CEBRA: Eine bahnbrechende Machine-Learning-Methode
CEBRA ist eine innovative Machine-Learning-Methode, die in der Lage ist, Zeitreihen auf eine Weise zu komprimieren, die sonst verborgene Strukturen in der Variabilität der Daten offenlegt. Diese Methode zeichnet sich besonders dadurch aus, dass sie sowohl auf Verhalten als auch auf neuronale Daten, die gleichzeitig erfasst werden, angewendet werden kann und so verborgene Zusammenhänge aufdecken kann.
Im Bereich der Verhaltenstorschung und der Neurowissenschaft hat CEBRA großes Potenzial. Es kann die Aktivität aus dem visuellen Kortex der Mausgehirns dekodieren, um ein angesehenes Video zu rekonstruieren. Auch bei der Analyse von Daten aus dem Hippocampus der Ratte zeigt CEBRA seine Stärken, indem es eine Position/neuronale Aktivität erfasst und dekodiert.
CEBRA nutzt ein neuartiges Encodierungsverfahren, das Verhalten und neuronale Daten gemeinsam in einer (überwachten) Hypothesen- oder (selbstüberwachten) Entdeckungs-getriebenen Weise verwendet, um konsistente und leistungsstarke latente Räume zu erzeugen. Dies ermöglicht es, sinnvolle Unterschiede aufzudecken und die abgeleiteten latenten Variablen für die Dekodierung zu nutzen.
Die Genauigkeit von CEBRA wurde validiert und seine Nützlichkeit für Calcium- und Elektrophysiologie-Datensätze, sowohl in sensorischen als auch in motorischen Aufgaben, sowie in einfachen oder komplexen Verhaltenen verschiedener Arten wurde demonstriert. Zudem kann CEBRA für Einzel- und Mehrfachsitzungs-Datensätze zur Hypothesenprüfung verwendet werden oder ohne Labels eingesetzt werden.
