Classification of biological neuron types and networks poses challenges to the full understanding of the brain's organisation and functioning. In this paper, we develop a novel objective classification model of biological neuronal types and networks based on the communication metrics of neurons. This presents advantages against the existing approaches since the mutual information or the delay between neurons obtained from spike trains are more abundant data compare to conventional morphological data. We firstly designed two open-access supporting computational platforms of various neuronal circuits from the Blue Brain Project realistic models, named Neurpy and Neurgen. Then we investigate how the concept of network tomography could be achieved with cortical neuronal circuits for morphological, topological and electrical classification of neurons. We extract the simulated data to many different classifiers (including SVM, Decision Trees, Random Forest, and Artificial Neuron Networks) classifying the specific cell type (and sub-group types) achieving accuracies of up to 70\%. Inference of biological network structures using network tomography reached up to 65\% of accuracy. We also analysed recall, precision and F1score of the classification of five layers, 25 cell m-types, and 14 cell e-types. Our research not only contributes to existing classification efforts but sets the road-map for future usage of cellular-scaled brain-machine interfaces for in-vivo objective classification of neurons as a sensing mechanism of the brain's structure.

中文翻译：

---

生物神经网络的客观多变量分类与推理

生物神经元类型和网络的分类对全面了解大脑的组织和功能提出了挑战。在本文中，我们基于神经元的通信度量开发了一种新的生物神经元类型和网络的客观分类模型。这与现有方法相比具有优势，因为与传统形态学数据相比，从尖峰列车获得的神经元之间的互信息或延迟是更丰富的数据。我们首先从 Blue Brain Project 现实模型中设计了两个支持各种神经元回路的开放访问计算平台，命名为 Neurpy 和 Neurgen。然后我们研究了如何通过皮质神经元回路实现网络断层扫描的概念，用于形态学，神经元的拓扑和电学分类。我们将模拟数据提取到许多不同的分类器（包括 SVM、决策树、随机森林和人工神经元网络），对特定细胞类型（和子组类型）进行分类，准确率高达 70%。使用网络断层扫描对生物网络结构的推断达到了高达 65% 的准确率。我们还分析了五层、25 个细胞 m 型和 14 个细胞 e 型分类的召回率、精度和 F1score。我们的研究不仅有助于现有的分类工作，而且为未来使用细胞尺度的脑机接口将神经元作为大脑结构的传感机制进行体内客观分类设定了路线图。随机森林和人工神经元网络）对特定细胞类型（和亚组类型）进行分类，准确率高达 70%。使用网络断层扫描对生物网络结构的推断达到了高达 65% 的准确率。我们还分析了五层、25 个细胞 m 型和 14 个细胞 e 型分类的召回率、精度和 F1score。我们的研究不仅有助于现有的分类工作，而且为未来使用细胞尺度的脑机接口将神经元作为大脑结构的传感机制进行体内客观分类设定了路线图。随机森林和人工神经元网络）对特定细胞类型（和亚组类型）进行分类，准确率高达 70%。使用网络断层扫描对生物网络结构的推断达到了高达 65% 的准确率。我们还分析了五层、25 个细胞 m 型和 14 个细胞 e 型分类的召回率、精度和 F1score。我们的研究不仅有助于现有的分类工作，而且为未来使用细胞尺度的脑机接口将神经元作为大脑结构的传感机制进行体内客观分类设定了路线图。我们还分析了五层、25 个细胞 m 型和 14 个细胞 e 型分类的召回率、精度和 F1score。我们的研究不仅有助于现有的分类工作，而且为未来使用细胞尺度的脑机接口将神经元作为大脑结构的传感机制进行体内客观分类设定了路线图。我们还分析了五层、25 个细胞 m 型和 14 个细胞 e 型分类的召回率、精度和 F1score。我们的研究不仅有助于现有的分类工作，而且为未来使用细胞尺度的脑机接口将神经元作为大脑结构的传感机制进行体内客观分类设定了路线图。