A Fully Automated Approach to Spike Sorting.
A Fully Automated Approach to Spike Sorting.
复制标题
DOI：
10.1016/j.neuron.2017.08.030
复制
发表时间：
2017-09-13
期刊：
影响因子：
16.2
通讯作者：
Greengard LF
中科院分区：
文献类型：
--
作者：
Chung JE;Magland JF;Barnett AH;Tolosa VM;Tooker AC;Lee KY;Shah KG;Felix SH;Frank LM;Greengard LF
理解神经元网络的详细动态将需要同时测量来自数百个（或更多）神经元的尖峰序列。目前，从原始数据中提取峰值时间和标签的方法耗时长，缺乏标准化，并且涉及人工干预，因此难以维护数据来源和评估科学结果的质量。在这里，我们描述了一种自动化集群方法和相关软件包，它解决了这些问题，并提供了新的集群质量度量。我们表明，我们的方法具有与手动或半手动技术相当或超过的准确性，桌面CPU运行时间比多达数百个电极的采集时间快。此外，算法中的单一参数选择对各种电极几何形状和多个大脑区域都是有效的。该算法有可能实现比目前可能的更大规模记录的可重复和自动尖峰排序。Magland等人提出了MountainSort，一个新的全自动尖峰排序包，具有强大的GUI。MountainSort具有与当前方法相当的准确性和比实时更快的运行时间，能够对高密度细胞外记录进行自动和可重复的尖峰分选。
Understanding the detailed dynamics of neuronal networks will require the simultaneous measurement of spike trains from hundreds of neurons (or more). Currently, approaches to extracting spike times and labels from raw data are time consuming, lack standardization and involve manual intervention, making it difficult to maintain data provenance and assess the quality of scientific results. Here, we describe an automated clustering approach and associated software package that addresses these problems and provides novel cluster quality metrics. We show that our approach has accuracy comparable to or exceeding that achieved using manual or semi-manual techniques with desktop CPU runtimes faster than acquisition time for up to hundreds of electrodes. Moreover, a single choice of parameters in the algorithm is effective for a variety of electrode geometries and across multiple brain regions. This algorithm has the potential to enable reproducible and automated spike sorting of larger scale recordings than is currently possible. Magland et. al. present MountainSort, a new fully automatic spike sorting package with a powerful GUI. MountainSort has accuracy comparable to current methods and runtimes faster than real-time, enabling automatic and reproducible spike sorting for high-density extracellular recordings.
登录
查看更多内容
使用纳米制造的神经探针进行多重、高密度电生理学。
影响因子：
3.7
作者：
Du J;Blanche TJ;Harrison RR;Lester HA;Masmanidis SC
通讯作者：
Masmanidis SC
提高神经元群体记录的数据质量。
影响因子：
25
作者：
Harris KD;Quiroga RQ;Freeman J;Smith SL
通讯作者：
Smith SL
使用标记的点过程过滤器对多单位活动的位置无聚类解码。
影响因子：
2.9
作者：
Deng X;Liu DF;Kay K;Frank LM;Eden UT
通讯作者：
Eden UT
影响因子：
4.6
作者：
Carlson, David E.;Vogelstein, Joshua T.;Carin, Lawrence
通讯作者：
Carin, Lawrence
影响因子：
2.9
作者：
Kadir SN;Goodman DF;Harris KD
通讯作者：
Harris KD