblies By Principal Component Analysis,” Mathematical Methods And Modeling Of

Biophysical Phenomena, Foz Do Iguaçu, IMPA Workshop. Invited Work., 2011. [10] V.L. Dos Santos, R.N. Prado, O. Filevich, G.B. Brandão, And A.D. Duarte

Neto, “Wavelet-Based ECG Unsupervised Clustering For Diagnostic Classification,” In Proc. XXII Congresso Brasileiro De Engenharia Biomédica, 2010, Pp. Pages.

[11] V. Lopes Dos Santos, B.C. Souza, H. Belchior, And A. Duarte Neto, “Extraction Of Wake And Sleep Stage Features From Rat S Hippocampal Local Field Potentials,” In Proc. 32nd Annual International Conference Of The IEEE Engineering In Medicine And Biology, 2010, Pp. Pages.

[12] G. Gomes, V. Dos Santos, And J. Oliveira, “Controle PID Embarcado Em Plataforma Com Barramento Avalon,” In Proc. XVIII Congresso Brasileiro De Automática, 2010, Pp. Pages.

[13] J.C. Eccles, “THE SYNAPSE - FROM ELECTRICAL TO CHEMICAL TRANSMISSION,” Annual Review Of Neuroscience, Vol. 5, Pp. 325-339, 1982.

[14] A.L. Hodgkin And A.F. Huxley, “A quantitative description of membrane current and its application to conduction and excitation in nerve,” Journal Of

Physiology-London, Vol. 117, (No. 4), Pp. 500-544, 1952.

42

[15] B. Katz, “Neural Transmitter Release: From Quantal Secretion To Exocytosis And Beyond - The Fenn Lecture,” Journal Of Neurocytology, Vol. 25, (No. 12), Pp. 677-686, Dec 1996.

[16] T.D. Hanks, J. Ditterich, And M.N. Shadlen, “Microstimulation Of Macaque Area LIP Affects Decision-Making In A Motion Discrimination Task,” Nature

Neuroscience, Vol. 9, (No. 5), Pp. 682-689, May 2006. [17] C.D. Salzman, C.M. Murasugi, K.H. Britten, And W.T. Newsome,

“Microstimulation In Visual Area Mt - Effects On Direction Discrimination Performance,” Journal Of Neuroscience, Vol. 12, (No. 6), Pp. 2331-2355, Jun 1992.

[18] S.K. Talwar, S.H. Xu, E.S. Hawley, S.A. Weiss, K.A. Moxon, And J.K. Chapin, “Behavioural Neuroscience: Rat Navigation Guided By Remote Control - Free Animals Can Be 'Virtually' Trained By Microstimulating Key Areas Of Their Brains,” Nature, Vol. 417, (No. 6884), Pp. 37-38, 2002.

[19] V. De Lafuente And R. Romo, “Neuronal Correlates Of Subjective Sensory Experience,” Nature Neuroscience, Vol. 8, (No. 12), Pp. 1698-1703, Dec 2005.

[20] T.V.P. Bliss And T. Lomo, “LONG-LASTING POTENTIATION OF SYNAPTIC TRANSMISSION IN DENTATE AREA OF ANESTHETIZED RABBIT FOLLOWING STIMULATION OF PERFORANT PATH,” Journal

Of Physiology-London, Vol. 232, (No. 2), Pp. 331-356, 1973. [21] M.S.A. Graziano, C.S.R. Taylor, And T. Moore, “Complex Movements Evoked

By Microstimulation Of Precentral Cortex,” Neuron, Vol. 34, (No. 5), Pp. 841-851, 2002.

[22] J. Stehberg, D. Levy, And A. Zangen, “Impairment Of Aversive Memory Reconsolidation By Localized Intracranial Electrical Stimulation,” European

Journal Of Neuroscience, Vol. 29, (No. 5), Pp. 964-969, 2009. [23] T. Wichmann And M.R. Delong, “Deep Brain Stimulation For Neurologic And

Neuropsychiatric Disorders,” Neuron, Vol. 52, (No. 1), Pp. 197-204, Oct 2006. [24] B.V. Zemelman, G.A. Lee, M. Ng, And G. Miesenbock, “Selective

Photostimulation Of Genetically Charged Neurons,” Neuron, Vol. 33, (No. 1), Pp. 15-22, Jan 2002.

[25] G. Miesenbock, “Genetic Methods For Illuminating The Function Of Neural Circuits,” Current Opinion In Neurobiology, Vol. 14, (No. 3), Pp. 395-402, Jun 2004.

[26] L.A. Gunaydin, O. Yizhar, A. Berndt, V.S. Sohal, K. Deisseroth, And P. Hegemann, “Ultrafast Optogenetic Control,” Nature Neuroscience, Vol. 13, (No. 3), Pp. 387-U27, 2010.

[27] F. Zhang, L.P. Wang, E.S. Boyden, And K. Deisseroth, “Channelrhodopsin-2 And Optical Control Of Excitable Cells,” Nature Methods, Vol. 3, (No. 10), Pp. 785-792, 2006.

[28] E.S. Boyden, F. Zhang, E. Bamberg, G. Nagel, And K. Deisseroth, “Millisecond-Timescale, Genetically Targeted Optical Control Of Neural Activity,” Nature Neuroscience, Vol. 8, (No. 9), Pp. 1263-1268, 2005.

[29] J.H. Kaplan, B. Forbush, And J.F. Hoffman, “Rapid Photolytic Release Of Adenosine 5'-Triphosphate From A Protected Analog - Utilization By Na-K Pump Of Human Red Blood-Cell Ghosts,” Biochemistry, Vol. 17, (No. 10), Pp. 1929-1935, 1978.

[30] J.W. Walker, J.A. Mccray, And G.P. Hess, “Photolabile Protecting Groups For An Acetylcholine-Receptor Ligand - Synthesis And Photochemistry Of A New

43

Class Of Ortho-Nitrobenzyl Derivatives And Their Effects On Receptor Function,” Biochemistry, Vol. 25, (No. 7), Pp. 1799-1805, 1986.

[31] M.B. Dalva And L.C. Katz, “Rearrangements Of Synaptic Connections In Visual-Cortex Revealed By Laser Photostimulation,” Science, Vol. 265, (No. 5169), Pp. 255-258, 1994.

[32] R. Wieboldt, K.R. Gee, L. Niu, D. Ramesh, B.K. Carpenter, And G.P. Hess, “Photolabile Precursors Of Glutamate - Synthesis, Photochemical Properties, And Activation Of Glutamate Receptors On A Microsecond Time-Scale,” Proceedings Of The National Academy Of Sciences Of The United States Of

America, Vol. 91, (No. 19), Pp. 8752-8756, 1994. [33] V.R. Shembekar, Y.L. Chen, B.K. Carpenter, And G.P. Hess, “A Protecting

Group For Carboxylic Acids That Can Be Photolyzed By Visible Light,” Biochemistry, Vol. 44, (No. 19), Pp. 7107-7114, 2005.

[34] X.F. Yang, B.F. Schmidt, D.L. Rode, And S.M. Rothman, “Optical Suppression Of Experimental Seizures In Rat Brain Slices,” Epilepsia, Vol. 51, (No. 1), Pp. 127-135, 2010.

[35] P. Molnar And J.V. Nadler, “Gamma-Aminobutyrate, Alpha-Carboxy-2-Nitrobenzyl Ester Selectively Blocks Inhibitory Synaptic Transmission In Rat Dentate Gyrus,” European Journal Of Pharmacology, Vol. 391, (No. 3), Pp. 255-262, Mar 2000.

[36] M. Salierno, E. Marceca, D.S. Peterka, R. Yuste, And R. Etchenique, “A Fast Ruthenium Polypyridine Cage Complex Photoreleases Glutamate With Visible Or IR Light In One And Two Photon Regimes,” Journal Of Inorganic

Biochemistry, Vol. 104, (No. 4), Pp. 418-422, Apr 2010. [37] E.M.R. Verde, L. Zayat, R. Etchenique, And R. Yuste, “Photorelease Of GABA

With Visible Light Using An Inorganic Caging Group,” Frontiers In Neural

Circuits, Vol. 2, 2008. [38] L. Zayat, M.G. Noval, J. Campi, C.I. Calero, D.J. Calvo, And R. Etchenique, “A

New Inorganic Photolabile Protecting Group For Highly Efficient Visible Light GABA Uncaging,” Chembiochem, Vol. 8, (No. 17), Pp. 2035-2038, Nov 2007.

[39] V. Balzani, G. Bergamini, S. Campagna, And F. Puntoriero, “Photochemistry And Photophysics Of Coordination Compounds: Overview And General Concepts,” Photochemistry And Photophysics Of Coordination Compounds I, Vol. 280, Pp. 1-36, 2007.

[40] G. Strang, “Wavelets And Dilation Equations - A Brief Introduction,” Siam

Review, Vol. 31, (No. 4), Pp. 614-627, Dec 1989. [41] G. Strang, “Condition Numbers For Wavelets And Filter Banks,” Computational

And Applied Mathematics, Vol. 15, (No. 2), Pp. 161-179, 1996. [42] P. Goupillaud, A. Grossmann, And J. Morlet, “CYCLE-OCTAVE AND

RELATED TRANSFORMS IN SEISMIC SIGNAL ANALYSIS,” Geoexploration, Vol. 23, (No. 1), Pp. 85-102, 1984.

[43] E. Sejdic, I. Djurovic, And L.J. Stankovic, “Quantitative Performance Analysis Of Scalogram As Instantaneous Frequency Estimator,” Ieee Transactions On

Signal Processing, Vol. 56, (No. 8), Pp. 3837-3845, 2008. [44] L. Zayat, M. Salierno, And R. Etchenique, “Ruthenium(II) Bipyridyl Complexes

As Photolabile Caging Groups For Amines,” Inorganic Chemistry, Vol. 45, (No. 4), Pp. 1728-1731, 2006.

[45] D.O. Hebb, The Organization Of Behaviour: A Neuropsychological Theory, New York: Psychology Press, 1949.

44

[46] W.B. Levy And O. Steward, “Temporal Contiguity Requirements For Long-Term Associative Potentiation Depression In The Hippocampus,” Neuroscience, Vol. 8, (No. 4), Pp. 791-797, 1983.

[47] H. Markram, J. Lubke, M. Frotscher, And B. Sakmann, “Regulation Of Synaptic Efficacy By Coincidence Of Postsynaptic Aps And Epsps,” Science, Vol. 275, (No. 5297), Pp. 213-215, 1997.

[48] G.Q. Bi And M.M. Poo, “Synaptic Modifications In Cultured Hippocampal Neurons: Dependence On Spike Timing, Synaptic Strength, And Postsynaptic Cell Type,” Journal Of Neuroscience, Vol. 18, (No. 24), Pp. 10464-10472, 1998.

[49] I.H. Stevenson And K.P. Kording, “How Advances In Neural Recording Affect Data Analysis.,” Nat Neurosci, Vol. 14, (No. 2), Pp. 139-42, Feb 2011.

[50] E.N. Brown, R.E. Kass, And P.P. Mitra, “Multiple Neural Spike Train Data Analysis: State-Of-The-Art And Future Challenges,” Nature Neuroscience, Vol. 7, (No. 5), Pp. 456-461, 2004.

[51] S. Louis, C. Borgelt, And S. Grun, “Complexity Distribution As A Measure For Assembly Size And Temporal Precision,” Neural Networks, Vol. 23, (No. 6), Pp. 705-712, Aug 2010.

[52] M.A.L. Nicolelis, L.A. Baccala, R.C.S. Lin, And J.K. Chapin, “Sensorimotor Encoding By Synchronous Neural Ensemble Activity At Multiple Levels Of The Somatosensory System,” Science, Vol. 268, (No. 5215), Pp. 1353-1358, 1995.

[53] A. Peyrache, K. Benchenane, M. Khamassi, S.I. Wiener, And F.P. Battaglia, “Principal Component Analysis Of Ensemble Recordings Reveals Cell Assemblies At High Temporal Resolution,” Journal Of Computational

Neuroscience, Vol. 29, (No. 1-2), Pp. 309-325, 2010. [54] K. Benchenane, A. Peyrache, M. Khamassi, P.L. Tierney, Y. Gioanni, F.P.

Battaglia, And S.I. Wiener, “Coherent Theta Oscillations And Reorganization Of Spike Timing In The Hippocampal-Prefrontal Network Upon Learning,” Neuron, Vol. 66, (No. 6), Pp. 921-936, 2010.

[55] A. Peyrache, M. Khamassi, K. Benchenane, S.I. Wiener, And F.P. Battaglia, “Replay Of Rule-Learning Related Neural Patterns In The Prefrontal Cortex During Sleep,” Nature Neuroscience, Vol. 12, (No. 7), Pp. 919-U143, 2009.

[56] B. Staude, S. Grun, And S. Rotter, “Higher-Order Correlations In Non-Stationary Parallel Spike Trains: Statistical Modeling And Inference,” Frontiers

In Computational Neuroscience, Vol. 4, 2010. [57] B. Staude, S. Rotter, And S. Grun, “Cubic: Cumulant Based Inference Of

Higher-Order Correlations In Massively Parallel Spike Trains,” Journal Of

Computational Neuroscience, Vol. 29, (No. 1-2), Pp. 327-350, 2010. [58] E.P. Wigner, “Characteristic Vectors Of Bordered Matrices With Infinite

Dimensions,” Annals Of Mathematics, Vol. 62, (No. 3), Pp. 548-564, 1955. [59] V.A. Marčenko And L.A. Pastur, “Distribution Of Eigenvalues For Some Sets

Of Random Matrices,” Mathematics Of The USSR-Sbornik, Vol. 1, (No. 4), Pp. 457-483, 1967.

[60] V.A. Marä Enko And L.A. Pastur, “Distribution Of Eigenvalues For Some Sets Of Random Matrices,” Mathematics Of The USSR-Sbornik, Vol. 1, (No. 4), Pp. 457-483, 1967.

[61] V. Dos Santos, S. Conde, S. Ribeiro, And A. Tort, “Neuronal Assembly Detection And Cell Membership Specification By Principal Component Analysis,” Submetido Para Revisão.

45

[62] S. Ribeiro, D. Gervasoni, E.S. Soares, Y. Zhou, S.C. Lin, J. Pantoja, M. Lavine, And M.A.L. Nicolelis, “Long-Lasting Novelty-Induced Neuronal Reverberation During Slow-Wave Sleep In Multiple Forebrain Areas,” Plos Biology, Vol. 2, (No. 1), Pp. 126-137, 2004.

[63] E. Schneidman, M.J. Berry, R. Segev, And W. Bialek, “Weak Pairwise Correlations Imply Strongly Correlated Network States In A Neural Population,” Nature, Vol. 440, (No. 7087), Pp. 1007-1012, 2006.

[64] D. Berger, D. Warren, R. Normann, A. Arieli, And S. Grun, “Spatially Organized Spike Correlation In Cat Visual Cortex,” Neurocomputing, Vol. 70, (No. 10-12), Pp. 2112-2116, 2007.

[65] A. Mokeichev, M. Okun, O. Barak, Y. Katz, O. Ben-Shahar, And I. Lampl, “Stochastic Emergence Of Repeating Cortical Motifs In Spontaneous Membrane Potential Fluctuations In Vivo,” Neuron, Vol. 53, (No. 3), Pp. 413-425, Feb 2007.

[66] G. Pipa, D.W. Wheeler, W. Singer, And D. Nikolic, “Neuroxidence: Reliable And Efficient Analysis Of An Excess Or Deficiency Of Joint-Spike Events,” Journal Of Computational Neuroscience, Vol. 25, (No. 1), Pp. 64-88, Aug 2008.

[67] S. Grun, “Data-Driven Significance Estimation For Precise Spike Correlation,” Journal Of Neurophysiology, Vol. 101, (No. 3), Pp. 1126-1140, 2009.

[68] D. Berger, C. Borgelt, S. Louis, A. Morrison, And S. Grün, “Efficient Identification Of Assembly Neurons Within Massively Parallel Spike Trains,” Computational Intelligence And Neuroscience, Pp. 18, 2010.

[69] M. Abeles And G.L. Gerstein, “Detecting Spatiotemporal Firiging Patterns Amog Simultaneously Recorded Single Neurons,” Journal Of Neurophysiology, Vol. 60, (No. 3), Pp. 909-924, 1988.

[70] I.V. Tetko And A.E.P. Villa, “A Pattern Grouping Algorithm For Analysis Of Spatiotemporal Patterns In Neuronal Spike Trains. 1. Detection Of Repeated Patterns,” Journal Of Neuroscience Methods, Vol. 105, (No. 1), Pp. 1-14, 2001.

[71] S. Grun, M. Diesmann, And A. Aertsen, “Unitary Events In Multiple Single-Neuron Spiking Activity: 1. Detection And Significance,” Neural Computation, Vol. 14, (No. 1), Pp. 43-80, Jan 2002.

[72] M.A. Wilson And B.L. Mcnaughton, “Dynamics Of The Hippocampal Ensemble Code For Space,” Science, Vol. 261, (No. 5124), Pp. 1055-1058, 1993.

[73] M.A. Wilson And B.L. Mcnaughton, “Reactivation Of Hippocampal Ensemble Memories During Sleep,” Science, Vol. 265, (No. 5172), Pp. 676-679, Jul 1994.

[74] T. Shmiel, R. Drori, O. Shmiel, Y. Ben-Shaul, Z. Nadasdy, M. Shemesh, M. Teicher, And M. Abeles, “Temporally Precise Cortical Firing Patterns Are Associated With Distinct Action Segments,” Journal Of Neurophysiology, Vol. 96, (No. 5), Pp. 2645-2652, 2006.

[75] M.D. Humphries, “Spike-Train Communities: Finding Groups Of Similar Spike Trains,” The Journal Of Neuroscience, 2011.

[76] J.S. Bowers, “On The Biological Plausibility Of Grandmother Cells: Implications For Neural Network Theories In Psychology And Neuroscience,” Psychological Review, Vol. 116, (No. 1), Pp. 220-251, Jan 2009.

[77] C.G. Gross, “Genealogy Of The "Grandmother Cell",” Neuroscientist, Vol. 8, (No. 5), Pp. 512-518, Oct 2002.

[78] H. Gelbard-Sagiv, R. Mukamel, M. Harel, R. Malach, And I. Fried, “Internally Generated Reactivation Of Single Neurons In Human Hippocampus During Free Recall,” Science, Vol. 322, (No. 5898), Pp. 96-101, 2008.

46

[79] R.Q. Quiroga, G. Kreiman, C. Koch, And I. Fried, “Sparse But Not 'Grandmother-Cell' Coding In The Medial Temporal Lobe,” Trends In Cognitive

Sciences, Vol. 12, (No. 3), Pp. 87-91, 2008. [80] K. Popper, Conjectures And Refutations: The Growth Of The Scientific

Knowledge: Routledge. [81] R.Q. Quiroga, L. Reddy, G. Kreiman, C. Koch, And I. Fried, “Invariant Visual

Representation By Single Neurons In The Human Brain,” Nature, Vol. 435, (No. 7045), Pp. 1102-1107, Jun 2005.

[82] S. Waydo, A. Kraskov, R.Q. Quiroga, I. Fried, And C. Koch, “Sparse Representation In The Human Medial Temporal Lobe,” Journal Of

Neuroscience, Vol. 26, (No. 40), Pp. 10232-10234, 2006. [83] J.M. Carmena, M.A. Lebedev, R.E. Crist, J.E. O'Doherty, D.M. Santucci, D.F.

Dimitrov, P.G. Patil, C.S. Henriquez, And M.A.L. Nicolelis, “Learning To Control A Brain-Machine Interface For Reaching And Grasping By Primates,” Plos Biology, Vol. 1, (No. 2), Pp. 193-208, 2003.

[84] J. Wessberg, C.R. Stambaugh, J.D. Kralik, P.D. Beck, M. Laubach, J.K. Chapin, J. Kim, J. Biggs, M.A. Srinivasan, And M.A.L. Nicolelis, “Real-Time Prediction Of Hand Trajectory By Ensembles Of Cortical Neurons In Primates,” Nature, Vol. 408, (No. 6810), Pp. 361-365, 2000.

[85] M.A.L. Nicolelis And M.A. Lebedev, “OPINION Principles Of Neural Ensemble Physiology Underlying The Operation Of Brain-Machine Interfaces,” Nature Reviews Neuroscience, Vol. 10, (No. 7), Pp. 530-540, Jul 2009.

[86] C.P. Hung, G. Kreiman, T. Poggio, And J.J. Dicarlo, “Fast Readout Of Object Identity From Macaque Inferior Temporal Cortex,” Science, Vol. 310, (No. 5749), Pp. 863-866, 2005.

[87] N. Vasconcelos, H. Gomes, A. Freitas, T. Medeiros, M. Nicolelis, And S. Ribeiro, “Neural Basis Of The Sensory Cortex Area Integration Object Coding,” In Proc. Neurolatam, 2008, Pp. Pages.

[88] N. Vasconcelos, E. Macedo, G. Corso, H. Gomes, M. Nicolelis, And S. Ribeiro, “Representation Of Freely-Explored Objects In The Primary Somatosensory Cortex And Hippocampus,” In Proc. Neuroscience, 2010, Pp. Pages.

[89] N. Vasconcelos, “Análise Da Codificação De Objetos Complexos No Córtex Sensorial Primário E Hipocampo,” In Book Análise Da Codificação De Objetos Complexos No Córtex Sensorial Primário E Hipocampo, Series Análise Da

Codificação De Objetos Complexos No Córtex Sensorial Primário E

Hipocampo,Tese de doutorado, UFCG, 2010. [90] G. Buzsáki, “Neural Syntax: Cell Assemblies, Synapsembles, And Readers,”

Neuron, Vol. 68, (No. 3), Pp. 362-385, 2010. [91] C. Koch, M. Rapp, And I. Segev, “A Brief History Of Time (Constants),”

Cerebral Cortex, Vol. 6, (No. 2), Pp. 93-101, 1996. [92] J.F. Leger, E.A. Stern, A. Aertsen, And D. Heck, “Synaptic Integration In Rat

Frontal Cortex Shaped By Network Activity,” Journal Of Neurophysiology, Vol. 93, (No. 1), Pp. 281-293, Jan 2005.

[93] K.D. Harris, J. Csicsvari, H. Hirase, G. Dragoi, And G. Buzsaki, “Organization Of Cell Assemblies In The Hippocampus,” Nature, Vol. 424, (No. 6948), Pp. 552-556, 2003.

[94] E. Kelemen And A.A. Fenton, “Dynamic Grouping Of Hippocampal Neural Activity During Cognitive Control Of Two Spatial Frames,” Plos Biology, Vol. 8, (No. 6), Jun 2010.

47

[95] P. Fries, D. Nikolić, And W. Singer, “The Gamma Cycle.,” Trends Neurosci, Vol. 30, (No. 7), Pp. 309-16, Jul 2007.

[96] M. Abeles, Corticonis: Neural Circuits Of The Cerebral Cortex: Cambridge University Press, New-York., 1991.

[97] Y. Prut, E. Vaadia, H. Bergman, I. Haalman, H. Slovin, And M. Abeles, “Spatiotemporal Structure Of Cortical Activity: Properties And Behavioral Relevance,” Journal Of Neurophysiology, Vol. 79, (No. 6), Pp. 2857-2874, Jun 1998.

[98] Y. Ikegaya, G. Aaron, R. Cossart, D. Aronov, I. Lampl, D. Ferster, And R. Yuste, “Synfire Chains And Cortical Songs: Temporal Modules Of Cortical Activity,” Science, Vol. 304, (No. 5670), Pp. 559-564, 2004.

[99] M. Abeles, “Synfire Chains,” In:Http://Www.Scholarpedia.Org/Article/Synfire_Chains, 2009, [2011] Accession No. Accession Number| Available Rom Database Provider|.

[100] K.D. Harris, “Neural Signatures Of Cell Assembly Organization,” Nature

Reviews Neuroscience, Vol. 6, (No. 5), Pp. 399-407, May 2005. [101] V. Plerou, P. Gopikrishnan, B. Rosenow, L.A.N. Amaral, T. Guhr, And H.E.

Stanley, “Random Matrix Approach To Cross Correlations In Financial Data,” Physical Review E, Vol. 65, (No. 6), 2002.

[102] C.A. Tracy And H. Widom, “Level-Spacing Distributions And The Airy Kernel,” Communications In Mathematical Physics, Vol. 159, (No. 1), Pp. 151-174, Jan 1994.

[103] S. Ribeiro, X. Shi, M. Engelhard, Y. Zhou, H. Zhang, D. Gervasoni, S.C. Lin, K. Wada, N.A. Lemos, And M.A. Nicolelis, “Novel Experience Induces Persistent Sleep-Dependent Plasticity In The Cortex But Not In The Hippocampus.,” Front

Neurosci, Vol. 1, (No. 1), Pp. 43-55, Nov 2007. [104] “Web Of Knowlege,” In:Www.Isiknowledge.Com/, 2011, Accession No.

Accession Number| Available Rom Database Provider|. [105] I. Guler And E.D. Ubeyli, “ECG Beat Classifier Designed By Combined Neural

Network Model,” Pattern Recognition, Vol. 38, (No. 2), Pp. 199-208, Feb 2005. [106] E.D. Ubeyli, “Usage Of Eigenvector Methods In Implementation Of Automated

Diagnostic Systems For ECG Beats,” Digital Signal Processing, Vol. 18, (No. 1), Pp. 33-48, Jan 2008.

[107] H.G. Hosseini, D. Luo, And K.J. Reynolds, “The Comparison Of Different Feed Forward Neural Network Architectures For ECG Signal Diagnosis,” Medical

Engineering & Physics, Vol. 28, (No. 4), Pp. 372-378, 2006. [108] S.Y. Foo, G. Stuart, B. Harvey, And A. Meyer-Baese, “Neural Network-Based

EKG Pattern Recognition,” Engineering Applications Of Artificial Intelligence, Vol. 15, (No. 3-4), Pp. 253-260, Jun-Aug 2002.

[109] T. Stamkopoulos, K. Diamantaras, N. Maglaveras, And M. Strintzis, “ECG Analysis Using Nonlinear PCA Neural Networks For Ischemia Detection,” Ieee

Transactions On Signal Processing, Vol. 46, (No. 11), Pp. 3058-3067, Nov 1998.

[110] C. Papaloukas, D.I. Fotiadis, A. Likas, And L.K. Michalis, “An Ischemia Detection Method Based On Artificial Neural Networks,” Artificial Intelligence

In Medicine, Vol. 24, (No. 2), Pp. 167-178, 2002. [111] R. Silipo And C. Marchesi, “Artificial Neural Networks For Automatic ECG

Analysis,” Ieee Transactions On Signal Processing, Vol. 46, (No. 5), Pp. 1417-1425, 1998.

48

[112] I. Guler And E.D. Ubeyli, “A Modified Mixture Of Experts Network Structure For ECG Beats Classification With Diverse Features,” Engineering Applications

Of Artificial Intelligence, Vol. 18, (No. 7), Pp. 845-856, Oct 2005. [113] C. Shannon, “A Mathematical Theory Of Communication,” Bell System

Technical Journal, Vol. 27, Pp. 379-423 And 623 - 656, 1948.