Thèse Année : 2024

Self-Supervised Learning for Improved Classification and Characterization of Sharp Wave Ripples

Apprentissage auto-supervisé pour l'amélioration de la classification et de la caractérisation des ondes rapides hippocampiques

Résumé

Sharp wave ripples (SWRs) in the hippocampus are essential oscillatory events associated with memory consolidation and cognitive processing. This research explores the application of self-supervised learning (SSL) techniques to enhance the classification of SWRs, focusing on distinguishing between before and after learning events. Traditional methods often fail to capture the subtle nuances in SWR properties that emerge as a result of learning. By integrating SSL with a custom 1D convolutional neural network (CNN) architecture, this study introduces a novel approach to address these challenges, significantly improving the classification accuracy of SWRs.The 1D CNN demonstrated strong performance in classifying SWRs, with SSL-based data re-labeling further enhancing the model's robustness by mitigating the effects of label noise. This approach leverages critical features such as Fast Fourier Transform (FFT) coefficients and wavelet entropy, which were identified as key indicators of learning-induced changes in the spectral and temporal properties of SWRs. The findings revealed significant shifts in frequency content and power distribution of SWRs following learning, highlighting the dynamic nature of hippocampal activity in response to cognitive demands. Additionally, the application of Gradient-weighted Class Activation Mapping (Grad-CAM) combined with Morlet wavelet analysis validated the biological relevance of the model's classification decisions, providing insights into the underlying neural mechanisms.Extending the analysis to a transgenic mouse model of Alzheimer's disease uncovered distinct differences in SWR characteristics compared to wild-type animals, underscoring the potential of SWR classification as a biomarker for cognitive impairments and neurodegenerative conditions.This study demonstrates the efficacy of deep learning for the analysis of complex neural signals, offering a more nuanced understanding of learning-induced changes in SWRs.
Les ondes rapides hippocampiques (ORH) sont des événements oscillatoires essentiels associés à la consolidation de la mémoire et au traitement cognitif. Cette recherche explore l'application de techniques d'apprentissage auto-supervisé (AAS) pour améliorer la classification des ORH, en se concentrant sur la distinction entre les événements avant et après l'apprentissage. Les méthodes traditionnelles échouent souvent à capturer les subtiles nuances des propriétés des ORH qui émergent à la suite de l'apprentissage. En intégrant l'AAS avec une architecture personnalisée de réseau de neurones convolutifs 1D (RNC 1D), cette étude introduit une approche novatrice pour relever ces défis, améliorant ainsi de manière significative la précision de la classification des ORH.Le RNC 1D a démontré une performance solide dans la classification des ORH, avec une re-labellisation des données basée sur l'AAS qui a renforcé la robustesse du modèle en atténuant les effets du bruit des étiquettes. Cette approche exploite des caractéristiques critiques telles que les coefficients de la Transformée de Fourier Rapide (TFR) et l'entropie des ondelettes, identifiées comme des indicateurs clés des changements induits par l'apprentissage dans les propriétés spectrales et temporelles des ORH. Les résultats ont révélé des changements significatifs dans le contenu fréquentiel et la distribution de la puissance des ORH après l'apprentissage, soulignant la nature dynamique de l'activité hippocampique en réponse aux exigences cognitives. De plus, l'application de la méthode de visualisation par activation de classes pondérées par gradient (Grad-CAM) combinée à l'analyse des ondelettes de Morlet a validé la pertinence biologique des décisions de classification du modèle, apportant une meilleure compréhension des mécanismes neuronaux sous-jacents.L'extension de l'analyse à un modèle murin transgénique de la maladie d'Alzheimer a révélé des différences distinctes dans les caractéristiques des ORH par rapport aux animaux de type sauvage, soulignant le potentiel de la classification des ORH en tant que biomarqueur des déficits cognitifs et des conditions neurodégénératives.Cette étude démontre l'efficacité de l'apprentissage profond pour l'analyse des signaux neuronaux complexes, offrant une compréhension plus nuancée des changements induits par l'apprentissage dans les ORH.
Fichier principal
Vignette du fichier
GRAF_SABER_2024.pdf (3.38 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04926221 , version 1 (03-02-2025)

Identifiants

  • HAL Id : tel-04926221 , version 1

Citer

Saber Graf. Self-Supervised Learning for Improved Classification and Characterization of Sharp Wave Ripples. Neuroscience. Université de Bordeaux, 2024. English. ⟨NNT : 2024BORD0460⟩. ⟨tel-04926221⟩
0 Consultations
0 Téléchargements

Partager

More