Analýza paralelních mikroelektrodových záznamů

Abstract

Lidský mozek je jedna z nejkomplikovanějších známých struktur a jako takový je dlouhodobě zkoumán. Většina výzkumu mozku se zatím zabývala výzkumem chování celých populací neuronů. Detailní výzkum chování jednotlivých neuronů tak může významně přispět k již dosaženým znalostem v této oblasti a otevřít cestu novým aplikacím. Tato diplomová práce se zabývá funkční konektivitou jednotlivých neuronů - vliv chování jednoho neuronu na další neurony. Zdrojem dat pro tento cíl jsou mikroelektrodové záznamy. Tyto signály jsou nahrávané přímo uvnitř mozku a obsahují rozlišitelnou aktivitu jednotlivých neuronů. Metody pro přezpracování těchto signálů a analýzu konektivity v nich obsažené byly implementovány jako původní software v rámci této práce. Implementovaný software byl použit pro předzpracování velkého množství záznamů pořízených během hluboké mozkové stimulace - léčebné procedury pro Parkinsonovu chorobu - a dále pro analýzu konektivity v těchto záznamech. Výsledky ukazují, jak se různé metody pro analýzu konektivity chovají v závislosti na různých parametrech signálů.

Human brain is one of the most complicated known structures which has been receiving a large amount of attention from researchers. However, majority of the research so far was focused on characteristics and behaviour of neuronal populations. Studying the activity of individual neurons opens new possibilities in terms of applications of neuronal research and can deepen our understanding of the brain significantly. In this thesis, a functional neuronal connectivity is studied. A principal source of the data for this thesis are microelectrode recordings. These signals, recorded directly in the brain, can contain distinguishable spikes from individual neurons and can therefore be used to analyze their behaviour. The methods of preprocessing these signals and assessing neuronal connectivity within them a were studied and implemented as original software tools. These tools were employed in processing and analysing a large dataset of microelectrode recordings obtained during deep brain stimulation surgery in Parkinson's disease patients. The results of this analysis show how various measures of functional neuronal connectivity perform on the whole data set and its parts.