Cebra

CEBRA (Consistent EmBeddings of high-dimensional Recordings using Auxiliary variables) ist eine maschinelle Lernmethode, die entwickelt wurde, um Zeitreihen-Daten in einer Weise zu komprimieren, die bisher verborgene Strukturen in der Variabilität der Daten offenlegt. CEBRA eignet sich insbesondere für die Analyse von Verhaltens- und Neuraldaten, die gleichzeitig aufgezeichnet werden.

Funktionsweise

CEBRA verwendet eine selbstüberwachte Lernmethode, um konsistente, hochleistungsfähige latente Räume zu produzieren. Diese Methode kann sowohl für die Analyse von Verhaltens- als auch von Neuraldaten eingesetzt werden und ermöglicht die Dekodierung von Aktivitäten aus dem visuellen Cortex der Maus-Hirnrinde, um ein betrachtetes Video wiederzugeben.

Anwendungen

CEBRA hat bereits in verschiedenen Anwendungen erfolgreich eingesetzt werden können, darunter:

• Die Analyse von Verhaltens- und Neuraldaten von Ratten-Hippocampus-Daten
• Die Dekodierung von Video-Frames aus dem visuellen Cortex der Maus-Hirnrinde
• Die Kartierung von Raum und die Entdeckung komplexer kinematischer Merkmale

Vorteile

CEBRA bietet several Vorteile gegenüber anderen Methoden, darunter:

• Die Fähigkeit, konsistente latente Räume zu produzieren, die für die Analyse von Verhaltens- und Neuraldaten geeignet sind
• Die Möglichkeit, die Methode für die Analyse von Daten aus verschiedenen Quellen und Aufzeichnungen zu verwenden
• Die Fähigkeit, die Dekodierung von Aktivitäten aus dem visuellen Cortex der Maus-Hirnrinde zu ermöglichen

Implementierung

CEBRA ist in Python implementiert und steht als Open-Source-Software unter der Apache 2.0-Lizenz zur Verfügung. Die offizielle Implementierung von CEBRA kann auf GitHub gefunden werden.

Zitation

Wenn Sie CEBRA in Ihrer Forschung verwenden, bitte zitieren Sie den Originalartikel:

Schneider, S., Lee, J. H., & Mathis, M. W. (2023). Learnable latent embeddings for joint behavioural and neural analysis. Nature, 617(7939), 360-368. doi: 10.1038/s41586-023-06031-6