Approccio Data‑Driven alla Localizzazione di Sonde Neurali ad Alta Densità Utilizzando Feature Elettrofisiologiche

Abstract

La mappatura precisa dei canali di registrazione rispetto all’anatomia cerebrale è essenziale per interpretare i dati elettrofisiologici ottenuti con sonde neurali ad alta densità. I metodi convenzionali di localizzazione si basano su istologia e imaging, che aumentano la complessità sperimentale e non sono sempre praticabili. Questa tesi propone un framework non supervisionato e data-driven per inferire la posizione di una sonda rispetto alle regioni cerebrali usando solo i segnali extracellulari e il sito di inserzione noto.

Il lavoro si articola in tre obiettivi: valutare la stabilità temporale delle impronte spettrali; sviluppare metodi di estrazione delle feature e di segmentazione per identificare aree anatomiche lungo la sonda; e valutare le prestazioni dei metodi proposti su dataset in vivo.

Viene introdotta una famiglia di approcci complementari, tra cui descrittori del segnale, tecniche di decomposizione, misure di connettività a coppie e basate sulla fase, e metriche di similarità. Particolare rilievo è dato al metodo tPLV, basato sul phase-locking, che sfrutta le relazioni di fase tra canali rispetto alla componente spettrale ippocampale dominante per catturare pattern strutturati lungo la profondità della sonda.

I metodi sono testati su due dataset sperimentali. I risultati mostrano che le impronte spettrali hanno bassa variabilità temporale, supportando l’uso di chunk casuali per un calcolo efficiente delle feature. Inoltre, le strategie relazionali e basate sulla fase forniscono informazioni più ricche sulle aree cerebrali.

Nel complesso, questo lavoro propone un framework unificato per la localizzazione delle sonde e identifica tPLV come un approccio promettente per catturare la struttura anatomica direttamente dai segnali elettrofisiologici, evidenziando aspetti cruciali per robustezza e generalizzabilità.

Precise mapping of recording channels to underlying brain anatomy is essential for interpreting electrophysiological data from high-density probes. Conventional localization methods rely on auxiliary modalities such as histology and imaging, which increase experimental complexity and are not always feasible. This thesis proposes an unsupervised, data-driven framework to infer a probe’s position relative to brain regions using only extracellular signals and the known insertion site.

The work has three objectives: (1) assess the temporal stability of spectral fingerprints to determine whether short, randomly sampled signal segments can reliably support feature computation; (2) develop feature-extraction and segmentation methods to identify anatomical areas along neural probes; and (3) evaluate the proposed methods on experimental datasets.

A family of complementary approaches is introduced, including signal descriptors, decomposition techniques, pairwise connectivity and phase-based measures, and similarity metrics. Particular emphasis is placed on a novel phase-locking method (tPLV), which exploits phase relationships between channels relative to the dominant hippocampal spectral component to capture structured patterns along probe depth.

The methods are tested on two datasets, enabling comparison across recording conditions. Results show that spectral fingerprints exhibit low temporal variability, supporting the use of randomly sampled chunks for efficient feature computation. The comparison further reveals that different localization methods capture distinct aspects of neural spatial organization, with relational and phase-based representations providing richer information about brain areas.

This work establishes a unified unsupervised framework for probe localization and identifies tPLV as a promising approach for capturing anatomical structure from electrophysiological recordings, while highlighting key considerations for robustness and generalizability.