Miyadagi alohida neyronlarning elektr faolligini tushunishning eng kuchli yoʻllaridan biri hujayralar tashqarisiga joylashtirilgan elektrodlar orqali aksion potensiallarini qayd etishdir. Bu ekstrasellyulyar qaydlar, bugun bir vaqtning oʻzida yuzlab, hatto minglab neyronlarning otish vaqtlarini kuzatish imkonini beradi. Biroq qayd olish faqat boshlanishdir. Xom elektr signalidan ishonchli spike'larni ajratib olish, neyronlarni bir-biridan farqlash, qayd sifatini nazorat qilish, raster va PSTH grafiklarini yaratish, javob vaqtlarini oʻlchash va koʻp sonli neyronlarning umumiy dinamikasini tahlil qilish kerak.

Maik C. Stüttgen tomonidan ishlab chiqilgan MLIB, bu tahlillarning muhim qismini MATLAB muhitida imkon qadar past dasturlash chegarasi bilan bajarish uchun moʻljallangan ochiq manbali toolbox hisoblanadi. Funksiyalar vektor yoki matritsa shaklidagi spike vaqt tamgʻalari, eksperimental hodisa vaqtlari, toʻlqin shakllari yoki LFP signallari ustida bevosita ishlaydi va tahlillarning koʻpi bitta MATLAB buyrugʻi bilan chaqirilishi mumkin.

MLIB; spike sorting natijasining sifat nazoratidan raster plot va peri-stimulus time histogramigacha, spike-density function hisoblashidan javob kechikishigacha, ROC va mutual information tahlillaridan vaqt bo‘yicha yechimlangan koʻp omilli regressiyagacha, neyron populyatsiyalarini principal component analysis orqali past oʻlchamli trayektoriyalarga aylantirishgacha keng ish oqimini taqdim etadi. Toolbox tarkibida local field potential maʼlumotlari uchun evoked potential, spektral tahlil va current-source density funksiyalari ham mavjud.

Maqolaning maqsadi yangi bir spike-sorting algoritmi boshqa usullardan aniqroq ekanini koʻrsatish emas. MLIB spike sorting jarayonini oʻzi bajarmaydi. Buning oʻrniga mavjud spike-sorting dasturlaridan chiqqan waveform va spike timestamp maʼlumotlarini tekshirish, sifat nazoratidan oʻtkazish, vizuallashtirish va fiziologik savollarga qaratilgan tahlillarga olib oʻtish uchun modulli MATLAB qatlamini taʼminlaydi.

Ekstrasellyulyar spike qaydi nimani oʻlchaydi?

Neyron aksion potensiali hosil qilganda hujayra membranasidagi tez ion oqimlari atrofdagi elektr maydonini oʻzgartiradi. Neyron tashqarisiga joylashtirilgan mikroelektrod bu oʻzgarishni qisqa muddatli kuchlanish toʻlqin shakli sifatida sezishi mumkin. Bitta qaydda vaqt davomida minglab bunday hodisa boʻlishi mumkin.

Tajriba oʻtkazuvchi uchun asosiy maʼlumot odatda ikki darajada paydo boʻladi:

• Waveform namunalari: Har bir aniqlangan spike'ning vaqtga nisbatan kuchlanish shakli.
• Spike timestamp'lari: Spike yuz bergan vaqt nuqtalari.

Bularga tajribadagi stimuluslar, harakatlar, mukofotlar yoki xulq-atvor hodisalarining vaqt tamgʻalari qoʻshilganda, neyron faolligining eksperimental oʻzgaruvchilar bilan qanday bogʻliq ekani tekshirilishi mumkin.

MLIB neyrofiziologiya tahlilida qaysi muammoni hal qiladi?

MLIB xom yoki oldindan spike-sort qilingan elektrofiziologiya maʼlumotlaridan standart tahlillarni ishlab chiqarish uchun har bir laboratoriya qayta-qayta maxsus MATLAB kodi yozishi zaruratini kamaytirishni va ayniqsa dasturlash tajribasi cheklangan tadqiqotchilarga bitta-buyruqli, modulli va hujjatlashtirilgan tahlil funksiyalarini taqdim etishni maqsad qiladi.

Bitta ulkan dastur oʻrniga modulli funksiyalar

MLIB'ning dizayn mantigʻi barcha amallarni grafik foydalanuvchi interfeysida yashirish oʻrniga har bir tahlilni alohida funksiya holida saqlashdir. Foydalanuvchi MATLAB Command Window ichidan funksiyani chaqirishi, ixtiyoriy argumentlar bilan uning xatti-harakatini oʻzgartirishi va natijalarni kattaroq tahlil scriptlariga oʻtkazishi mumkin.

Manbaning Shakl 1'ida tavsiya etilgan umumiy oqim quyidagicha davom etadi:

1. Waveform detection va unit extraction.
2. Tashqi bir usul bilan spike sorting.
3. `mcheck` va `mcc` yordamida sorting sifatini tekshirish.
4. `mpsth`, `msdf` va `mwave` yordamida javoblarni vizuallashtirish va waveform xarakterizatsiyasi.
5. `mcvar` va `mlat` yordamida asosiy otish xususiyatlarini oʻlchash.
6. `mmi`, `mroc`, `mnspx`, `mvecstrength`, `mmultregress`, `mtune`, `mwa` va `mwa2` kabi funksiyalar yordamida kodlash xususiyatlarini tahlil qilish.
7. Bir nechta neyron uchun `mcluster` va `mdimreduct` yordamida populyatsiya darajasidagi tahlil.

MLIB'dagi funksiyalar qaysi guruhlarga ajraladi?

Spike Sorting Sifati MLIB bilan Qanday Nazorat Qilinadi?

MLIB spike sorting jarayonini bajarmaydi; buning oʻrniga sortingdan keyingi waveform klasterlari haqiqatan ham alohida va barqaror yakka neyronlarni ifodalash-ifodalamasligini waveform taqsimoti, refractory-period buzilishlari, qayd barqarorligi, principal-component ajralishi va turli cluster-quality mezonlari bilan tekshirishga yordam beradi.

mcheck: yakka birlikning sifat nazorati

Manbaning Shakl 2A–I panellari kaptar nidopallium caudolaterale hududidan qayd etilgan kam otuvchi bir neyronga tegishli 853 waveform orqali `mcheck` va `mwave` chiqishlarining namunasini koʻrsatadi.

Funksiya faqat oʻrtacha spike shakliga qarab qolmaydi. Xuddi shu waveform'larning vaqt–kuchlanish heat map'ini, choʻqqi va tub amplituda taqsimotlarini, inter-spike interval gistogrammasini, qayd davomida spike sonini va amplitude barqarorligini birgalikda tekshirishi mumkin.

Namuna birlikda aniqlash chegarasi sababli oʻtkazib yuborilgani taxmin qilingan spike ulushi taxminan

\[ 2\% \]

deb hisoblangan.

Shuningdek, aksion potensialining fiziologik refractory period'i hisobga olinadi. Manba taxminan 3–4 ms'dan qisqa ISI'lar ayni sogʻlom yakka neyrondan ketma-ket spike kelishi bilan mos boʻlmasligi mumkinligini taʼkidlaydi. Koʻrsatilgan namunada bu mezonni buzgan spike ulushi

\[ <0.5\% \]

darajasidadir.

`mcheck`, SNR, otish tezligining variation coefficient'i va amplitude variation coefficient'i kabi sonli koʻrsatkichlarni ham yaratadi. Manba shuningdek moslashtiriladigan svetoforga oʻxshash sifat tavsiyalari taqdim etilganini koʻrsatadi.

mwave: spike geometriyasini oʻlchash

`mwave`, oʻrtacha spike waveform'idan turli geometrik xususiyatlarni chiqaradi. Ular orasida:

• full width at half maximum,
• full width at half minimum,
• peak-to-trough duration,
• peak-to-trough amplitude,
• peak-to-trough ratio

bor.

Bunday waveform oʻlchovlari mos biologik va eksperimental kontekst bilan birga ishlatilganda qayd etilgan neyronlarning ehtimoliy hujayra turlari haqida yordamchi xususiyatlar berishi mumkin. Biroq waveform shakli oʻzi yakka holda aniq hujayra-tip identifikatsiyasi sifatida talqin qilinmasligi kerak.

mcc: ikki cluster haqiqatan ajraladimi?

`mcc`, bir nechta spike cluster'ining bir-biridan qanchalik yaxshi ajralishini baholaydi. Manbaning Shakl 2J–M namunasida ikki waveform guruhi principal component analysis'ga kiritilgan.

Dastlabki uchta principal component waveform variansining

\[ 44.8\% \]

qismini tushuntiradi.

Funksiya waveform'larning oʻz cluster markazlariga va boshqa cluster markaziga masofalarini solishtiradi. Bundan tashqari ROC asosidagi \(A'\) mezoni, J3, PseudoF, Davies–Bouldin turidagi indeks, \(L_{\mathrm{ratio}}\) va isolation distance kabi sifat metrikalarini taqdim etadi.

Manbada

\[ A'>0.98 \]

mukammal darajaga yaqin ajralish belgisi sifatida baholansa,

\[ A'<0.8 \]

juda zaif cluster ajralishiga ishora qiladi. Koʻrsatilgan namunada \(A'=0.99\).

PSTH, Raster Plot va Spike-Density Function Birgalikda Nimani Koʻrsatadi?

Raster plot har bir tajriba takroridagi spike vaqtlarini alohida saqlasa, PSTH ularni vaqt qutilarida jamlab oʻrtacha otish tezligini koʻrsatadi; spike-density function esa PSTH'ni tanlangan kernel bilan silliqlab, neyron javobining vaqt profilini va latency'sini oʻqilishi osonroq shaklda baholashga imkon beradi.

mpsth va msdf

Manbaning Shakl 3A'sida kalamush eshitish korteksidan yakka bir neyronning stimulus atrofidagi faolligi koʻrsatilgan. Yuqori qism raster plot, pastki qism PSTH'dir.

`msdf` funksiyasi PSTH'ni convolution kernel'i bilan filtrlab spike-density function yaratadi. Koʻrsatilgan namunada exponentially modified Gaussian kernel ishlatilgan va parametrlar

\[ SD=1\text{ ms},\qquad \tau=5\text{ ms} \]

deb berilgan.

Funksiya shuningdek boxcar, Gaussian va simple exponential kernel variantlarini ham taqdim etadi.

mlat bilan javob kechikishi

Neyronning bir stimulus boshlanganidan keyin qancha vaqtda ishonchli tarzda javob bergani ayniqsa sensor neyrofiziologiyada muhim oʻlchovdir. `mlat` shu maqsadda besh xil latency oʻlchovini taqdim etadi. Maqoladagi namunada ulardan uchtasi SDF ustida belgilangan.

Vaqt oynasi notoʻgʻri tanlansa axborot yoʻqolishi mumkin

`mwa`, spike sonlari bir referens vaqt oraligʻiga nisbatan qanchalik oʻzgarganini sliding-window AUROC tahlili bilan oʻlchaydi. Shakl 3B'da tahlil oynasining uzunligi 5–100 ms orasida oʻzgartirilgan va oynalar 10 ms'lik qadamlar bilan stimulus boshlanishi atrofida surilgan.

Namunada eng kuchli otish oʻzgarishi stimulus boshlanishidan taxminan

\[ 20-30\text{ ms} \]

keyin paydo boʻladi.

AUROC'ni eng yuqori qilgan oyna taxminan 50 ms uzunlikda va +20 ms atrofida markazlashgan:

\[ AUROC=0.77. \]

Bu namuna muhim tahlil prinsipini koʻrsatadi: spike sonini qaysi vaqt oynasida oʻlchashimiz neyron axborotining koʻrinishi yoki koʻrinmasligiga bevosita taʼsir qilishi mumkin.

Mutual information alternativi

ROC asosidagi farqlash bilan birga `mmi`, ikki shartdagi spike sonlari tashiydigan mutual information miqdorini hisoblash uchun ishlatilishi mumkin.

MLIB shuningdek `mmi_psych` nomli yordamchi funksiya orqali hit rate va false-alarm rate kabi xulq-atvor muvaffaqiyati oʻlchovlarini bit turiga aylantirib, neyron va xulq-atvor axborot oʻlchovlarini solishtirishga yordam beradi.

Vaqt boʻyicha yechimlangan koʻp omilli regressiya

Neyron faolligiga bitta tajriba oʻzgaruvchisi taʼsir qilmasligi mumkin. Xuddi shu spike train; stimulus turi, hayvon qilgan tanlov, olingan mukofot va boshqa xulq-atvor oʻzgaruvchilari bilan bir vaqtda bogʻliq boʻlishi mumkin.

`mmultregress`, spike sonlarini vaqt davomida suriluvchi oynalarda generalized linear model'ga kiritib, bu hissalarni ajratishni maqsad qiladi.

Maqolada kalamush dorsomedial frontal cortex qaydidan bir namuna ishlatiladi. Hayvonlar ikki xil 100-ms eshitish stimulusini farqlab oʻng yoki chap tanlov qiladi va taxminan

\[ 80\% \]

toʻgʻri performans koʻrsatadi.

Regressiya oʻzgaruvchilari:

• stimulus identity,
• choice response,
• reward

deb tanlangan.

25, 100 va 250 ms kenglikdagi vaqt oynalari solishtirilganda namuna neyron ayniqsa hayvonning tanlov javobi bilan bogʻliq ekani va bu bogʻliqlik taxminan stimulus boshlanishidan 250 ms keyin yaqqollashgani koʻrinadi.

Uzunroq tahlil oynalari kamroq shovqinli va yuqoriroq regressiya koeffitsientlarini hosil qilsa-da, buning evaziga temporal resolution yoʻqotiladi.

Tadqiqot Usuli va Natijalari

Dastur qanday ishlab chiqildi va sinovdan oʻtkazildi?

MLIB funksiyalari taxminan oʻn yillik davr davomida ishlab chiqilgan. Maqolada dastur MATLAB R2023b yordamida Windows 11 ishlaydigan standart desktop kompyuterda sinovdan oʻtkazilgani qayd etiladi.

Asosiy MATLAB oʻrnatilishidan tashqari ayrim funksiyalar Statistics and Machine Learning Toolbox talab qiladi. `mtune` uchun Curve Fitting Toolbox va Signal Processing Toolbox ham kerak.

Oʻrnatish uchun anʼanaviy paket menejeri yoki installer talab qilinmaydi. Foydalanuvchi funksiyalar va namunaviy maʼlumot fayllarini bir papkaga ko‘chiradi va papkani MATLAB path'iga qoʻshadi.

Har bir funksiyaning kirish parametrlari oʻz documentation header'ida tushuntiriladi. Bundan tashqari `MLIB_Function_Reference.m` nomli namuna script funksiyalarning turli foydalanish shakllarini koʻrsatadi. Muallif maqoladagi natija shakllarini shu referens script yordamida qayta ishlab chiqarish mumkinligini bildiradi.

300 Neyronlik Faollik Bir Necha Oʻlchamga Qanday Kamaytiriladi?

`mdimreduct`, bir xil sharoitlarda qayd etilgan koʻp sondagi neyronlarning vaqt bilan oʻzgaruvchi otish tezliklarini principal component analysis yordamida bir necha umumiy oʻlchamga kamaytiradi; shu tariqa yuzlab neyronlik populyatsiya faolligi ikki yoki uch oʻlchamli trayektoriya sifatida vizuallashtirilishi mumkin.

300 oʻlchamdan bir nechta principal component'ga

Maqolada ishlatilgan namunada kalamush medial frontal cortex hududidan

\[ N=300 \]

neyron faolligi tahlil qilingan.

Har bir neyron uchun otish tezliklari 100-ms tahlil oynalarida hisoblangan, z-score'ga aylantirilgan va stimulus boshlanishiga nisbatan

\[ -400\text{ ms}\rightarrow +400\text{ ms} \]

oraligʻida tekislangan.

300 oʻlchamli faollik matritsasiga PCA qoʻllanganda dastlabki beshta principal component umumiy variansning taxminan

\[ 78\% \]

qismini tushuntirgani xabar qilingan.

Bu namunada yuzlab alohida neyron vaqt qatorlarining muhim qismi bir necha umumiy dinamik oʻq orqali ifodalanishi mumkin.

Populyatsiya trayektoriyasi nimani anglatadi?

Dastlabki uchta principal component yordamida vaqtning kechishi uch oʻlchamli fazoda trayektoriya sifatida chizilishi mumkin.

Ikki xil eshitish stimuli birgalikda tahlil qilinganda, stimulus boshlanishidan oldin ikki shartning populyatsiya trayektoriyalari deyarli bir xil boʻladi. Stimulus boshlanganidan qisqa vaqt oʻtgach esa trayektoriyalar bir-biridan ajrala boshlaydi.

Manba bu ajralish hayvon tanlov portiga harakat qilmasidan va hatto stimulus tugamasidan oldin boshlanganini; shuning uchun bu namuna dMFC populyatsiyasining qaror jarayoni va/yoki javob rejalashtirishga erta qoʻshilishi bilan mos ekanini bildiradi.

Bu natija MLIB kashf qilgan yangi umumiy neyrofiziologiya qonuni emas. Maqola avval olingan haqiqiy maʼlumotlar toʻplamini `mdimreduct` funksiyasi nimalar qila olishini koʻrsatish maqsadida ishlatadi.

LFP tahlili ham toolbox tarkibiga kiritilgan

MLIB'ning katta qismi spike train tahliliga bagʻishlangan boʻlsa-da, uch funksiya local field potential maʼlumotlari uchun moʻljallangan:

• `mcsd`: current-source density tahlili,
• `mep`: evoked potential va noaniqlik oʻlchovlari,
• `mspectan`: LFP spektral tahlili.

Current-source density namunasi

Maqolaning Shakl 5'ida anesteziya ostidagi sichqonning barrel cortex hududiga joylashtirilgan chiziqli elektrod qatori qaydlari ishlatiladi.

Qator

\[ 20 \]

elektrod kontaktidan iborat va kontaktlar orasidagi masofa

\[ 50\,\mu\mathrm{m} \]

deb koʻrsatilgan.

Asosiy matnda LFP'lar 20 trial boʻyicha oʻrtachalangani yozilgan boʻlsa, Shakl 5 izohi 10 stimulus repetition ni bildiradi. Manba ichidagi bu farq sababli aniq takror soni bu yerda bitta qiymatga keltirilmaydi.

Whisker stimulusidan keyin eng kuchli LFP javobi yuqoridan beshinchi elektrodda koʻringani aytiladi. LFP'ning ikkinchi fazoviy hosilasi hisoblanib raw current-source density olinadi; soʻng CSD 10 karra fazoviy interpolation va smoothing jarayonidan oʻtkaziladi.

Eng erta current sink'ning joylashuvi kortikal layer IV'ning taxminiy oʻrnini aniqlashda ishlatilishi mumkin va shu tariqa chiziqli prob ustidagi boshqa elektrodlarni kortikal qatlamlar bilan moslashtirishga yordam beradi.

MLIB'ning kuchli tomonlari

• Spike tahlili uchun boshlangʻich bosqichdan populyatsiya tahliligacha boradigan integratsiyalashgan ish oqimini taqdim etadi.
• Funksiyalar oddiy vektor va matritsa kirishlari bilan chaqirilishi mumkin.
• Yangi foydalanuvchilarning dasturlash yukini kamaytirishni maqsad qiladi.
• Koʻp funksiyalar ixtiyoriy ravishda tayyor formatlangan grafik hosil qilishi mumkin.
• Haqiqiy kalamush, sichqon va kaptar maʼlumotlari bilan keng foydalanish namunalari beriladi.
• Sifat nazoratidan ROC, mutual information, GLM va PCA kabi ilgʻorroq usullarga oʻtish xuddi shu toolbox ichida amalga oshirilishi mumkin.
• Maqola shakllarini referens script bilan qayta ishlab chiqarish mumkinligi reproducibility jihatidan kuchli xususiyatdir.

MLIB'ning cheklovlari

• MATLAB mulkiy dasturiy taʼminotdir va litsenziya talab qiladi.
• Ayrim MLIB funksiyalari pullik MATLAB toolbox'lariga bogʻliq.
• MLIB spike sorting qilmaydi; sorting uchun alohida dastur kerak.
• `mcheck` va `mcc` kabi funksiyalar katta darajada yakka kanal yoki manual birlik tekshiruviga qaratilgani uchun juda katta Neuropixels maʼlumotlar toʻplamlarida har bir birlikni alohida tekshirish mashaqqatli boʻlishi mumkin.
• Manba MLIB'ni muqobil toolboxes bilan solishtirib tizimli tezlik yoki aniqlik benchmark'idan oʻtkazmagan.
• Laboratoriyada 700 birlikkacha maʼlumot bilan muammosiz ishlatilgani haqidagi ifoda tizimli masshtablanuvchanlik testi sifatida baholanmasligi kerak.
• Toolbox barcha mumkin boʻlgan zamonaviy populyatsiya tahlillarini qamrab olishini daʼvo qilmaydi; muallif ixtisoslashgan yirik koʻlamli tahlillar uchun qoʻshimcha vositalarga yoʻnaltiradi.

Boshqa vositalardan farqi qanday joylashtiriladi?

Muallif MLIB'ni mavjud dasturlar oʻrnini bosadigan yagona universal tizim sifatida taqdim etmaydi. Manbada SpikeInterface ayniqsa spike sorting'ga, Chronux ilgʻor spectral va coherence tahlillariga, FieldTrip MEG/EEG/iEEG ekotizimiga va CellExplorer grafik foydalanuvchi interfeysi orqali neyron xarakterizatsiyasiga eʼtibor qaratishi aytiladi.

MLIB maqsad qilgan farq spike-sortingdan keyin tez-tez ishlatiladigan neyrofiziologik tahlillarning muhim qismini sodda MATLAB funksiyalari holida xuddi shu modulli ish tartibida birlashtirishdir.

Tadqiqot qoʻllab-quvvatlaydigan natijalar

• MLIB ekstrasellyulyar spike va LFP maʼlumotlarining koʻplab standart tahlillarini MATLAB ichida bajarishi mumkin.
• Spike sortingdan keyingi sifat nazorati uchun waveform, ISI, barqarorlik va cluster-separation oʻlchovlarini taʼminlaydi.
• Raster, PSTH, SDF va latency tahlilini yaratadi.
• ROC, mutual information va vaqt boʻyicha yechimlangan regressiya kabi kodlash tahlillarini qoʻllab-quvvatlaydi.
• Koʻp-neyronli maʼlumotlar toʻplamlarida PCA asosidagi population trajectory yaratishi mumkin.
• LFP uchun CSD, evoked potential va spectral-analysis vositalarini oʻz ichiga oladi.
• Yangi MATLAB foydalanuvchilari asosiy tahlillarni kamroq kod yozib bajarishi uchun moʻljallangan.
• Namuna script va maʼlumotlar toʻplamlari bilan maqoladagi tahlillarning qayta ishlab chiqarilishi qoʻllab-quvvatlanadi.

Tadqiqot isbotlamaydigan natijalar

• MLIB barcha muqobil neyrofiziologiya dasturlaridan aniqroq yoki tezroq ekani koʻrsatilmagan.
• MLIB avtomatik spike sorting tizimi emas.
• Waveform xususiyatlari yakka holda neyronning aniq biologik hujayra turini belgilamaydi.
• PCA bilan kam sonli oʻlchamga kamaytirilgan bir namuna maʼlumotlar toʻplami barcha neyron populyatsiyalari doimo past oʻlchamli degani emas.
• 700 birliklik foydalanish tajribasi Neuropixels miqyosidagi barcha maʼlumotlar toʻplamlarida kafolatlangan performans emas.
• Maqoladagi kalamush, sichqon va kaptar namunalarining natijalari yangi va mustaqil biologik replikatsiyalar sifatida baholanmasligi kerak; ular toolbox foydalanishini koʻrsatish uchun ishlatilgan avval olingan maʼlumotlar toʻplamlaridir.

Manba va Usul Haqida Izoh

Toʻliq asl sarlavha:MLIB: an easy-to-use Matlab toolbox for the analysis of extracellular spike data.

Muallif: Maik C. Stüttgen.

Muassasa: University Medical Center Mainz, Mainz, Germany.

Jurnal:Peer Community Journal, Neuroscience.

Nashr: Volume 6 (2026), article e39.

Nashr sanasi: 23 Aprel 2026.

DOI: 10.24072/pcjournal.713.

Taqriz: Maqola taqrizdan oʻtgan va PCI Neuroscience tomonidan baholanib tavsiya etilgan. PCI tavsiya DOI'si 10.24072/pci.neuro.100467.

Litsenziya: Maqola Creative Commons Attribution 4.0, yaʼni CC BY 4.0 litsenziyasi ostida chop etilgan.

Tadqiqot turi: Ochiq manbali MATLAB neyrofiziologiya tahlil toolbox'ining usul, foydalanish va namuna maʼlumot maqolasi.

Sinov muhiti: MATLAB R2023b, Windows 11 ishlaydigan standart desktop kompyuter.

Maʼlumotlar: Foydalanish namunalari oldingi tadqiqotlardan olingan kalamush, sichqon va kaptar elektrofiziologiya qaydlari bilan birga simulyatsiya qilingan maʼlumotlarni oʻz ichiga oladi.

Hayvon etikasi: Manba ishlatilgan hayvon tajribalari Germaniya hayvon-tajriba qoidalari va Yevropa Ittifoqi Directive 2010/63/EU bilan mos tarzda oʻtkazilganini; amallar North Rhine-Westphalia LANUV va Rhineland-Palatinate LUA tomonidan tasdiqlanganini bildiradi. Manbada Az. 8.87-50.10.37.09.277, G 19-1-094 va G 19-1-085 ruxsat raqamlari berilgan.

Funksiya qamrovi: Asosiy matn 17 spike funksiyasi va uch LFP funksiyasidan soʻz yuritadi. Jadval 1 bularga qoʻshimcha ravishda xulq-atvor performansini axborot turida hisoblaydigan mmi_psych kiritmasini ham sanaydi.

Qoʻshimcha MATLAB bogʻliqliklari: Baʼzi funksiyalar Statistics and Machine Learning Toolbox talab qiladi. mtune qoʻshimcha ravishda Curve Fitting Toolbox va Signal Processing Toolbox ishlatadi.

Kod, maʼlumot va hujjatlar: Manba kodi va namunalar GitHub'dagi maikstue/mlib-spike-data repositoriyasida, MATLAB Central File Exchange'da va Zenodo'da taqdim etilgan. Zenodo DOI'si 10.5281/zenodo.19455823.

Moliyalashtirish: Toolbox va maqolani tayyorlash Deutsche Forschungsgemeinschaft tomonidan qoʻllab-quvvatlangan 179167628, 197059818, 223368015, 280347763, 424828846 va 543128862 loyiha raqamli grantlar bilan qoʻllab-quvvatlangan.

Manfaatlar toʻqnashuvi: Muallif PCI'ning kontent bilan bogʻliq moliyaviy manfaatlar toʻqnashuvi boʻlmasligi qoidasiga rioya qilganini va moliyaviy manfaatlar toʻqnashuvi yoʻqligini bayon qiladi.

Manba izchilligi izohi: Mouse barrel-cortex LFP/CSD namunasining asosiy matni LFP'lar 20 trial boʻyicha oʻrtachalangani, Shakl 5 izohi esa 10 stimulus repetition ishlatilganini bildiradi. Xom maʼlumot yoki muallif izohisiz bu ikki sondan biri toʻgʻri deb qabul qilinmagan.

Verianla Live: Tadqiqot Live Figure uchun yuqori darajada mosdir. Eng ilmiy oqim; bir spike waveform klasterining sifat nazoratidan boshlanishi, refractory-period va cluster ajralishining koʻrsatilishi, keyin xuddi shu spike train'ning raster/PSTH/SDF koʻrinishiga aylanishi, suriluvchi vaqt oynasida AUROC yoki regressiya hisoblanishi va oxirgi bosqichda koʻp-neyronli faollikning PCA populyatsiya trayektoriyasiga kamaytirilishidir. Miqdoriy Live Figure tayyorlanadigan boʻlsa maqola bilan birga berilgan namuna maʼlumot va reference script ishlatilishi kerak.