En visuell guide till Sortering elektrofysiologiska inspelningar Använda "SpikeSorter"

Introduction

Den som registrerar extracellulära signaler från hjärnan med hjälp av metoder mer sofistikerade än enkel on-line tröskel och fönster inför uppgiften att identifiera och separera signaler från olika nervceller från de bullriga spänningssignalerna som registrerats av elektroden. Denna uppgift är allmänt känd som spik sortering. Svårigheten med spik sortering förvärras av olika faktorer. Neuroner kan vara mycket nära varandra så att de signaler som spelats in från dem av en närliggande elektrod kommer sannolikt att vara likartade och svåra att urskilja. De signaler som alstras av en enda neuron kan variera över tiden, kanske på grund av rörelser hos elektroden, variabla natriumkanal kinetik under perioder med hög eldhastighet, varierande grad av aktivering av spännings konduktanser i dendriter som är nära elektroden, eller möjligen som till följd av förändringar i hjärnans tillstånd. Dessa problem kan mildras genom att använda multi-elektrod arrayer (MEA) med många tätt placerade (20-100 um) r Inspelning kanaler som möjliggör bättre rumslig definition av signalerna från enskilda nervceller eftersom de vanligtvis sprids ut över flera kanaler ^{1, 2.} Men detta, i kombination med det faktum att signaler från neuroner utspridda längs hela längden av elektrodöverlappningen i rymden, resulterar i en potentiellt mycket hög dimensionell rymd inom vilken kluster motsvarar unika nervceller måste identifieras. Detta problem blir beräkningsmässigt svårbehandlat under mer än ett litet antal elektrodkanaler. Hittills finns det inget generellt överenskommen bästa metoden för spik sortering, även om många lösningar har föreslagits ^{3, 4, 5, 6, 7, 8} och inspelningar från MEA blir allt vanligare ^9,ass = "xref"> 10. Eftersom spik sortering är inte ett mål i sig, utan är helt enkelt ett nödvändigt första steg innan ytterligare dataanalys, det finns ett behov av en lätt användbar paket som kommer att läsa råinspelnings datafiler och konvertera dem redas spik tåg med så lite användare ingång, och som snabbt och tillförlitligt, som möjligt.

Detta dokument ger en handledning för användningen av SpikeSorter - ett program som utvecklats med syfte att tillgodose dessa behov. Programmet bygger på algoritmer som beskrivs i tidigare publicerade artiklar ^{11, 12, 13.} Målen i utformningen av programmet var att a) det bör ha ett användarvänligt gränssnitt som kräver liten eller ingen tidigare kunskap om programmering eller spik sortering metod; b) få eller inga andra specialiserade programvarukomponenter utöver vanliga Windows eller Linux operativsystem skulle behövas; c d) behovet av användarinmatning vid sortering bör minimeras, och e) sortering gånger bör skala på ett rimligt sätt, helst linjärt, med inspelningstiden och antalet kanaler på elektroden. Algoritmerna som genomförts i programmet innefattar a) en flexibel uppsättning strategier förbehandlings och händelsedetektering; b) en automatiserad söndra och härska strategi att minska dimension som kluster spänningsvågformer baserade på de huvudsakliga komponenterna (PC) distributioner som erhållits från delmängder av kanaler som tilldelats specifika kluster; c) automatisk klustring av PC distributioner med en snabb klustring procedur baserad på mean-shift algoritm ^{3, 14,} och d) delvis automatiserad parvis sammanslagning och delning av kluster för att säkerställa att var och en är lika distinkt som möjligt från alla andra. att This, en rad förfaranden har lagts som tillåter manuell delning eller sammanslagning av kluster baserade på inspektion av PC fördelningar, gränsöverskridande och auto-correlograms av spik tåg och tids amplitud tomter av spik vågformer. Inspelningar från tetrodes, tetrode arrayer, Utah arrayer samt en- och fler skaft MEA kan läsas och sortering. Den nuvarande gränsen för antalet kanaler är 256, men detta kan ökas i framtiden.

En annan implementering plattformsoberoende öppen källkod, "Spyke" (http://spyke.github.io), finns också. Skriven av en av oss (MS) i Python och Cython använder Spyke samma övergripande strategi som SpikeSorter, med vissa skillnader: att minska minneskrav, är rådata laddas i små block, och bara när det är absolut nödvändigt; kluster uteslutande visas manipuleras, och sorteras i 3D; och huvudkomponent och oberoende komponentanalys båda används som kompletterande reduktions dimension metoder. Spyke kräver mer användaren iväxelverkan, men är starkt beroende av tangentbord och genvägar mus och en ångra / gör kö för att snabbt undersöka effekterna av olika faktorer på klustring av en viss delmängd av spikar. Dessa faktorer inkluderar spik kanal och tidsområdesval, spik linje, kluster dimensioner och rumsliga bandbredd (Sigma) ^11.

Följande är en kort beskrivning av de algoritmer och strategier som används för att sortera. Mer fullständiga beskrivningar kan hittas i tidigare publikationer ^{11, 12, 13} och kommentarer som kan nås via hjälpknappar (identifieras med ett "?") Inom SpikeSorter. Efter att ha laddat en rå extracellulär spännings fil och filtrera bort de lägre frekvenskomponenterna, ett initialt skede av resultaten händelsedetekterings i en uppsättning av händelser, vilka var och en består av en kort spänningsögonblicksbild före och efter händelsetiden. Om de utvaldared platser är tillräckligt nära varandra (<100 nm), enstaka enhetssignaler kommer i allmänhet att visas på flera angränsande kanaler. En central kanal väljs automatiskt för varje händelse, som motsvarar den kanal, på vilken topp-till-toppspänning av evenemanget är störst. Automatiserad sortering startar genom att bilda en enda initial kluster för varje elektrodkanal, bestående av alla de händelser som lokaliserade till den kanalen. En enhet ligger halvvägs mellan kanalerna kan ge upphov till spikar som är lokaliserade (kanske slumpmässigt) mot olika kanaler: de kluster från dessa två uppsättningar av spikar kommer att identifieras som liknar och sammanslagna i ett senare skede. Den genomsnittliga vågformen av händelserna i varje inledande kluster beräknas sedan. Detta hänvisas till som klustret mall. Ordnade kanaler tilldelas till varje kluster baserat på amplituderna och standardavvikelsen för mall vågformerna på varje kanal. Huvudkomponentvärden beräknas sedan för varje kluster baserade on vågformerna på den tilldelade uppsättningen kanaler. Användaren kan välja antalet huvuddimensioner komponent att använda: vanligtvis 2 är tillräcklig. Varje kluster delas sedan upp i en ytterligare uppsättning av kluster, och detta upprepas tills ingen kan vara ytterligare uppdelning av automatiserad klustring.

Vid denna punkt, en första uppsättning säga, 64 kluster från en 64-kanals elektrod, kan delas upp i två eller tre gånger så många, beroende på antalet enheter som var närvarande i inspelningen. Men på grund av den variabla tilldelning av händelser från enskilda enheter till olika kanaler, är antalet kluster hittas i detta skede nästan säkert större än den borde vara. Nästa steg i sorteringen är att korrigera oversplitting genom att jämföra par av kluster och sammanslagning liknande par eller omfördelning av händelser från en till en annan. Detta skede av sortering kallas "slå samman och dela".

Sammanslagning och delning

För N kluster, det finns N * (N -1) / 2 par och därmed antalet par växer som N ^2, vilket inte är önskvärt. Men många par uteslutas från jämförelsen eftersom de två medlemmarna i paret är fysiskt långt ifrån varandra. Detta minskar beroendet till något som är mer linjärt relaterad till antalet kanaler. Trots denna genväg kan slå samman och dela scenen fortfarande vara ganska tidskrävande. Det fungerar på följande sätt. Varje kluster par som skall jämföras (de som är fysiskt nära varandra, såsom bedömdes genom överlappningen i de kanalgrupper tilldelade till varje) är tillfälligt slås samman, fast hålla identiteterna för spikarna i de två medlems kluster kända. De huvudsakliga komponenterna i det sammanslagna paret beräknas sedan. Ett mått på överlappningen mellan de punkter i de två klustren beräknas baserat på fördelningen av de två första huvudkomponenterna.

Det sätt på vilket ov ERLAP mått beräknas beskrivs mer i detalj på annat ställe ^11. Dess värde är noll om klustren inte överlappar alls, det vill säga den närmaste grannen på varje punkt är i samma kluster. Dess värde ligger nära 1 om kluster lappar helt, det vill säga sannolikheten för grannen att vara i samma kluster är densamma som förutsägas från en likformig blandning av poäng.

Olika beslut fattas som tar överlappningen åtgärd beaktas. Om överlappningen är större än ett visst värde, kan kluster slås samman. Om överlappningen är mycket liten, kan klustret paret definieras som distinkt och lämnas ensamma. Mellanliggande värden, vilket tyder på ofullständig separation av klustret paret, kan signalera att paret bör slås samman och därefter åter-split, det önskade resultatet är ett par av kluster med mindre överlappning. Dessa förfaranden drivs först i en automatiserad skede och sedan i en manuellt styrd stadium.

tält "> I den automatiserade skede kluster par med hög överlappning värde samman,. därefter kluster par med medel till låga överlappningsvärden samman och åter-split I den andra, användarstyrd skede användaren presenteras med alla återstående tvetydiga kluster par (dvs. de med överlappande värden i ett definierat mellanliggande intervall) i sekvens och uppmanas att välja om a) att slå samman paret, b) går samman och resplit paret, c) att förklara paret att vara distinkt (som åsidosätter betydelsen av överlappningsmått), eller d) att definiera förhållandet mellan paret som "tvetydig" indikerar att spikarna i paret är osannolikt att vara väl sortering. Olika verktyg tillhandahålls för att hjälpa till med dessa beslut, inklusive automatisk - och kors correlograms och tidsserie tomter av spik höjd och PC värden.

Helst i slutet av det överlåtande och dela steg, bör varje kluster vara skild från alla andra,antingen därför att den har få eller inga kanaler gemensamt med andra kluster, eller på grund av överlappningen index är mindre än ett definierat värde. Detta värde kan väljas av användaren, men är typiskt 0,1. Kluster (enheter) som passerar detta test definieras som "stabil", de som inte gör det (eftersom överlappningen med en eller flera andra grupper är större än tröskelvärdet) definieras som "instabil". I praktiken, de allra flesta enheter hamna definieras som "stabil" på upploppet av sortering, lämnar resten antingen kasseras eller behandlas som potentiellt flera enheter.

programvaru~~POS=TRUNC

SpikeSorter är kompatibel med 64 bitars versioner av Windows 7 och Windows 10, och har även drivits framgångsrikt under Linux med hjälp av Wine emulator. Datafiler laddas helt i minnet (för hastighet) därmed tillgängligt RAM-minne behöver skala med storleken på inspelningen (låt ungefär 2 GB för själva programmet). elektro~~POS=TRUNCal datafiler större än 130 GB i storlek har framgångsrikt sorteras i både Windows och Linux-miljöer. Alternativ nås via vanliga Windows-menyer, ett verktygsfält och dialogrutor. Layouten av objekt på menyn matchar ungefär ordning av verksamheten i sortering, som börjar med "Arkiv" menyn till vänster för inmatning av data och "Export" menyn till höger möjliggör export av sorterade data. Verktygsfältet knappar ger genvägar till vanliga menyalternativ.

Kanal konfigurationsfil

Många inspelning dataformat inte lagra kanalplatser. Det är dock viktigt för spik sortering känna dessa. Kanaler kan också vara numrerade på olika sätt genom förvärv programvara: SpikeSorter kräver att kanaler är numrerade i följd, med början med kanal 1. Således en hjälpelektrod konfigurationsfil måste skapas som kan mappa kanalnummer för att följa den sekventiella regeln, och lagra kanal locheten. Kanalen konfigurationsfilen är en textfil med en enda rad av text för varje kanal. Den första raden i filen lagrar en textnamn, upp till 16 tecken lång, som identifierar elektroden. Siffrorna i efterföljande rader kan separeras med flikar, en enda kommatecken eller mellanslag. Det finns fyra siffror i varje rad som tillhandahåller (i ordning): kanalnumret i filen, kanalnumret till vilket det skall mappas (dvs. det nummer som kommer att användas av SpikeSorter), och x- och y-koordinaterna för kanal, i mikroner. X-koordinaten skulle normalt tas så vinkelrätt mot riktningen för elektrod införing och y-koordinaten i enlighet därmed skulle vara djupet in i vävnaden. Konfigurationsfilen måste placeras i samma katalog som den inspelade filen. Det finns en viss flexibilitet i hur det kan namnges. Programmet kommer först söka efter en fil som har samma namn som rådatafilen, men med en .cfg förlängning. Om den filen is hittades inte, kommer det att söka efter filen "electrode.cfg". Om filen i sin tur inte hittat ett felmeddelande genereras för att indikera en brist på informationskanal layout.

Protocol

1. inställningsprogrammet

1. Gå till http://www.swindale.ecc.ubc.ca/SpikeSorter att ladda ner programmet. Kopiera den medföljande körbara filen till den katalog som du väljer. Läs den medföljande dokumentationen.
   OBS: Ingen formell installation eller sammanställning krävs.
2. Innan du öppnar en fil som ska sorteras, se till att det finns tillräckligt med ledigt minne för att innehålla hela den tid inspelningen. Kontrollera också att en giltig kanal konfigurationsfil, som beskrivs i dokumentationen, finns i samma katalog som datafilen.
3. Starta programmet och sedan gå till "Arkiv - Öppna" och välja inspelnings filformat från listrutan längst ned till höger i följd öppna fildialogrutan. Välj den fil som ska öppnas, klicka sedan på "Open".
4. När behandlingen är klar, inspektera spänningsinspelnings displayen. Dubbelklicka på skärmen (eller gå till "Visa - Spänning Record) för att få upp en dialogruta med kontroller som ger alla part av inspelnings vågform som ska visas.
   OBS: dubbelklicka på andra skyltfönster kommer ofta ta upp tillhörande dialoger.
5. Efter dialogen avslutas, för musen över vågformerna för att visa vissa spänningsvärden i det övre vänstra hörnet på displayen. Använd rullningshjulet för att zooma in på någon del av skärmen. Håll ner vänster musknapp för att dra fönsterinnehållet.
   OBS: Denna display ofta uppdateras för att återspegla tillägg av nyupptäckta händelser, eller för att indikera genom färger och / eller siffror, deras kluster uppdrag efter klustring.
6. Om inspelningen är ofiltrerad och innehåller det lokala fältet potential, ta bort det genom att gå till "Pre-Process - Trans / filter (eller klicka på filterikonen i verktygsfältet). Välj "High-pass Butterworth Filter", sedan en lämplig gränsfrekvens och antalet poler, och sedan trycka på "Gör-det!". När filtreringen är klar, inspektera den nya vågformen i spänningsvågenformulär fönster.
   OBS: Filtrering sker i Fourier-domänen, är icke-kausal, och inför inte fasdistorsion av vågformerna. Under en lång inspelning, kan filtrering ta flera minuter.
7. Därefter kontrollera kanaler som kan vara felaktiga och måste maskeras. Gå till "Pre-process - Channel kontrollera" (eller klicka på krysskanalikonen) och sedan inspektera diagrammet som visas. Diagrammet visar förändringen i signal korrelation mellan kanalpar som en funktion av deras rumsliga separation ^5. Kanaler som bryter mot detta förhållande kan inte fungera ordentligt. För att se några sådana outliers, klicka på "enda kanal netto avvikelser".
   1. Att maskera en avvikande kanal antingen välja kanalnummer, eller välj det problemet listan. När denna dialog avslutas, klicka på "Ja" på frågan om du vill spara maskvärdena.
      OBS: Denna fil kommer att ha samma namn som inspelningsdatafilen, men med tillägget .msk. Det kommer att läsas automatically när samma datafil öppnas.

2. Händelse Detection

1. Gå till "Pre-process - Händelse Detection" för att få upp dialogrutan händelsedetektering (Figur 1). Denna dialog erbjuder också möjlighet att maskerings kanaler baserat på deras bullernivåer (även om dessa kommer ofta att detekteras av de tidigare testerna). Till exempel, kan en kanal som har avsiktligt jordad har en mycket låg ljudnivå.
2. Använd reglaget längst upp till höger för att inspektera bullernivån på vissa kanaler. Noggrann kontroll av spännings displayen kan också avslöja tysta eller ovanligt bullriga kanaler som måste maskeras.
3. Välj en tröskelmetod för händelsedetektering. Använd hjälpknappen i grupprutan för mer information om de olika alternativen. "Variable" tröskel, med en tröskel på 4.5X - 6X buller ^7, rekommenderas. Använd kontrollerna på längst upp till vänster för att välja hur bullernivån beräknas för thär syftet.
4. Välj detektionsmetoden från listrutan. "Dynamic multiphasic filter" är den rekommenderade metoden. Detta kräver specifikation av en temporal fönster. Ställa in fönstret för att vara ungefär halva bredden av en typisk spik. Mycket smala värden partiskhet upptäckt till smalare spikar men effekten är inte stor. Värden i intervallet 0,15 - 0,5 ms rekommenderas ^12.
   OBS: De värden som visas är i heltalsmultiplar av samplingsintervallet (reciproka värdet av samplingsfrekvensen).
5. Välj inriktningsmetoden. Välj det alternativ som bäst identifierar en enda temporärt lokaliserad egenskap av spikarna som håller på att sorteras, t.ex. en "positiv topp" kan vara ett dåligt val om många spikar har mer än en positiv topp. För många inspelningar, kommer en "negativ tråg" vara det bästa valet. Andra alternativ kan vanligtvis behålla sina standardvärden. Tryck start'.
   OBS: händelsedetektering kan take från flera sekunder till flera minuter, beroende på längden på inspelningen och antalet kanaler.
6. Tryck på "Klar" för att stänga dialogrutan. Inspektera händelser, som visas i grått, i fönstret spänningsvågformen. Kontrollera att signaler som ser ut som händelser har upptäckts.
   1. Om inte, överväger att köra händelsedetektering med en lägre tröskel upptäckt. Akta dock att mycket låg amplitud spikar kan vara svårt att sortera och att ett stort antal av dem kan hindra sortering av större amplitud spikar. Kontrollera också uppenbara dubbletter eller ett misslyckande att lösa närliggande spikar och justera spatiotemporala lockout fönsterparametrar i enlighet därmed.
      OBS: I detta skede händelser identifieras genom sina tider av händelsen och ett kanalnummer. Normalt är den kanal på vilken topp-till-topp-amplituden hos dubben är störst. Händelserna icke-klustrade initialt, så var och en har ett kluster tilldelning av noll.

3. Sortering OBS: Nästa steg är normalt inte utförs före rutin sortering, men det är mycket bra att göra det vid sortering för första gången, eller när de möter okända data.

1. Gå till "Sortera - Konvertera kanaler kluster". Detta skapar en enda kluster för varje omaskerade elektrodkanal, förutsatt att varje kanal har vissa händelser som den tilldelats. Undersök dessa kluster genom att gå till "Review - Visa Clean och Split kluster". Detta tar upp en annan dialogen (Figur 2). Använd rotationskontroll (uppe till vänster) för att välja klustret som ska visas.
   OBS: Den fasta blå (cyan) linje är genomsnittet av alla vågformer i klustret och kallas kluster mall i det följande. Den huvudkomponenter (PC) fördelning av händelserna i klustret visas i fönstret nedan. Dessa kommer ofta avslöja förekomsten av två eller flera subclusters.
2. Tryck på "justera" för att ändra tiden för varje händelse(vilket resulterar i små sidled förskjutningar av vågformerna på displayen) för att bättre matcha det till formen av mallen, gör detta ofta gör subclusters mer kompakt och distinkt och ibland minskar det antal (Figur 3).
3. Välj ett kluster som har två eller flera distinkta subclusters och tryck på "Autosplit. Om subclusters identifieras i datorns bildskärm, kommer de vara färgade. Som en övning, använd en av de små "split" knappar för att skapa ett nytt kluster och undersöka det. Sortering kan fortsätta manuellt detta sätt, men i stället gå tillbaka och använda snabbare autosort förfarande.
4. Gå till "Sortera - Autosort" (eller tryck på autosort knappen i verktygsfältet) för att börja automatisk sortering. Den resulterande dialogrutan visas i Figur 4. Den presenterar en mängd olika alternativ.
   1. Låt "hoppa händelsedetektering alternativet kontrolleras om händelsedetektering har redan gjorts. Om den inte är markerad, kommer händelsedetektering körasmed hjälp av parametervärden och val som ärvts från dialogrutan händelsedetektering. Eftersom händelsedetektering har redan gjorts, lämna det alternativet markerat.
   2. I "kluster" panel nedan för att välja tidsfönster tillräckligt stort för att rymma hela den spik vågformen före och efter inriktningspunkten, men inte mer. Använd det här fönstret för att blockera ut regioner i spetsen vågform, t.ex. långa variabla afterpotentials, om de verkar störa (eller bidra lite till) sortering. Vanligtvis värden i intervallet ± 0,5 ms är lämpliga. Liksom andra tidsfönster, är fönstret ett helt antal samplingspunkter, så tids värden som visas är multiplar av samplingsintervallet.
   3. Därefter väljer en omläggning möjlighet att utnyttjas under klustring. Detta kommer att använda sig av mallen vågformen och arbetar mer robust än i det ursprungliga fallet med händelsedetektering där kriteriet måste tillämpas på relativt bullriga individuella sgädda vågformer. Den rekommenderade alternativet är "topp vägda kugge" men "negativa tråg" kan vara bättre om det är en konsekvent inslag i spik vågformer.
   4. Välj en minsta klusterstorlek. Kluster med mindre än det antal spikar kommer att tas bort, vilket förhindrar ansamling av ett stort antal små, möjligen falska, kluster under sortering.
   5. Bestäm antalet dimensioner i PC-utrymme som kommer att användas för klustring. Två är i allmänhet tillfredsställande, men något bättre resultat kan erhållas med tre, om än med en längre sorterings tid.
   6. Lämna de andra alternativen på standardinställningarna. Använd knappen Hjälp för att få mer detaljerade förklaringar av de olika alternativen.
5. Tryck på "Start" för att börja den autosort. Kanal baserade kluster först bildas såsom illustreras i steg 3,1. Dessa är nu bearbetas i sin tur bilda nya kluster genom avspjälkning av enskilda underkluster, en i taget. Varje gång ett nytt kluster är spupplysta av, på datorn värdena räknas om och visas. Detta fortsätter tills ingen enskild kluster kan vara ytterligare splittring.
6. Följ anvisningarna i displayen, där subcluster som kommer att delas ut från moder klustret visas i rött.
   OBS: Ibland sista klustret är röd med ofärgade avvikande värden som inte bildar en distinkt subcluster. Dessa extremvärden kommer vanligtvis att raderas. Under denna process antal kluster ökar gradvis. När den är klar, är klusteröverlappnings index beräknas för varje berättigad kluster par. Par som har stor överlappning värden automatiskt samman, medan par som har mellanöverlappnings värden (standardintervallet är 0,1 till 0,5) slås ihop och sedan Resplit. Mellanliggande värden tyder på att det finns två olika grupper, men att vissa punkter misassigned. Under detta skede antalet kluster minskar typiskt och antalet stabila kluster ökar.

4. Anpassning

1. Om du använder programmet för första gången (eller möjligen under nästa steg), anpassa fönsterstorlekar och positioner. Gå till "Arkiv-Inställningar". Välj storlek för de olika fönstren genom att välja fönstertyp från rullgardinsmenyn och justera storleken för att passa skärmen. Avsluta dialogrutan och placera fönstren för att på bästa sätt utnyttja skärmen.
2. I dialogrutan väljer skalnings värden som bäst passar layout och avståndet mellan kanalerna på elektroden och spikar i inspelningen. Det finns en autoskalning alternativ, men detta kan inte alltid välja de bästa värdena. Stäng av den om den inte gör det.
3. Markera alternativet Sticky parametrar: Om alternativet är markerat, kommer ändringar i sorteringsparametervärden (t.ex. som användes i händelsedetektering) sparas och ärvt nästa gång programmet startar. Detta kan vara användbart, men kräver också att parametervärden kontrolleras för att säkerställa att de inte har slarvigt ändrats olika alternativ undersöks eller som ett resultatatt läsa i olika arbetsregister. Alternativ för att ändra sub-kluster färger finns också.
4. Var försiktig att ändra antalet processortrådar. Det optimala antalet är vanligen en mindre än antalet fysiska (inte virtuella) CPU-kärnor. Ökning av antalet trådar kan inte påskynda behandlingen och kan även resultera i en allvarlig nedgång.

5. Merge och Split

1. Efter autosort är klar, klicka på "Nästa" för att gå till manuellt styrd slå samman och dela scenen. De resulterande dialogrutan visas i det nedre vänstra hörnet, antalet återstående tvetydiga kluster par som behöver undersökas, liksom antalet stabila kluster.
2. Tryck "Börja". En annan dialogruta tillsammans med den första av paren som skall undersökas.
3. Välj om du vill slå samman paret, resplit det (vilket resulterar i en lägre överlappning värde), att märka paret som "distinkt", vilket innebär att värdet på överlappningen index kommer att ignoreras, or att märka paret som "tvetydig", vilket innebär att det anses osäkert om spikarna är från samma eller olika enheter.
   1. Klicka på kryssrutorna för att visa en graf över spik parametrar (peak-to-peak (PP) höjd, eller den första (PC1) eller andra (PC2) av de viktigaste komponenterna) vs tid, och / eller auto och tvär korrelations histogram.
      OBS: Visningen av PP höjd kontra tid är ofta mycket användbart vid beslut om att slå samman två kluster. Om höjderna av spikarna i en enhet smälter in dem i en annan samtidigt som en enhet stannar bränning och den andra börjar det är mycket mer sannolikt än inte att de är samma enhet och bör slås samman. Kors correlograms kan avslöja en stark tidsförhållande mellan spik gånger i två kluster. Om tvär correlogram har en stark, asymmetrisk topp vid en mycket kort tidsintervall (t ex i närheten 5 - 10 ms) och i synnerhet om den andra spiken är mindre än de granart, de två enheterna är mest sannolikt en enda enhet som är bränning spik paren i vilken den andra är mindre än den första på grund av Na ⁺ kanalanpassning.
   2. I de fall där beslutet att gå samman är inte lätt, märka paret som "tvetydig" och behandla kluster följaktligen i efterföljande analyser.
4. Om sammanslagningen och split-alternativet är inte att hitta klart avskiljbara kluster, använd skjutreglaget i uppmanas dialogrutan för att manuellt variera klustring parameter (en rumslig bandbredd, Sigma), tillsammans med uppsättningen av samgående knappar, för att hitta en splittring som ser tillfredsställande . Använd "Återställ" knappen för att gå tillbaka till det ursprungliga tillståndet av de två klustren. Tryck "Split som visas" för att avsluta. Notera mer än två kluster kan framställas genom detta förfarande.
5. Fortsätt med denna process tills det inte finns några fler par att inspektera. Den stora majoriteten av kluster bör nu anges som "stabil".
6. Om vissa klusterparen har mycketlåga index överlappning, så att de ignoreras av guidade merge (men det finns fortfarande bevis för att slå samman dem), gå till "Review - Jämför kluster par" menyalternativet (eller klicka på den tillhörande ikonen i verktygsraden) och öppna dialogrutan som visas i figur 5. Använd rotationskontrollerna längst upp i dialogrutan för att välja någon par av kluster för jämförelse.
   OBS: Som med guidad merge och split, är par in i en sorterad lista, men i detta fall jämförelsemått utöver klustret överlappnings index finns.
   1. Välj "normaliserade skalärprodukten alternativet från rullgardinsmenyn. Detta beräknar korrelationen mellan mallvärden. Det är okänslig för multiplikativa skalvariationer och är väl lämpad att plocka ut kluster par som är en artefactual resultat av topp-till-topphöjden variabilitet.
   2. Tryck på "mest liknar" knappen i mitten av dialogrutan för att visa den mest liknande par. Använd horizontal spin kontroll under knappen för att gå framåt eller bakåt i listan. Använd korrelationsfönstret och PP höjden kontra tid till att fusionerande beslut, precis som för användaren guidad sammanslagning och splittring. Observera att listan räknas efter varje fusionerande operation. Denna jämförelse steg är öppen ände, och det är upp till användaren att avgöra hur stor utsträckning för att söka efter bevis till förmån för sammanslagningar.

6. Review - Efterbehandling

1. Gå nu till "Review - Efterbehandling (eller klicka på lämplig ikon i verktygsfältet). Den här dialogrutan (Figur 6) erbjuder alternativ att lägga till eller ta bort händelser från kluster, samt möjlighet att radera hela kluster med signal-brusförhållanden (SNR) som faller under ett tröskelvärde. Dubbletter händelser (händelser som inträffar samtidigt i ett kluster) kan skapas genom inriktnings fel under sortering. Händelser som är långt bort från sin ursprungliga plats kan sometimes vara flyttas; de kan också tas bort när omlokalisering inte fungerar.
2. Använd inriktnings rengöring för att ta bort händelser från kluster som är en dålig match till mallen. Använd "Recluster" för att göra det omvända, det vill säga att överlåta icke-klustrade händelser som är en bra matchning till en viss mall. De återvunna händelser är markerade som en subcluster varje moder kluster och kan inspekteras med hjälp av dialogrutan "Visa, rena och delade kluster". Dessa händelser kommer att förbli i klustret (och exporteras som sådan) om de inte tas bort (använd små "ta bort" knappen för första subcluster). För att återgå till dialogrutan efterbehandling, använd 'delete-knappen och spin kontroll bredvid den att ta bort kluster med en SNR mindre än den valda tröskeln.
3. Även kluster siffror går kontinuerligt från ett till N, där N är det totala antalet kluster, den verkliga numreringen av kluster i slutet av sorteringen är nära enrbitrary. Använd "Sort" för att numrera kluster enligt en vald kriterium, t ex vertikal position på elektroden, eller kanalnummer. Observera att med undantag av strykningen av dubbla händelser, finns det för närvarande inga objektiva bevis för att stödja vissa val i denna dialog som är bättre än andra.
4. I något skede under de manuella rutiner av det slag är det möjligt att spara en fil som innehåller aktuella parametervärden, sorteringsalternativ, händelsetider, kluster egenskaper och meddelandeposten. Skapa den här filen genom att gå till "Arkiv - Spara arbetsfilen. Ge filen ett namn som tydligt är relaterat till det av datafilen och tryck på "Spara". Återuppta sortering vid ett senare tillfälle genom att först öppna den ursprungliga inspelade filen, följt av högpassfiltrering (om det görs från början). Öppna sedan den sparade arbetsfilen. Programmet kommer då att vara i ett tillstånd identisk med den som den var i när arbetsfilen sparades. Arbetet fil är också en resladd hur sorteringen gjordes - de parametrar som används och av de meddelanden som utfärdas under sortering.
5. Slutligen, exportera klustrade händelser. Gå till "Export - sorterade spik filer" (eller klicka på motsvarande knapp i verktygsfältet). Välj "CSV-fil (kommaseparerade variabel) från rullgardinsmenyn och klicka sedan på" Spara som ". Välj ett namn på filen som innehåller den exporterade CSV-data för de sorterade enheterna.
   OBS: Denna textfil kommer att ha en enda rad för varje händelse som innehåller, i ordning, tiden för händelsen (i sekunder till närmaste 10 ps), klusternummer (från 1 och uppåt) och numret på den kanal som tilldelades till händelsen. Observera att den tilldelade kanalen inte kan vara samma för alla händelser i ett kluster om händelserna inte var genomgående större på en särskild kanal.

Representative Results

Figur 7 visar displayen (erhållen genom att gå till "Visa - Sorterade vågformer) för en typisk sorterad inspelning. Standardvisningsalternativ är bara för att visa vågformer på centerkanalen för varje kluster. En vanlig erfarenhet är att vågformer för ett kluster par på samma kanal ser identiska, men när "Jämför par" dialog används för att undersöka de två klustren finns tydliga kluster i PC projektion, oftast beror på skillnader vågformen på angränsande kanaler . Detta är sant, till exempel, av vågformerna på kanal 62 i fig 7.

Som nämnts ovan, är det inte ovanligt att hitta kluster par där samgående beslut måste baseras på amplitud-tids tomter och på tvär correlograms. Figur 8 visar ett exempel på en sammanslagning beslut baseras delvis på tvär correlogram. En mycket stark, asymmetric korskorrelation med korta tidsintervall (figur 8B) som är kopplad med en skillnad i den topp-till-topphöjden av enheterna och liknande bränning mönster (figur 8E) antyder starkt att de spikar kommer från samma neuron. Figur 9 visar ett fall där samma typ av bevis för sammanslagning saknas. Här är tvär correlogram svag och inte starkt asymmetrisk. Dessutom formerna på autocorrelograms hos de två klustren är olika (figur 9A). Förmodligen bör de två enheterna inte slås samman på grund av den extra tydlig skillnad i fördelningen av de viktigaste komponenterna (figur 9C). Figur 10 visar ett fall där de PP höjderna av två enheter smälter samman samtidigt som en av dem stannar bränning och de andra återupptas. I det här fallet verkar stämma beslutet att slå samman, även om man inte kan utesluta möjligheten att enheter samordna sina bränning mönster ikomplexa sätt och att likheten i höjd är oavsiktlig.

Dessa exempel illustrerar svårigheten att erbjuda fast vägledning om hur man gör samgående beslut. Detta förvärras av den allmänna bristen på objektiva mått för att utvärdera den övergripande kvaliteten på spik sortering och effekterna av parameterförändringar. Detta är på grund av bristen på marken sanning information vilken, för spik sortering, skulle bestå av intracellulära inspelningar (eller motsvarande) från varje neuron som var tillräckligt nära en inspelning elektrod för att ge upphov till detekterbara extracellulära signaler. Trots denna begränsning finns det surrogat för mark sanning uppgifter och det är inte orimligt att anta att en förändring av sorterings strategi som resulterar i bättre prestanda på surrogat uppgifter kommer att leda till bättre prestanda med verkliga data. De ersättningar inkluderar riktiga MEA registrering av uppgifter i vilka spikar, tagna från inspelningen, läggs tillbaka i recording till kända gånger på olika kanaler, där de inte kan förväxlas med de ursprungliga spikar. Ett sådant test legat till grund för en spik sorterings tävling organiserad av G. Buzsáki och T. Harris höll på Janelia gård 2013. Surrogat data som genereras från inspelningar som gjorts i thalamus eller hippocampus hos fritt rörliga råttor (A. Peyrache, A. Berenyi och G. Buzsáki, opublicerade data). Spike signaler som det fanns "mark sanning" genererades genom att ta spikar från en enhet som spelats in på ett skaft och lägga till dem i inspelningen på en annan skaft vilket garanterar att förhållandet mellan den spik tåg med bakgrundsaktivitet och hjärntillstånd bevarades. Inspelningar innehöll faktiska spiking aktivitet utöver de extra mark sanning spik tåg. De falska positiva värden för SpikeSorter var 0,26% och 0,01% för två olika testuppsättningar medan motsvarande falskt negativa resultat var 2,1% och 0,37% (A. Peyrache, personlig kommunikation). Dessa priser var bland than bäst av tävlingen, men ännu viktigare är de låga och förmodligen acceptabel för de flesta typer av neurofysiologisk analys. En annan metod är att använda mycket detaljerade storskaliga biofysiska simuleringar av nätverk av nervceller för att generera simulerade extracellulära inspelningar från specificerade MEA mönster. Forskare för närvarande arbetar på MEA sorteringsmetoder uppmanades att sortera provsimuleringar av detta slag ^15. Fem olika sorteringsalgoritmer jämfördes. Det finns olika sätt att utvärdera sortering prestation och av de olika grupperna varierade beroende på vilka åtgärder som användes, utan en grupp är uppenbarligen bättre än någon annan. SpikeSorter resultat föll inom området av resultat som erhålls med de olika grupperna.

Figur 1. Dialog Händelse Detection. denna proVides alternativ för att välja metoden för bullermätning, för maskerings kanaler, sätta tröskelvärdena och metoder för att tillämpa dem, och för att välja metoder för att undvika händelsen dubbel. I detta och andra dialoger, är information om de val som tillhandahålls av knapparna som identifierats av frågetecken ( "?").

Figur 2. View, ren och Dialog Split. Detta ger möjligheter för visning kluster vågformer, identifiera och ta bort avlägsna vågformer, för att dela kluster i ett eller flera subclusters, och för att radera eller bilda nya grupper från subclusters. Subclusters identifieras av de färger som visas. (Dessa kan ändras i dialogrutan Inställningar.)

Figur 3. Effekt av Justera händelser till en opålitlig Feature. Figuren visar data från en enda kanal-baserade kluster, definierade som uppsättningen av händelser vars topp-till-topp vågformsdata spänningar var störst på en viss kanal. Panel A visar en delmängd av 50 vågformer händelse från detta kluster, overplotted på olika elektrodkanaler. Kanalnummer visas i övre vänstra hörnet av varje uppsättning vågformer. Svarta prickar bredvid ett kanalnummer indikerar att kanalen har tilldelats till denna särskilda klustret. Kanaler läggs ut i samma rumsliga ordning som de har på elektroden. Horisontella axlar visar tid och den vertikala axeln, spänning. Den horisontella positionen för den vertikala axeln indikerar inriktningspunkten, det vill säga varje händelse är placerad så att dess inriktning punkt sammanfaller med axeln. Den scalebar längst ner till vänster i panel A visar 0,5 ms och 100 μV. Blå linjer i A indikerar medelvärdet av varje uppsättning vågformer (mallen). Kanal 24 (nedtonad) maskeras. Händelser är anpassade till den mest negativa lokalt minimum av vågformen (negativ tråg) bestämd omedelbart efter händelsedetektering. Panel B visar fördelningen av de 2 första huvudsakliga komponenter som härrör från alla vågformerna i klustret. Tre subclusters är synliga i denna fördelning. Panel C visar samma uppsättning av händelser efter linjeuppställning dem till mallen vågformen. Den huvudsakliga komponenter utgåvan (panel D) visar nu bara två subclusters (som identifieras i rött). Ytterligare undersökning visade att en falsk kluster i B orsakades av inriktning av en underuppsättning av händelser till en andra negativ tråg (den långsammare negativa efter-potential) som i vissa fall var mer negativ än den första. Några av dessa felinriktade händelser syns i panelen A som vågformer vars form matchar inte resten._blank "> Klicka här för att se en större version av denna siffra.

Figur 4. Autosort Dialog. Detta ger händelseidentifieringsalternativ, klustring alternativ och alternativ för automatiserad sammanslagning och delning av kluster par efter det första automatiserade hopningssteget.

Figur 5. Dialog Jämför Cluster par. Detta ger möjligheter att välja kluster par, jämförelseåtgärder (Match metod), söka igenom listor av par som beställts av jämförelsevärdet, alternativ för att visa correlograms, visar tomter PP höjd (eller PC1 eller PC2) vs tid, och en möjlighet att slå ihop parvis.

>
Figur 6. efterbearbetnings Dialog. Detta ger alternativ för att flytta och / eller ta bort dubbletter händelser, för att ta bort eventuellt bullriga händelser, för reclustering icke-klustrade händelser, för att ta bort kluster med en låg signal-brusförhållande (SNR) och för omnumrering (sortering) kluster enligt olika kriterier.

Figur 7. Visning av Sorterade enheter visar slumpmässigt utvalda, Overplotted vågformer Färgat Enligt Cluster nummer. För tydlighets skull visas endast mittkanalen vågformen för varje kluster visas. Data (från Mitelut & Murphy, opublicerad) visar lägre 14 kanalerna i en 64-kanal elektrod inspelning från mus syncentrum.

ad / 55.217 / 55217fig8.jpg "/>
Figur 8. Exempel på bevis som kan föras Bear om ett beslut om att inte slå samman två kluster. De jämför kluster dialogrutan (Panel A) användes för att söka efter kluster par med liknande former vågform, ignorera amplitud (normaliserad punktprodukten match metod). Panel B visar autocorrelograms (AC) och tvär correlogram (CC) för de två klustren, med två olika bin bredder (0,2 och 2 ms). Dessa visar att spikar i den andra kluster (enhet 53) har en mycket stark tendens att förekomma antingen 4 eller 8 ms före spikar i den första (enhet 28). Fält C visar spik formerna hos de två enheterna och visar att den andra (visas i grönt) har en mindre spik än den första också. Panel D visar PC fördelningen av de två kluster. Panel E grafer PC1 (vertikal axel) av de två enheterna i de två enheterna (röd och grön respektive) vs. </ Em> tid (visas i minuter) under hela perioden av inspelningen. Se text för ytterligare beskrivning. Klicka här för att se en större version av denna siffra.

Figur 9. Exempel på ett kluster par där det finns mycket mindre bevis för sammanslagning. Panel A visar att de autocorrelograms (AC) och den tvär correlogram (CC) för de två kluster har olika former. Panel B visar den medelvärdes mall vågform och standardavvikelser (skuggning indikerar ett SD-enhet) för att visa skillnaderna i vågform tydligare. Fält C visar PC-fördelningen av de två kluster. Panel D plottar topp-till-topphöjden (vertikal axel, μV) av de två enheterna kontra tid under the hela perioden av inspelningen. Se text för ytterligare beskrivning. Klicka här för att se en större version av denna siffra.

Figur 10. Bevis för samgående Baserat på Tänd Mönster och de viktigaste inslagen Variation. Panel A visar vågformerna för de två kluster (röda och gröna). Panel B plottar PC1 (vertikal axel) mot tid (horisontell axel) för de två kluster och visar ett komplementärt mönster av eldning med PC1 värdena är liknande vid tiden en enhet slutar bränning och de andra börjar. Detta stöder ett beslut att gå samman, trots förekomsten av distinkta kluster i PC fördelningar (Panel C).

Discussion

filformat

För närvarande filformat som stöds inkluderar Neuralynx (.ntt och .ncs), Plexon (.plx), Neuroscope (xml + dat), multikanalsystem (.mcd), Blackrock (.nev) och Intan (.rhd). För stöds format, finns det två alternativ. En är att begära tillägg av filformatet till en kommande version (en e-postlänk till utvecklaren finns i "Hjälp - Om" dialog). Den andra är att konvertera filen till ett format som stöds. En enkel möjlighet är att använda tids spike-format ".tsf". Detta bare bones format innehåller spännings rekord och kanallokaliseringsuppgifter plus register över händelser och kanalen och klusteruppdrag efter sortering. Läser dessa filer är ofta snabbare än för andra format. Oberoende av att hantera stöds format kan det vara praktiskt att spara filtrerade data i en .tsf fil (detta format ingår bland exportalternativen) eftersom detta kommer att undvika behovet av efterföljande tidskrävande filtrering. Detaljer om .tsf format ingår i dokumentationen som följer med programmet.

Underordnade filer

Två sido filer används för att lagra parametrar, ss_prefs.sav och ss_parameters.sav. Filen "ss_prefs.sav" sparar endast användarvalda värden som inte har någon direkt effekt på sortering och är mindre sannolikt att behöva förändras, till exempel fönsterstorlekar och positioner, spänning och andra skalvärden. Om ss_prefs.sav inte existerar, är det skapas när "Apply" -knappen i den aktuella dialogrutan trycks eller när programmet avslutas. Om "klibbiga parametrar" alternativet i denna fil är inställd, är en separat fil "ss_parameters.sav" används för att lagra valbara parametervärden och alternativ som påverkar resultatet av sortering liksom många visningsalternativ. Denna fil sparas eller uppdateras, när programmet avslutas via normala "File - Exit" väg (men inte när programmet "Close"knappen (överst till höger) används). I avsaknad av denna fil vid start, är standardvärden används.

program Gränser

Den gräns för längden av inspelning som kan sorteras bestäms av mängden RAM-minne på datorn. En PC med 16 GB RAM kan i allmänhet hantera råfiler på upp till 13 GB-14 GB i storlek (2 GB mindre än den totala RAM) om minnet inte används för andra ändamål. Andra begränsningar, t.ex. på det maximala antalet kanaler, maximal klusterstorlekar, etc. kan variera med programversion och framtida uppgraderingar. De kan ses genom att gå till "Hjälp - Om".

Ytterligare egenskaper

The View erbjuder dialog ren och delade kluster flera alternativ för manuell definition av kluster gränser. De inkluderar användning av musen för att rita en ellips i PC display fönstret, för att rita en rektangel i PP amplituden (eller PC1 eller PC2) gentemot tid display, och att dra diskriminera ion fönster i huvud vågformen display. Dessa kan var och en användas för att skapa subclusters (någon existerande subclustering skrivs över). Dialogrutan måste avslutas innan något av dessa objekt kan dras. Genom att trycka på motsvarande knapp i dialogrutan ( "Windows", "Ellipse" eller "rektangel") skapar subcluster.

En strategi dialog (Sort - Strategy) visar en mängd olika sorterings parametrar som är mindre sannolikt att behöva ändras, men som kan ha en betydande effekt på sortering. Dessa inkluderar, till exempel, parametrar som avgör tilldelningen av kanaler för att kluster och valet av tidpunkter som bidrar till beräkningen av huvudkomponenterna för varje kluster. Dialogrutan Hantera kluster erbjuder mer detaljerad information om enskilda kluster än tillhandahålls av View, ren och dialog delade kluster, eller genom efterbearbetning dialogen. Det finns också mer varierade alternativ för att radera kluster.

INNEHÅLL "> Kanaler visas i en viss vertikal ordning, kallas" sorteringsordning ", i spänningsdisplayfönstret. Helst denna order kommer att återspegla den fysiska närheten av kanalerna, men det kan vara svårt att uppnå med tanke på att själva layouten är i två dimensioner. sorterings~~POS=TRUNC genereras genom att beräkna projektionen av kanalpositioner på en rad med en given vinkel i förhållande till y-axeln. sekvensen av kanalnummer på linjen är sorteringsordning. Detta beräknas automatiskt i många fall men det är möjligt att generera en annan genom att gå till "Visa - Förvärvs egenskaper".. alternativet att visa kanaler i nummerordning finns också Observera att ordningen på displayen har ingen effekt på sortering.

andra tillvägagångssätt

Andra mjukvarupaket för att göra spik sortering existerar. Dessa inkluderar kommersiella program som Offline Sorter (http://www.plexon.com/products/offline-sorter), som well som fri programvara som MClust (AD Redish: http://redishlab.neuroscience.umn.edu/MClust/MClust.html), Klustakwik (KD Harris: https://sourceforge.net/projects/klustakwik/), Wave_clus (RQ Quiroga: http://www2.le.ac.uk/departments/engineering/research/bioengineering/neuroengineering-lab/spike-sorting) och programmen Neuroscope och Klusters (http: //. neurosuite) ^16. En detaljerad jämförelse med dessa andra program, av vilka många är i allmänt bruk, ligger utanför ramen för detta dokument. En sådan jämförelse skulle innebära en mängd relaterade kriterier, bland annat användarvänlighet, pålitlighet, filformat, GUI design, dokumentation, automatiseringsgrad, beroende på hårdvaru- och programvarukomponenter, processorhastighet, anpassningsförmåga till MEA samt tetrodes, och, i den utsträckning som det är möjligt att mäta det, sorteringsnoggrannhet. I avsaknad av en detaljerad jämförelse, vi tror att SpikeSorter erbjuder en kombination av alternativ och stöd för spik slagsning som inte kan finnas i någon annan tillgänglig fristående spik sortering paket.

sorterings Kvalitet

Som nämnts ovan, till objektiva resultatmått som kan användas avgöra om ett förfarande eller val är bättre än en annan i stor utsträckning saknas. Beroendet av parametrar och behovet av frekventa input användare gör det också osannolikt att någon särskild sorts någonsin kan reproduceras. Detta i sig skulle begränsa användningen av utfallsmått, om de fanns. För att göra saken värre, är det långt ifrån säkert att exakt spik sortering är möjlig även i princip. Extracellulära inspelningar tillsammans med intracellulära inspelningar av närliggande enskilda celler finns ^{17, 18} men intracellulära inspelningar från angränsande par av nervceller som behövs för att bevisa att signaler från angränsande celler alltid kan urskiljas. De faktorer som kan orsaka extracellulära spänningssignaler från engiven neuron att variera över tid, såväl korta som långa, inte heller förstått och i praktiken kan lägga till betydande variationer (t.ex. Figurerna 8 och 10) som komplicerar sortering. För spik sortering vara en lösbar problem dessa förändringar måste vara mindre eller annan art än de minsta skillnader som kan uppstå mellan celler som ett resultat av positions skillnader. Förlitar sig på numeriska åtgärder för kluster kvalitet kan också vara problematiskt. Till exempel kan celler skjuta på priser som skiljer sig åt med tiopotenser ^{19, 20.} Inkluderandet av nästan alla av de spikar från en låg förbränningshastighet cellen bland de för en hög skotthastighet cellen kan ha liten inverkan på någon kluster kvalitetsmått, dölja det faktum att den sorteringskvaliteten av cellen låg hastighet skulle vara dålig eller icke- existerande. Med tanke på dessa utmaningar, metoder för att bedöma kvaliteten på sortering baserad på kluster överlappning^{8, 21} eller sortering stabiliteten i ansiktet av parametervariation ²² kan ge en falsk känsla av säkerhet. I stället föreslår vi att det kan bli nödvändigt att acceptera att spika sortering baseras på ofullständiga vetenskap. Sorterare kan få leva med en känsla av ofullkomlighet och lära sig att det kan vara bättre att ägna tid till mer produktiva former av dataanalys snarare än att ständigt försöka förbättra kvaliteten på ett slags.

Materials

Name	Company	Catalog Number	Comments
spikesorter.exe	N/A		http://www.swindale.ecc.ubc.ca/SpikeSorter