این تعهد متعلق به هیچ شعبه ای در این مخزن نیست و ممکن است متعلق به یک چنگال در خارج از مخزن باشد.

نام در حال استفاده

یک برچسب در حال حاضر با نام شاخه ارائه شده وجود دارد. بسیاری از دستورات GIT نام برچسب و شاخه را می پذیرند ، بنابراین ایجاد این شاخه ممکن است باعث رفتار غیر منتظره شود. آیا مطمئن هستید که می خواهید این شاخه را ایجاد کنید؟

• محلی
• مکاشه

با استفاده از URL وب از Git یا Checkout با SVN استفاده کنید.

با CLI رسمی ما سریع کار کنید. بیشتر بدانید.

ورود به سیستم لازم

لطفاً برای استفاده از برنامه های کد وارد سیستم شوید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، GitHub Desktop را بارگیری کنید و دوباره امتحان کنید.

راه اندازی دسک تاپ GitHub

اگر هیچ اتفاقی نمی افتد ، GitHub Desktop را بارگیری کنید و دوباره امتحان کنید.

راه اندازی Xcode

اگر هیچ اتفاقی نمی افتد ، Xcode را بارگیری کنید و دوباره امتحان کنید.

راه اندازی کد ویژوال استودیو

فضای کد شما یک بار آماده خواهد شد.

مشکلی برای تهیه فضای کدگذاری شما وجود داشت ، لطفاً دوباره امتحان کنید.

آخرین تعهد

آمار git

فایل ها

بارگیری آخرین اطلاعات متعهد انجام نشد.

readme. md

Kilosort2 آزاد شده است! اینجا را امتحان کنید

مرتب سازی سریع سنبله برای صدها کانال

یک چارچوب تطبیق الگوی یکپارچه را برای تشخیص و خوشه بندی سنبله از ضبط های الکتروفیزیولوژیکی چند کانال پیاده سازی می کند. خیلی سریع وقتی یک GPU در دسترس است ، اما می تواند در سمت CPU نیز اجرا شود. در این مقاله NIPS شرح داده شده است

Pachitariu M ، Steinmetz NA ، Kadir S ، Carandini M و Harris KD (2016). مرتب سازی سریع و دقیق سنبله پروب های شمارش کانال بالا با کیلوسورت. پیشرفت در سیستم های پردازش اطلاعات عصبی. 4448-4456 https://papers. nips. cc/paper/6326-fast-and-acture-spike-sort-sorting-of-chanch--count-count-kilosort

preprint زیر حاوی اطلاعات کمی بیشتر است:

Pachitariu M ، Steinmetz NA ، Kadir S ، Carandini M و Harris KD (2016). Kilosort: سنبله در زمان واقعی برای الکتروفیزیولوژی خارج سلولی با صدها کانال. Biorxiv dx. doi. org/10. 1101/061481 ، پیوند.

اگر در حال اجرا در GPU هستید ، پس از تنظیم Mexcuda در Matlab ، باید Mexgpuall را در پوشه Cuda اجرا کنید. مراحل دستیابی به این امر در ویندوز 10 در زیر آمده است. برای جزئیات بیشتر و سایر سیستم عامل ها ، به پوشه Docs مراجعه کنید.

نصب ویندوز 10

1. MATLAB R2018A را از www. mathworks. com نصب کنید. می توانید از نسخه های قدیمی تر MATLAB استفاده کنید اما یادداشت های زیر را مشاهده کنید.
2. cuda 9. 0 را از https://developer. nvidia. com/cuda-90-download-archive نصب کنید. این نسخه از CUDA با Matlab R2018a کار می کند. برای نسخه های قدیمی matlab، فعلاً از این کار صرف نظر کنید و در مرحله بعد به شما می گوید که چه نسخه ای از CUDA را نیاز دارید. سپس آن نسخه را در گوگل یا سایت NVIDIA جستجو کنید.
3. انجمن ویژوال استودیو 2013 را از https://www. visualstudio. com/vs/older-downloads/ نصب کنید. نصب این باید پس از نصب matlab انجام شود، در غیر این صورت matlab ممکن است کامپایلر را پیدا نکند، در این صورت شما آن را در لیست تنظیمات mex نخواهید دید (به زیر مراجعه کنید). اگر قبلاً آن را از قبل از نصب متلب داشته اید، باید بتوانید دوباره روی یک نصب قدیمی نصب کنید.
4. حالا در matlab کامپایلر: را انتخاب کنید.

1. kilosort را کامپایل کنید

برای اطلاعات بیشتر در مورد نصب mexcuda، به این (دستورالعمل) مراجعه کنید.

تأیید نصب و اجرای آزمایشی

با اجرای master_eMouse در داخل پوشه eMouse می توانید تأیید کنید که کد به درستی نصب شده است. ابتدا readme_eMouse. txt را ببینید. همچنین می‌توانید از این اسکریپت‌ها برای درک نحوه انتقال تنظیمات مناسب به Kilosort (به پروب، پیکربندی نقشه کانال و غیره بستگی دارد) و آنچه باید در Phy در حین پاکسازی دستی نتایج Kilosort ببینید، استفاده کنید. پارامترهای زیادی از شبیه‌سازی وجود دارد که می‌توانید آن‌ها را برای سخت‌تر یا آسان‌تر کردن، و شاید شبیه‌تر به داده‌های خود تغییر دهید.

دستورالعمل های کلی برای اجرای Kilosort

1. یک کپی از master_file_example_MOVEME. m و \configFiles\StandardConfig_MOVEME. m تهیه کنید و آنها را با داده های خود در فهرست قرار دهید.
2. با استفاده از \configFiles\createChannelMap. m به عنوان نقطه شروع، یک فایل نقشه کانال برای پروب خود ایجاد کنید.
3. فایل کانفیگ را با پارامترهای دلخواه ویرایش کنید. حداقل باید مسیرهای فایل (ops. fbinary، ops. fproc (این فایل هنوز وجود ندارد - kilosort آن را ایجاد می کند) و ops. root)، فرکانس نمونه برداری (ops. fs)، تعداد کانال های موجود را تنظیم کنید. فایل (ops. NchanTOT)، تعداد کانال‌هایی که باید در مرتب‌سازی گنجانده شوند (ops. Nchan)، تعداد الگوهایی که می‌خواهید kilosort تولید کنید (ops. Nfilt)، و مکان فایل نقشه کانال شما (ops. چان مپ).
4. master_file را طوری ویرایش کنید که مسیرهای بالا (خطوط 3-4) به کپی های محلی شما از آن مخازن github اشاره کنند و به طوری که فایل پیکربندی به درستی مشخص شود (خطوط 6-7).

برای درک پارامترهای قابل تنظیم در Kilosort، لطفاً به نمونه فایل های پیکربندی مراجعه کنید. شرح هر پارامتر مطابق با تنظیم (پیش‌فرض) تعیین‌شده آن است که می‌توانید آن را تغییر دهید.

ادغام با Phy GUI

Kilosort یک فایل نتایج به نام "REZ" را ارائه می دهد ، که در آن ستون اول REZ. ST زمان سنبله و ستون دوم هویت خوشه ای است. با این حال ، بهترین راه برای استفاده از این نرم افزار همراه با PHY است که یک رابط خوشه بندی دستی برای پالایش نتایج الگوریتم فراهم می کند.

توجه داشته باشید که شما باید از یک شاخه ویژه PHY با Kilosort استفاده کنید. دستورالعمل در DOCS/PHY_INSTALLATION_WITH_TEMPLATES. TXT

شما همچنین باید NPY-MATLAB را نصب کنید ، تا توابع خواندن/نوشتن را از MATLAB به PYTHON ارائه دهید ، زیرا PHY در پایتون نوشته شده است.

دستورالعمل های دقیق برای تفسیر نتایج در اینجا ارائه شده است.

توجه داشته باشید که اگر ویژگی Auto-Merge را اجرا کنید ("Merge_Posthoc2") ، سپس ستون پنجم REZ. ST حاوی هویت خوشه ای نهایی است. این گروه بندی سپس به PHY صادر می شود و به همان روشی که ادغام دستی تفسیر می شود ، تفسیر می شود. این بدان معنی است که شما هنوز هم می توانید از عملکرد PHY برای شکستن خوشه استفاده کنید.

ساختارهای خروجی Matlab

Kilosort بهترین استفاده در رابطه با PHY است. پس از این دستورالعمل های کلی ، پرونده های خروجی . NPY و . CSV می توانند دوباره به MATLAB بارگذاری شوند: https://github. com/kwikteam/phy-contrib/blob/master/docs/template-gui. md. برای مثال کامل ، به آموزش با داده های Neuropixels موجود در اینجا مراجعه کنید: http://data. cortexlab. net/singlephase3/ و در اینجا: http://data. cortexlab. net/dualphase3/.

با این حال ، در برخی شرایط ممکن است شما نیاز به استفاده از ساختارهای نتایج MATLAB داشته باشید. در اینجا توضیحی در مورد این متغیرها ، موجود در ساختار "rez" وجود دارد

xc ، yc: x و y مختصات هر کانال در کاوشگر ، به ترتیب کانال های ارائه شده در نقشه کانال (پیش فرض خطی است ، 1: 1: nChannels).

متصل: آیا یک کانال در DAT باینری اصلی "متصل" است یا "فعال". کانال های غیرفعال نادیده گرفته می شوند.

Wrot: ماتریس سفید کننده کانال. wrot * high_pass_filtered_data = post_data ، که در آن post_data داده های پس از پردازش شده است که الگوریتم کیلوسورت در آن اعمال می شود.

Wrotinv: ماتریس معکوس Wrot است. wrotinv * post_data = high_pass_filtered_data

OPS: تمام تنظیمات پیکربندی ارائه شده توسط کاربر را نگه می دارد ، و اطلاعات تجمعی که مراحل Kilosort را اضافه می کند.

ST: ستون اول زمان سنبله در نمونه ها است ، ستون دوم الگوی سنبله است ، ستون سوم دامنه استخراج شده است و ستون پنجم خوشه پست خودکار است (در صورت اجرای خودکار خودکار).

MU: میانگین دامنه برای هر الگوی

U: مؤلفه های درجه پایین ماسک های مکانی برای هر الگوی

W: مؤلفه های درجه پایین ماسک های زمانی برای هر الگوی

DWU: میانگین زیر مجموعه سنبله های مربوط به هر الگوی. تجزیه پایین این ماتریس منجر به W و U می شود.

WRAW: الگوی سنبله ، که توسط عملیات WRAW (. N) = Wrotinv ' * (U (: ، n ، :) * w (: n ، :)') ، برای هر الگوی n.

Simscore: همبستگی بین همه جفت الگوها.

CPROJ: پیش بینی های هر سنبله شناسایی شده بر روی اجزای اصلی کانال های مربوط به الگوی اختصاص یافته سنبله. ترتیب کانال برای هر الگوی در اینهه موجود است.

اینیگ: برای هر الگوی ، کانال هایی با بیشترین دامنه به ترتیب فهرست بندی می شوند (پیش فرض 12). این نمایه سازی برای مرتب سازی ضرایب در CPROJ استفاده می شود. توجه کنید که این یک طرح اساساً پراکنده است: فقط کانال های برتر برای هر الگوی ذخیره می شوند.

CPROJPC: پیش بینی های هر سنبله شناسایی شده بر روی الگوهای برتر شبیه به الگوی اختصاص یافته سنبله. نزدیکترین سفارش برای هر الگوی در INEIGHPC موجود است.

ineighpc: برای هر الگوی ، سایر الگوهای با بزرگترین شباهت به ترتیب فهرست بندی می شوند (پیش فرض 12). این نمایه سازی برای مرتب سازی ضرایب در CPROJPC استفاده می شود. توجه کنید که این یک طرح اساساً پراکنده است: فقط نزدیکترین الگوی برای هر الگوی ذخیره می شود.

لطفاً مشکلی برای مشکلات اشکالات / نصب ایجاد کنید.

این برنامه نرم افزار رایگان است. شما می توانید آن را توزیع کرده و/یا آن را تحت شرایط مجوز عمومی عمومی GNU که توسط بنیاد نرم افزار رایگان منتشر شده است ، اصلاح کنید. نسخه 2 مجوز ، یا (در گزینه شما) نسخه بعدی.

این برنامه به این امید که مفید باشد ، اما بدون هیچ گونه ضمانتی توزیع می شود. بدون حتی ضمانت ضمنی از تجارت یا تناسب اندام برای یک هدف خاص. برای اطلاعات بیشتر به مجوز عمومی عمومی GNU مراجعه کنید.