文件名称：快速且可扩展的海量神经数据多路分析
文件大小：2.07MB
文件格式：PDF
更新时间：2024-03-22 20:32:02
Multi-way Data Analysis; ECoG; Parallel
随着神经科学研究和实践的发展，具有多种模式和高密度的神经数据分析近来已成为一种趋势。 迫切需要一种在不损失或破坏空间，时间和频率的模式之间（通常是交互作用）的情况下准确，唯一地捕获特征的方法。 此外，该方法必须能够在数十个甚至数百个通道中快速分析规模和大小呈指数增长的神经数据，以便可以及时做出结论和决策。 并行数据分析（PARAFAC）是多向数据分析的重要方法，它在脑电图（EEG）分解中表现出了有效性。 但是，传统的PARAFAC由于具有很高的复杂度而仅适用于脱机数据分析，随着数据量的增加，其计算结果为O（n2）。 在这项研究中，已经开发了一种大规模的PARAFAC方法，该方法得到了图形处理单元（GPGPU）上通用计算的支持。 与在传统的基于CPU的平台上运行的PARAFAC相比，该新方法在运行时性能方面显着胜过> 360倍，并且在所有维度上有效地扩展了> 400倍。 此外，所提出的方法构成了用于分析从癫痫患者获得的脑电图（ECoG）记录的模型的基础，事实证明，该模型在癫痫状态检测中是有效的。 提出的模型的时间演变与临床观察密切相关。 此外，频率签名是稳定的，并且在初始阶段较高。 此外