Logo Logo
Help
Contact
Switch language to German
Biophysics-based modeling and data analysis of local field potential signal
Biophysics-based modeling and data analysis of local field potential signal
Understanding the neurophysiological mechanisms of information processing within and across brain regions has always been a fundamental and challenging topic in neuroscience. Considerable works in the brain connectome and transcriptome have laid a profound foundation for understanding brain function by its structure. At the same time, the recent advance in recording techniques allows us to probe the nonstationary brain activity from various spatial and temporal scales. However, how to effectively build the dialogue between the anatomical structure and the dynamical brain signal still needs to be solved. To tackle the problem, we explore interpreting electrophysiology signals with mechanistic models. In chapter 2 we first segregate high-coherent brain signals into different pathways and then connect their dynamics to synaptic properties. Based on a state space model of LFP generation, we explore several preprocessing methods to bias the signal to the synaptic inputs and enhance the separatability of pathway-specific contributions. The separated sources are more reliable with the preprocessing methods, especially in highly coherent states, e.g., awake running. With reliably separated pathways, we further studied their synaptic properties and explored the local directional connections in the hippocampus. The estimated synaptic time constant and pathway connection agrees with well-established anatomical studies. In chapter 3 we explore establishing a simple model to capture the impulse response of passive neurons with detailed dendritic morphology. We validate Green’s function methods based on compartmentalized models by comparing them to numerical simulations and analytical solutions on continuous neuron membrane potentials. A parameterized model based on laminar Green’s function is further developed and helps to infer the anatomical properties, like the input current distribution and cell position, from their spatiotemporal response patterns. The effect of cell position and template are examed. Based on the model of chapter 3, we use the biophysical possible impulse response profile to regularize the source separation in the frequency domain in chapter 4. The components from different frequencies are clustered according to the same latent input distributions. The source separation in better-separated frequency bins from the same pathway helps separation in other highly contaminated frequencies. The optimization is formulated as a probabilistic model to maximize the negentropy as well as spatial likelihood. Similar to dipole approximation for EEG signals, Green’s function method provides an effective approximation to capture biologically possible spatiotemporal patterns and helps to guide the separation. We validated the method on real data with optogenetic stimulation. In chapter 5 we further separate the far-field signals from the local pathway activities according to their physiological properties. We propose a pipeline to reliably separate and automatically detect far-field signal components. Based on this, a toolbox is provided to remove the EMG artifacts and assess the cleaning performance. In the free-running animals, we show that EMG artifacts shadow the high-frequency oscillatory events detection, and EMG cleaning rescues this effect. Overall, this thesis explored multiple possibilities to incorporate neurophysiology knowledge to understand and model the electrical field potential signals., Das Verständnis der neurophysiologischen Mechanismen der Informationsverarbeitung innerhalb und zwischen Gehirnregionen war schon immer ein grundlegendes und herausforderndes Thema in den Neurowissenschaften. Weitreichende Arbeiten zum Konnektom und Transkriptom des Gehirns haben eine Grundlage für das Verständnis der Gehirnfunktion gelegt. Des Weiteren ermöglicht uns der derzeitige Fortschritt in der Aufnahmetechnik, die nicht stationäre Gehirnaktivität auf verschiedenen räumlichen und zeitlichen Skalen zu untersuchen. Wie jedoch die anatomischen Strukturen und die dynamischen Gehirnsignal effektiv zusammen wirken können, muss jedoch noch gelöst werden. Um dieses Problem anzugehen, untersuchen wir die Interpretation elektrophysiologischer Signale mit mechanistischen Modellen. In Kapitel 2 trennen wir zunächst die hochkohärenten Gehirnsignale in verschiedene Leitungsbahnen und verbinden dann die Dynamik mit synaptischen Eigenschaften. Basierend auf einem Zustandsraummodell zur Erzeugung lokaler Feldpotentiale (LFP) untersuchen wir verschiedene Vorverarbeitungsmethoden, die die Signale bestmöglich auf die synaptischen Eingangsströme ausrichten und die Trennbarkeit von leitungsbahnspezifischen Beiträgen verbessert. Die Trennung der Signalquellen ist durch das Vorverarbeitungsverfahren insbesondere während hochkohärenter Verhaltenszustände (z. B. laufen im Wachzustand) zuverlässiger. Mit zuverlässig getrennten Leitungsbahnen konnten wir die entsprechenden synaptischen Eigenschaften weiter untersuchen und die lokalen gerichteten Verbindungen im Hippocampus untersuchen. Die geschätzte synaptische Zeitkonstante und die Verbindungen der Leitungsbahnen stimmen mit etablierten anatomischen Studien überein. In Kapitel 3 untersuchen wir die Erstellung eines einfachen Modells zur Beschreibung der Impulsantwort passiver Neuronen mit detaillierter dendritischer Morphologie. Wir validieren Greensche Funktionsmethoden basierend auf kompartimentierten Modellen, indem wir sie mit numerischen Simulationen und analytischen Lösungen des kontinuierlichen Membranpotentials von Neuronen vergleichen. Ein parametrisiertes Modell, das auf der laminaren Greenschen Funktion basiert, wird weiterentwickelt. Es hilft dabei, die anatomischen Eigenschaften - die Verteilung des Eingangsstroms und die Zellposition - aus ihren raumzeitlichen Reaktionsmustern abzuleiten. Die Auswirkung der Zellposition und des Templates werden untersucht. Basierend auf dem Modell aus Kapitel 3 verwenden wir in Kapitel 4 das biophysikalisch mögliche Profil der Impulsantwort, um die Quellentrennung im Frequenzbereich festzulegen. Die Komponenten verschiedener Frequenzen werden nach derselben latenten Eingangsverteilungen geclustert. Die Quellentrennung in besser getrennten Frequenzbereichen derselben Leitungsbahn hilft bei der Quelltrennung in anderen stark kontaminierten Frequenzbereichen. Die Optimierung wird als probabilistisches Modell formuliert, um sowohl die Negentropie als auch die räumliche Wahrscheinlichkeit zu maximieren. Ähnlich wie die Dipolnäherungen für EEG-Signale bietet die Greensche Funktionsmethode eine effektive Annäherung, um biologisch mögliche raumzeitliche Muster zu erfassen, und hilft, die Quellen zu trennen. Wir haben die Methode an realen Daten mit optogenetischer Stimulation validiert. Im Kapitel 5 trennen wir weiter die Fernfeldsignale von den Signalen der lokalen Leitungsbahnen nach ihren physiologischen Eigenschaften. Wir schlagen eine Methode vor, die es erlaubt, Fernfeld-Signalkomponenten zuverlässig von lokaler Aktivitaet zu trennen und automatisch zu erkennen. Es wird eine Toolbox bereitgestellt, die EMG-Artefakte entfernt und die bereinigten Signale bewertet. In Ableitungen von freilaufenden Tieren zeigen wir, dass EMG-Artefakte die Erkennung von hochfrequenten Oszillationen beeintraechtigt, aber nach der Bereinigung des EMG-Signals erkannt werden kann. Insgesamt untersucht diese Dissertation mehrere Möglichkeiten die elektrischen Feldpotentiale neuronaler Aktivität unter Einbeziehung neurophysiologischen Wissens zu modellieren und zu verstehen.
LFP, ICA, Biophysical Modeling
Chen, Weiwei
2023
English
Universitätsbibliothek der Ludwig-Maximilians-Universität München
Chen, Weiwei (2023): Biophysics-based modeling and data analysis of local field potential signal. Dissertation, LMU München: Faculty of Medicine
[thumbnail of Chen_Weiwei.pdf]
Preview
PDF
Chen_Weiwei.pdf

9MB

Abstract

Understanding the neurophysiological mechanisms of information processing within and across brain regions has always been a fundamental and challenging topic in neuroscience. Considerable works in the brain connectome and transcriptome have laid a profound foundation for understanding brain function by its structure. At the same time, the recent advance in recording techniques allows us to probe the nonstationary brain activity from various spatial and temporal scales. However, how to effectively build the dialogue between the anatomical structure and the dynamical brain signal still needs to be solved. To tackle the problem, we explore interpreting electrophysiology signals with mechanistic models. In chapter 2 we first segregate high-coherent brain signals into different pathways and then connect their dynamics to synaptic properties. Based on a state space model of LFP generation, we explore several preprocessing methods to bias the signal to the synaptic inputs and enhance the separatability of pathway-specific contributions. The separated sources are more reliable with the preprocessing methods, especially in highly coherent states, e.g., awake running. With reliably separated pathways, we further studied their synaptic properties and explored the local directional connections in the hippocampus. The estimated synaptic time constant and pathway connection agrees with well-established anatomical studies. In chapter 3 we explore establishing a simple model to capture the impulse response of passive neurons with detailed dendritic morphology. We validate Green’s function methods based on compartmentalized models by comparing them to numerical simulations and analytical solutions on continuous neuron membrane potentials. A parameterized model based on laminar Green’s function is further developed and helps to infer the anatomical properties, like the input current distribution and cell position, from their spatiotemporal response patterns. The effect of cell position and template are examed. Based on the model of chapter 3, we use the biophysical possible impulse response profile to regularize the source separation in the frequency domain in chapter 4. The components from different frequencies are clustered according to the same latent input distributions. The source separation in better-separated frequency bins from the same pathway helps separation in other highly contaminated frequencies. The optimization is formulated as a probabilistic model to maximize the negentropy as well as spatial likelihood. Similar to dipole approximation for EEG signals, Green’s function method provides an effective approximation to capture biologically possible spatiotemporal patterns and helps to guide the separation. We validated the method on real data with optogenetic stimulation. In chapter 5 we further separate the far-field signals from the local pathway activities according to their physiological properties. We propose a pipeline to reliably separate and automatically detect far-field signal components. Based on this, a toolbox is provided to remove the EMG artifacts and assess the cleaning performance. In the free-running animals, we show that EMG artifacts shadow the high-frequency oscillatory events detection, and EMG cleaning rescues this effect. Overall, this thesis explored multiple possibilities to incorporate neurophysiology knowledge to understand and model the electrical field potential signals.

Abstract

Das Verständnis der neurophysiologischen Mechanismen der Informationsverarbeitung innerhalb und zwischen Gehirnregionen war schon immer ein grundlegendes und herausforderndes Thema in den Neurowissenschaften. Weitreichende Arbeiten zum Konnektom und Transkriptom des Gehirns haben eine Grundlage für das Verständnis der Gehirnfunktion gelegt. Des Weiteren ermöglicht uns der derzeitige Fortschritt in der Aufnahmetechnik, die nicht stationäre Gehirnaktivität auf verschiedenen räumlichen und zeitlichen Skalen zu untersuchen. Wie jedoch die anatomischen Strukturen und die dynamischen Gehirnsignal effektiv zusammen wirken können, muss jedoch noch gelöst werden. Um dieses Problem anzugehen, untersuchen wir die Interpretation elektrophysiologischer Signale mit mechanistischen Modellen. In Kapitel 2 trennen wir zunächst die hochkohärenten Gehirnsignale in verschiedene Leitungsbahnen und verbinden dann die Dynamik mit synaptischen Eigenschaften. Basierend auf einem Zustandsraummodell zur Erzeugung lokaler Feldpotentiale (LFP) untersuchen wir verschiedene Vorverarbeitungsmethoden, die die Signale bestmöglich auf die synaptischen Eingangsströme ausrichten und die Trennbarkeit von leitungsbahnspezifischen Beiträgen verbessert. Die Trennung der Signalquellen ist durch das Vorverarbeitungsverfahren insbesondere während hochkohärenter Verhaltenszustände (z. B. laufen im Wachzustand) zuverlässiger. Mit zuverlässig getrennten Leitungsbahnen konnten wir die entsprechenden synaptischen Eigenschaften weiter untersuchen und die lokalen gerichteten Verbindungen im Hippocampus untersuchen. Die geschätzte synaptische Zeitkonstante und die Verbindungen der Leitungsbahnen stimmen mit etablierten anatomischen Studien überein. In Kapitel 3 untersuchen wir die Erstellung eines einfachen Modells zur Beschreibung der Impulsantwort passiver Neuronen mit detaillierter dendritischer Morphologie. Wir validieren Greensche Funktionsmethoden basierend auf kompartimentierten Modellen, indem wir sie mit numerischen Simulationen und analytischen Lösungen des kontinuierlichen Membranpotentials von Neuronen vergleichen. Ein parametrisiertes Modell, das auf der laminaren Greenschen Funktion basiert, wird weiterentwickelt. Es hilft dabei, die anatomischen Eigenschaften - die Verteilung des Eingangsstroms und die Zellposition - aus ihren raumzeitlichen Reaktionsmustern abzuleiten. Die Auswirkung der Zellposition und des Templates werden untersucht. Basierend auf dem Modell aus Kapitel 3 verwenden wir in Kapitel 4 das biophysikalisch mögliche Profil der Impulsantwort, um die Quellentrennung im Frequenzbereich festzulegen. Die Komponenten verschiedener Frequenzen werden nach derselben latenten Eingangsverteilungen geclustert. Die Quellentrennung in besser getrennten Frequenzbereichen derselben Leitungsbahn hilft bei der Quelltrennung in anderen stark kontaminierten Frequenzbereichen. Die Optimierung wird als probabilistisches Modell formuliert, um sowohl die Negentropie als auch die räumliche Wahrscheinlichkeit zu maximieren. Ähnlich wie die Dipolnäherungen für EEG-Signale bietet die Greensche Funktionsmethode eine effektive Annäherung, um biologisch mögliche raumzeitliche Muster zu erfassen, und hilft, die Quellen zu trennen. Wir haben die Methode an realen Daten mit optogenetischer Stimulation validiert. Im Kapitel 5 trennen wir weiter die Fernfeldsignale von den Signalen der lokalen Leitungsbahnen nach ihren physiologischen Eigenschaften. Wir schlagen eine Methode vor, die es erlaubt, Fernfeld-Signalkomponenten zuverlässig von lokaler Aktivitaet zu trennen und automatisch zu erkennen. Es wird eine Toolbox bereitgestellt, die EMG-Artefakte entfernt und die bereinigten Signale bewertet. In Ableitungen von freilaufenden Tieren zeigen wir, dass EMG-Artefakte die Erkennung von hochfrequenten Oszillationen beeintraechtigt, aber nach der Bereinigung des EMG-Signals erkannt werden kann. Insgesamt untersucht diese Dissertation mehrere Möglichkeiten die elektrischen Feldpotentiale neuronaler Aktivität unter Einbeziehung neurophysiologischen Wissens zu modellieren und zu verstehen.