CUSP：利用U-net序列到序列预测技术对多电极阵列记录中的复杂脉冲信号进行分类

《Journal of Neuroscience Methods》：CUSP: Complex Spike Sorting from Multi-electrode Array Recordings with U-net Sequence-to-Sequence Prediction

　　小脑 Purkinje 细胞复杂 spike（CS）的自动化检测方法 CUSP 通过 U-Net 架构结合混合自注意力模块，有效整合多通道 LFP 和 AP 信号，实现高精度 CS 识别（F1=0.83±0.03），显著优于传统单通道算法及最新多通道方法，并验证了模型对波形变异和电极漂移的鲁棒性，为大规模神经活动分析提供通用框架。

　　复杂突触（Complex Spikes, CSs）是小脑浦肯野细胞（Purkinje Cells, PCs）中一种独特的神经活动形式，其在神经编码和学习机制中扮演着重要角色。然而，由于其低频率、波形高度可变以及在记录过程中可能受到电极漂移和噪声干扰的影响，CS的自动检测一直是系统神经科学中的一个长期技术难题。本文介绍了一种名为CUSP（通过U-Net序列预测进行CS分类）的全新深度学习框架，该方法在高密度多电极阵列（Multi-Electrode Array, MEA）记录数据中实现了对CS的高效、准确和自动化检测。

小脑在协调运动和确保动作精确时间控制中发挥着核心作用。通过比较预期的运动指令与实际执行结果，小脑利用感觉反馈快速修正动作并支持持续的运动学习。然而，当小脑功能受损时，尽管运动启动得以保留，但运动控制能力会显著下降，导致动作不稳定、不协调和平衡与姿势控制困难。浦肯野细胞作为小脑皮层的唯一输出神经元，其活动是理解小脑计算机制的关键。浦肯野细胞产生两种不同的突触事件：高频的简单突触（Simple Spikes, SSs）和低频的复杂突触（Complex Spikes, CSs）。SSs主要由平行纤维输入驱动，而CSs则由小脑下橄榄的攀爬纤维输入产生。CSs通常以每秒约1次的频率出现，其特征包括一个大的初始突触后，跟随多个数量不等、时间不一、幅度不同的小突触（spikelets）。与SSs的规则波形不同，CSs的波形在细胞间、会话间甚至同一细胞的不同时间点都存在显著差异，这使得传统的波形分类技术难以准确检测CSs，特别是在高密度数据集中。

尽管CSs的检测面临诸多挑战，但其对于研究小脑学习机制至关重要。理论模型，如Marr-Albus-Ito假说，认为CSs传递运动误差信号，指导突触可塑性。尽管已有大量证据支持这一理论框架，但近期研究提出了关于CSs如何以及何时编码行为相关信号的疑问。因此，解决这些争议并建立CS活动与运动学习之间的联系，需要在大规模记录中实现高保真度的CS检测。

为了应对这一挑战，研究团队开发了CUSP，一种基于U-Net架构的深度学习模型，用于从MEA记录中识别CSs。CUSP将波形分类任务转化为序列到序列的预测任务，通过结合自注意力机制和多尺度卷积层，能够整合局部场电位（Local Field Potential, LFP）和动作电位（Action Potential, AP）信号，从而提取更全面的CS特征。模型输出的概率性CS检测结果随后通过聚类分析与同时检测的SSs进行配对，以重建完整的浦肯野细胞活动模式。经过在恒河猴小脑记录数据上的训练和测试，CUSP达到了专家级别的检测性能（F1 = 0.83 ± 0.03），并能够识别手动标注中被忽略的有效CS事件。

与其他现有方法相比，CUSP在CS检测方面表现出显著优势。传统的CS和SS分类算法往往在处理CSs的稀疏、可变和复杂波形时表现不佳，而基于单通道的算法更易受到电极漂移和噪声的影响。相比之下，CUSP利用多通道数据，结合了LFP和AP信号的时空信息，从而提高了对CS的检测精度。实验结果表明，CUSP在检测精度、召回率和F1分数上均优于其他方法，尤其是在噪声环境和电极漂移的情况下。这种性能优势源于其独特的模型设计，包括混合自注意力机制和U-Net结构，使得模型能够在不同的记录条件下保持高度的稳健性。

此外，CUSP在处理波形多样性方面也展现出强大的适应能力。在实验中，研究团队测试了不同波形变体对CS检测的影响，并发现CUSP能够准确识别来自同一细胞的不同CS波形变体。相比之下，其他算法在面对波形变化时容易产生过多的误报或漏报。例如，某些方法在低信噪比（SNR）条件下无法有效检测高置信度的CS事件，而另一些方法则倾向于将噪声或小突触误认为独立的CS事件。CUSP通过其自适应的权重机制和多尺度卷积结构，能够在不同的记录条件下保持较高的检测准确性，从而减少误报和漏报。

为了验证CUSP的泛化能力，研究团队还将其应用于未在训练集中出现的其他恒河猴个体和小脑区域的记录数据。结果显示，CUSP能够在新的数据集上保持良好的检测性能，表明其不仅适用于特定的小脑数据，还具有一定的通用性，能够扩展到其他神经系统，如海马体的锥体神经元，这些神经元也产生具有动态复杂性的突触爆发事件。

CUSP的设计理念强调模型的灵活性和适应性。通过结合自注意力机制和U-Net结构，CUSP能够在处理多通道数据时，有效地捕捉到关键的时空特征。同时，其引入的数据增强策略，如电极漂移、样本抖动和电压反转，进一步提高了模型在不同环境下的泛化能力。此外，研究团队还通过消融实验分析了不同模型组件对性能的影响，结果表明自注意力模块和U-Net结构对模型的准确性具有显著贡献，而减少输入通道或移除数据增强策略则会导致性能下降。

CUSP不仅在技术上具有创新性，还为系统神经科学提供了新的研究工具。其性能的提升使得研究人员能够在大规模、长期的记录中更有效地分析CS活动，从而深入探讨其在小脑功能中的作用。同时，CUSP的开放性使其成为研究者在分析不同神经系统中的复杂活动模式时的重要资源。研究团队还创建了一个包含专家标注、不同信噪比和挑战性段的开放数据集，为未来的研究提供了标准化的评估框架。

尽管CUSP在检测性能上表现出色，但其仍然依赖于专家标注数据，这可能带来一定的局限性。未来的研究可以探索半监督或自监督学习策略，以减少对专家标注的依赖。例如，可以先在大规模未标注数据上训练编码器，学习鲁棒的潜在表示，再在少量专家标注数据上进行微调。此外，结合多种无监督算法提取特征，并利用这些特征训练监督模型，也是一种值得尝试的方向。

综上所述，CUSP为复杂突触的检测提供了一种高效、准确和可扩展的解决方案。其在处理高密度MEA数据中的CS活动时，表现出良好的稳健性和性能，能够克服传统方法在波形多样性、电极漂移和噪声环境下的局限。CUSP不仅推动了小脑系统的理解，还为研究其他具有复杂活动模式的神经系统的编码机制提供了新的工具。未来，随着技术的进一步发展，CUSP有望在更多神经系统的研究中发挥重要作用，为探索神经信号的编码与功能提供更全面的视角。