Hippocampal sharp wave ripples (SPW-R) have been identified as key bio-markers of important brain functions such as memory consolidation and decision making. Understanding their underlying mechanisms in healthy and pathological brain function and behaviour rely on accurate SPW-R detection. In this multidisciplinary study, we propose a novel, self-improving artificial intelligence (AI) detection method in the form of deep Recurrent Neural Networks (RNN) with Long Short-Term memory (LSTM) layers that can learn features of SPW-R events from raw, labeled input data. The approach contrasts conventional routines that typically relies on hand-crafted, heuristic feature extraction and often laborious manual curation. The algorithm is trained using supervised learning on hand-curated data sets with SPW-R events obtained under controlled conditions. The input to the algorithm is the local field potential (LFP), the low-frequency part of extracellularly recorded electric potentials from the CA1 region of the hippocampus. Its output predictions can be interpreted as time-varying probabilities of SPW-R events for the duration of the inputs. A simple thresholding applied to the output probabilities is found to identify times of SPW-R events with high precision. The non-causal, or bidirectional variant of the proposed algorithm demonstrates consistently better accuracy compared to the causal, or unidirectional counterpart. Reference implementations of the algorithm, named ‘RippleNet’, are open source, freely available, and implemented using a common open-source framework for neural networks (tensorflow.keras) and can be easily incorporated into existing data analysis workflows for processing experimental data.

海马尖波涟漪 (SPW-R) 已被确定为重要大脑功能（如记忆巩固和决策制定）的关键生物标志物。了解它们在健康和病理性脑功能和行为中的潜在机制依赖于准确的 SPW-R 检测。在这项多学科研究中，我们以具有长短期记忆 (LSTM) 层的深度循环神经网络 (RNN) 的形式提出了一种新颖的、自我改进的人工智能 (AI) 检测方法，该方法可以学习 SPW-R 事件的特征来自原始标记的输入数据。该方法与通常依赖于手工制作的启发式特征提取和通常费力的手动管理的传统例程形成对比。该算法使用在受控条件下获得的 SPW-R 事件的手工策划数据集上的监督学习进行训练。该算法的输入是局部场电位 (LFP)，它是来自海马 CA1 区域的细胞外记录电位的低频部分。它的输出预测可以解释为输入持续时间内 SPW-R 事件的时变概率。发现应用于输出概率的简单阈值可以高精度识别 SPW-R 事件的时间。与因果或单向对应物相比，所提出算法的非因果或双向变体始终表现出更好的准确性。该算法的参考实现名为“RippleNet”，是开源的、免费提供的，并使用神经网络的通用开源框架实现（来自海马 CA1 区的细胞外记录电位的低频部分。它的输出预测可以解释为输入持续时间内 SPW-R 事件的时变概率。发现应用于输出概率的简单阈值可以高精度识别 SPW-R 事件的时间。与因果或单向对应物相比，所提出算法的非因果或双向变体始终表现出更好的准确性。该算法的参考实现名为“RippleNet”，是开源的、免费提供的，并使用神经网络的通用开源框架实现（来自海马 CA1 区的细胞外记录电位的低频部分。它的输出预测可以解释为输入持续时间内 SPW-R 事件的时变概率。发现应用于输出概率的简单阈值可以高精度识别 SPW-R 事件的时间。与因果或单向对应物相比，所提出算法的非因果或双向变体始终表现出更好的准确性。该算法的参考实现名为“RippleNet”，是开源的、免费提供的，并使用神经网络的通用开源框架实现（它的输出预测可以解释为输入持续时间内 SPW-R 事件的时变概率。发现应用于输出概率的简单阈值可以高精度识别 SPW-R 事件的时间。与因果或单向对应物相比，所提出算法的非因果或双向变体始终表现出更好的准确性。该算法的参考实现名为“RippleNet”，是开源的、免费提供的，并使用神经网络的通用开源框架实现（它的输出预测可以解释为输入持续时间内 SPW-R 事件的时变概率。发现应用于输出概率的简单阈值可以高精度识别 SPW-R 事件的时间。与因果或单向对应物相比，所提出算法的非因果或双向变体始终表现出更好的准确性。该算法的参考实现名为“RippleNet”，是开源的、免费提供的，并使用神经网络的通用开源框架实现（或单向对应。该算法的参考实现名为“RippleNet”，是开源的、免费提供的，并使用神经网络的通用开源框架实现（或单向对应。该算法的参考实现名为“RippleNet”，是开源的、免费提供的，并使用神经网络的通用开源框架实现（tensorflow.keras）并且可以很容易地合并到现有的数据分析工作流程中以处理实验数据。