Одним из недавно разработанных методов, применимых к многоканальной сортировке колосков, является независимый компонентный анализ (ICA), который первоначально был разработан для проведения сепарации слепых источников.
Проблема разделения слепых источников заключается в том, чтобы разобрать N независимых сигналов, которые были линейно перемешаны на N каналов с неизвестным весом смешивания. Предположение, лежащее в основе этого метода, заключается в том, что неизвестные источники являются независимыми.
Цель состоит в том, чтобы узнать веса, которые лучше всего разобрать каналы, т.е. преобразовать смеси обратно в независимые сигналы. При такой формулировке разделение сигнала производится на образце за образцом, т.е. информация о форме пика не используется.
Очевидно, это ограничение, но может иметь преимущества в тех случаях, когда лежащие в основе сигналы не являются стационарными.
ICA был успешно применен для анализа ЭЭГ и сигналов МРТ . Было применено ICA к проблеме разделения каналов оптических записей чувствительных к напряжению красителей в морской слизи "Тритония". Наличие множественных нейронов на каналах 1 и 2, а также на большое количество шума на канале 3.
Каждый источник в настоящее время содержит в основном потенциалы действия схожих форм. Источники 1 и 2 можно комбинировать (используя различные пропорции смешивания), чтобы учесть большую часть структуры каналов 1 и 2. На долю источника 3 приходится значительная часть колебаний в канале 3. Большая часть фонового шума на каналах была удалена. Эти колебания объясняются другими предполагаемыми источниками.
Одним из ограничительных допущений такого подхода является то, что количество каналов (электродов) должно быть равно количеству источников.
Очевидно, что это нарушается в случае с одним электродом, но дает многообещающие результаты для многоканальных оптических записей. Еще одно предостережение для этого метода заключается в том, что он предполагает, что источники смешиваются линейно.
Эффективность метода разделения лежащих в основе сигналов с помощью нескольких электродов еще предстоит проверить.
Несколько электродов
Существует множество ситуаций, когда два разных нейрона генерируют потенциалы действия, имеющие очень похожие формы в записанной форме волны.
Это происходит, когда нейроны схожи по морфологии и примерно одинаково удалены от регистрирующего электрода. Один из способов обойти эту проблему заключается в записи с нескольких электродов в одной и том же области.
Идея заключается в том, что при использовании двух записывающих электродов, пары ячеек с меньшей вероятностью будут равноудалены от обоих электродов (стереотродов).
Эта идея может быть расширена до четырех электродов (тетродов), которые могут обеспечить четыре отдельных измерения нейронной активности в локальной области.
Исходя из предположения, что внеклеточное пространство электрически однородно, четыре электрода обеспечивают минимальное число, необходимое для определения пространственного положения источника на основе только относительных амплитуд скачков на различных электродах.
Наличие нескольких записей одного и того же устройства из разных мест позволяет использовать дополнительную информацию для более точной сортировки пиковых нагрузок.
Это также может уменьшить проблему перекрытия шипов: то, что появляется как перекрытие на одном канале, может быть изолированным устройством на другом.
Использовав записи, сделанные с помощью тетродов в зрительной коре коры кошки, для сравнения характеристик тетродов с лучшими парами электродов и лучшими одиночными электродами.
При использовании двухмерной кластеризации элементов записи тетродов позволили получить в среднем 5,4 изолированных элемента на объект по сравнению с 3,6 элемента на объект и 3,4 элемента на объект для получения наилучшей пары электродов и одного наилучшего электрода, соответственно.
Многие из методов сортировки с помощью шипов, разработанных для отдельных электродов, распространяются естественным путем на несколько электродов.
Анализ основных компонентов также может быть выполнен на многоэлектродных каналах для получения полезных характеристик кластеризации.
В этом случае основные компоненты описывают направления максимального изменения на всех каналах одновременно.
Также можно выполнять кластеризацию всех каналов одновременно, используя исходные формы волны.
Здесь каждое среднее значение кластера представляет собой среднюю форму пика в том виде, в каком она отображается на каждом из каналов.
Применялись байесовские методы кластеризации к тетродным данным, которые показывают улучшенную точность классификации по сравнению с двухмерными методами кластеризации.