Not logged in.

Quick Search - Contribution

Contribution Details

Type Bachelor's Thesis
Scope Discipline-based scholarship
Title Modelling neural decoding of visual stimuli using Deep Neural Networks
Organization Unit
Authors
  • Jérôme Hadorn
Supervisors
  • Davide Scaramuzza
  • Shih-Chii Liu
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2022
Abstract Text The Neural active Visual Prosthetics for Restoring function (NeuraViPeR) project aims to restore vision of visually impaired people through electrical stimulation of the visual cortex. To work towards this goal, as a first step, this thesis studies the decoding of neural recordings from the primary visual cortex. The neural recordings used in this thesis comes from a dataset provided by the Netherlands Institute for Neuroscience. This dataset contains recordings from 1024 electrodes placed over areas V1 and V4 of the primary visual cortex while a monkey performed a visual discrimination task. In this thesis, we investigate unsupervised and supervised methods of decoding the neural recordings and compare different preprocessing techniques and deep learning model architectures. This thesis also explores the temporal and spatial information contained in the neural recordings. The temporal analysis reveals discriminative temporal regions during a recording where predictive performance is the highest to a presented stimulus. By splitting the recording into smaller time-windows, this work also explores the effect of reducing the temporal window on predictive performance. The spatial information analysis employs neural networks with channel-wise attention to explore the importance of recording electrodes. We visualize the electrodes ranked by their importance over the presented stimulus. The change of electrode importance over the time-course of a trial is also analysed.
Zusammenfassung Das Projekt Neural active Visual Prosthetics for Restoring function (NeuraViPeR) zielt darauf ab, das Sehvermögen sehbehinderter Menschen durch elektrische Stimulation des visuellen Kortex wiederherzustellen. Um dieses Ziel zu erreichen, untersucht diese Arbeit in einem ersten Schritt die Dekodierung neuronaler Aufzeichnungen aus dem primären visuellen Kortex. Die in dieser Arbeit verwendeten neuronalen Aufzeichnungen stammen aus einem Datensatz, der vom Netherlands Institute for Neuroscience zur Verfügung gestellt wurde. Dieser Datensatz enthält Aufzeichnungen von 1024 Elektroden, die über den Bereichen V1 und V4 des primären visuellen Kortex platziert wurden, während ein Affe eine visuelle Unterscheidungsaufgabe ausführte. In dieser Arbeit untersuchen wir unüberwachte und überwachte Methoden zur Dekodierung der neuronalen Aufzeichnungen und vergleichen verschiedene Vorverarbeitungsmethoden und Deep-Learning-Modellarchitekturen. In dieser Arbeit werden auch die in den neuronalen Aufzeichnungen enthaltenen zeitlichen und räumlichen Informationen untersucht. Die zeitliche Analyse zeigt diskriminierende zeitliche Regionen während einer Aufzeichnung, in denen die Vorhersageleistung für einen präsentierten Stimulus am höchsten ist. Durch die Aufteilung der Aufzeichnung in kleinere Zeitfenster wird in dieser Arbeit auch untersucht, wie sich eine Verringerung des Zeitfensters auf die Vorhersageleistung auswirkt. Bei der räumlichen Informationsanalyse werden neuronale Netze mit kanalweiser Aufmerksamkeit eingesetzt, um die Wichtigkeit von Aufzeichnungselektroden zu untersuchen. Die nach Wichtigkeit eingestuften Elektroden werden dann über dem rezeptiven Feld und dem Ort der Stimulusplatzierung visualisiert. Die Veränderung der Elektrodenwichtigkeit über den Zeitverlauf eines Versuchs wird ebenfalls analysiert.
PDF File Download
Export BibTeX