Temporal processing dynamics in neuronal populations

Abstract

Time is crucial for our understanding of our environment and our behaviour. We require to process time to execute motor actions, predict future events from the past ones and anticipate events. Despite many efforts, the neural basis of temporal processing remains elusive. It is an open question to understand how the brain perceives time, given the absence of any “time receptor”, as it is the case for vision, audition or any other perception. In this thesis I focused on the study of time representation in the seconds range during sensory stimulation by means of cortical spike oscillations. First, I show a novel framework to analyse spike oscillatory activity, specifically considering preserving its nonlinear and nonstationary properties. To do so, I showed that a combination of NA-MEMD + Hilbert Transform overcomes traditional Time-Frequency techniques to analyse neuronal recordings. I demonstrated it by comparing the obtained spectral properties obtained with our framework with previously published results using vibrissal nerve recording during tactile stimulation. As a second example, I used spike oscillations from neuronal populations of deep layers of visual cortex of anesthetised rats during visual stimulation. Once a proper framework to analyse spike oscillations was found, I studied how time interval at the seconds range during sensory stimulation in anesthetised rats was represented in deep layers of visual cortex. I demonstrated that when longer intervals than one second are used, the firing rate of deep layers of visual cortex in response to a moving grating is increased and the response becomes more stable. These results were more evident when three or five seconds interval were used and decreased when seven seconds intervals were used. In order to better understand the coding of interval at seconds scale in visual cortex, I studied the Time-Frequency dynamics of the evoked response with different intervals. Multiple differences at different times and frequencies were found when one second interval was compared both with three and five seconds intervals. Some of these differences were still present when seven seconds interval was used, suggesting an optimal interval window around three to five seconds. There were differences during the whole stimulation in the 6 Hz and the 10 Hz bands, as well as transient differences in higher frequencies. Considering these results, I proposed a phase space were interval time could be discriminated by means of the evoked trajectories during stimulation. Altogether, these results suggest a multiplexed processing of time interval using spike oscillations of neuronal populations from deep layers of visual cortex. They also suggest an optimal interval length of three to five seconds were the evoked response is maximal. At last, I suggest a new framework to study the oscillatory dynamics of single trials in neuroscience. I demonstrated that a combination of NA-MEMD to extract Time-Frequency features combined with Machine Learning classification, both supervised and unsupervised, outperforms classical tools in the characterization of single-trial dynamics. Given the ongoing interest of the field in the study of the brain activity and behaviour in single trials, this new framework promises to become a useful new tool in our quest to understand how the brain works.

El tiempo es crucial para entender nuestro entorno y nuestro comportamiento. Necesitamos procesar el tiempo para ejecutar acciones motoras, predecir eventos futuros a partir de los pasados, y anticipar nuevos eventos. Pese a todos los esfuerzos realizados, seguimos son conoces el sustrato neuronal para el procesamiento temporal. Cómo el cerebro percibe el tiempo es todavía una pregunta abierta, teniendo en cuenta que no existe ningún “receptor del tiempo”, como sí es el caso de la visión, el oído o cualquier otra percepción. En esta tesis he estudiado la representación del tiempo en el rango de segundos durante la estimulación sensorial por medio de oscilaciones de potenciales de acción corticales. En primer lugar, he mostrado un nuevo enfoque para el análisis de oscilaciones de potenciales de acción, teniendo especialmente en cuenta preservar sus propiedades no-lineales y no-estacionares. Para ello, he mostrado como una combinación de NA-MEMD junto con la Transformada de Hilbert supera a las técnicas tradicionales de Tiempo-Frecuencia para el análisis de registros neuronales. Para demostrarlo, he comparado las propiedades espectrales obtenidas mediante estos algoritmos con resultados publicados previamente usando registro en el nervio vibrisal durante una tarea de estimulación táctil. Como un segundo ejemplo, he utilizado oscilaciones de potenciales de acción de poblaciones neuronales de capas profundas de la corteza visual de ratas anestesiadas durante una tarea de estimulación visual. Una vez encontrados una serie de algoritmos adecuados para el análisis de oscilaciones de potencial de acción, estudié como se representaba el intervalo temporal en la escala de segundos durante una tarea de estimulación visual en las capas profundas de la corteza visual de ratas anestesiadas. Demostré que cuando se usaban intervalos de mayor duración que un segundo, aumentaba la tasa de disparo de las capas profundas de la corteza visual en respuesta a la estimulación con un enrejado en movimiento, así como la respuesta se volvía más estable. Estos resultados eran más claros cuando se usaron intervalos de tres o cinco segundos y disminuyeron cuando se usó un intervalo de siete segundos. Con el objetivo de entender mejor la codificación del intervalo en la escala de segundos en corteza visual, estudié la dinámica Tiempo-Frecuencia de la respuesta evocada usando diferentes intervalos. Encontré múltiples diferencias a diferentes tiempos y en diferentes frecuencias cuando comparé la respuesta con un intervalo de un segundo con intervalos de tres y cinco segundos. Algunas de estas diferencias seguían existiendo cuando usé intervalos de siete segundos, sugiriendo una ventana óptima de duración del intervalo de entre tres y cinco segundos. Encontré diferencias a lo largo de toda la ventana de estimulación en las bandas de 6 y 10 Hz, así como diferencias transitorias en frecuencias más altas. Estos resultados sugieren un procesamiento multiplexado del intervalo temporal mediante oscilaciones de potenciales de acción de poblaciones neuronales en capas profundas de la corteza visual. También sugieren una ventana óptima de duración del intervalo, de entre tres y cinco segundo, en la que la respuesta evocada es máxima. Por último, propuse un nuevo enfoque para el estudio de oscilaciones neuronales para pruebas experimentales individuales en neurociencia. Demostré que una combinación de NA-MEMD para extraer características en Tiempo-Frecuencia, combinado con herramientas de aprendizaje automático, tanto supervisado como no supervisado, para su clasificación, superaba a las herramientas usadas tradicionales para el estudio de la dinámica de pruebas experimentales individuales. Considerando el creciente interés del campo en el estudio de la actividad cerebral y el comportamiento en pruebas experimentales individuales, este nuevo enfoque promete ser una herramienta de gran utilidad en nuestra lucha por entender cómo funciona el cerebro.