1
MUA/SUA/Noise区分
使用MountainSort、Kilosort等软件从电生理数据中sorting出cluster，需要根据sorting的结果分MUA/SUA/Noise。通过phy或者MClust对sorting结果进行查看和筛选，判断的标准有信噪比（Signal-to-Noise Ratio，SNR）、波形（waveform）、自相关（Autocorrelation）、跨脉冲间隔（Inter-Spike-Interval，ISI)和发放率（firing rate，FR）。
01 SNR（重要指标）
SNR衡量了神经信号与背景噪音之间的比。一个应该有高的信噪比，这意味着神经信号相对于噪音来说更清晰明确。下图上显示Phy中的ContamPct用于描述在神经元活动数据中可能存在的噪声百分比，数值越小代表信噪比越高。下图下显示Mclust中LR，用于评估单元分类质量的指标，通过计算分类单元的点到聚类中心的马氏距离 (Mahalanobis Distance)，来量被分类某一单元的点和其他单元的点之间的分离程度。L-Ratio 越低，表示聚类的分类质量越高，分类的准确性也越好，一般要小于0.5。
02 Waveform(金指标)
神经元发放的动作电位的形状通过记录神经元周围电极上的电压变化来得到的，通常以时间序列的形式表示。波形可以用来表征神经元的活动特征和响应模式。每个神经元通常会产生具有独特形状和特征的波形。因此，通过分析波形可以识别和区分不同神经元类型(中间神经元、锥体神经元)，并对其活动进行定量和定性分析。
波形分析通常涉及到对波形的特征进行提取和描述，比如峰值振幅、持续时间、等。这些特征可以通过自动化算法或手动测量来获取，并用于识别和分类神经元单元，以及评估其活动的特性和变化。总的来说，波形是神经元活动数据中的重要信息载体，通过对波形的分析可以深入了解神经元的活动模式和行为特征，对神经科学研究和临床诊断具有重要意义。下图作为示例，Cluster1为MUA，Cluster2和3为SUA。
03 Autocorrelation(关键指标)
时间序列数据中同一序列在不同时间点上的数值之间的相关性。在时间序列分析中，自相关常用于检测数据中的周期性或者重复性模式。如果数据在某个时间点上的数值与其前面或后面的数据存在相关性，就可以称之为自相关。
自相关作为衡量神经元活动的指标时，可以帮助揭示脉冲序列中的时间结构和规律性，从而有助于理解神经元的活动特性和功能，例如估计自相关图可以辅助判断神经元类型。计算方法：
- 基于直接计数的方法；
- 基于FFT的方法；
- 用matlab内置函数xcorr；
- 使用Mclust的MClustStats.AutoCorr函数；
- 参考phy的计算结果。下图作为示例，左图为MUA，右图为SUA。
04 ISI (关键指标)
两个连续脉冲之间的时间间隔，通常用毫秒（ms）或秒（s）来表示。ISI的分布可以揭示神经元的放电模式和活动特性。通过分析神经元的ISI分布，可以获得关于其激发和抑制模式的信息。例如，对于兴奋性神经元，ISI分布可能会显示出相对较短的间隔，而对于抑制性神经元，则可能显示出较长的间隔此外，ISI的变化也可能与神经元在不同条件下的活动状态相关联，比如在不同的刺激条件或行为任务下。
ISI可以和Autocorrelation一样反映一个unit是否干净，大多数情况下神经元在不应期是不发放的，所以统计ISI小于2ms的百分占比就可以区分SUA和MUA一般认为至少需要小于0.5%。下图上为SUA的ISI示例图，下为Field Trip计算的ISI绘图结果。
05 FR(参考标准)
Firing rate 指神经元在一定时间内发放脉冲的平均速率或频率。通常以单位时间内发放的脉冲数量来表示，常见的单位包括每秒钟发放的脉冲数（Hz）或每分钟发放的脉冲数。可以提供有关神经元兴奋性和活动水平的信息。不同的神经元类型和条件下，其 spike 发放率可能会有所不同，因此对 spike 发放率的研究有助于理解神经元的功能和调控机制。在作为区分MUA和SUA的参考指标，FR可以设置为大于0.1Hz另外根据unit的FR和波峰到波谷持续时间可将SUA区分为快发放/慢发放。
2
Firing Rate/Firing Probability
FR是一个宏观的、平均的度量，用来描述神经元在一段时间内的整体活动水平。如下图所示，绿色箭头所代表的时间神经元发放率上升。
Firing Probability指的是神经元在某个特定时刻或时间窗口内发放动作电位的可能性。它是一个基于时间或条件的度量，通常用于描述神经元在特定刺激或条件下的反应强度。例如，当一个感官刺激出现时，神经元在某个时间点发放动作电位的概率可能会增加。发放概率更多地反映了神经元对特定输入或条件的瞬时反应，而不是在长时间内的平均行为。
如下图所示，神经元的发放概率与高频振荡的相关性（黑线）显著高于随机时间段（红线）。
3
Peri-Stimulus Time Histogram
刺激时间直方图（Peri-Stimulus Time Histogram，PSTH）用于分析和可视化神经元对刺激的时间相关反应。通过观察直方图中的模式，研究者可以了解神经元在刺激前后的变化。例如，如果在刺激发生后的某个时间点出现了一个峰值，这表明神经元在该时刻对刺激产生强烈的反应。如下图所示，给激光时神经元有发放响应说明成功标记了目标神经元。
在感官研究中，PSTH可以用于分析视觉、听觉或其他感官刺激引发的神经元反应；在运动神经研究中，PSTH有助于理解神经元在运动启动或执行过程中的时间相关活动；PSTH还可用于研究神经回路中不同神经元之间的时间相关互动，如同步活动或时间延迟。通过使用PSTH，研究者能够更好地理解神经元对外部刺激的动态反应模式，并揭示神经系统中信息处理的时间特性。
4
STA/ Spike-Phase PPC
脉冲触发平均（Spike-Triggered Average，STA）通过平均化脉冲触发的输入信号来揭示导致神经元发放动作电位的典型输入模式或特征。用于研究神经元放电（脉冲）与其输入信号（如电流、膜电位或感官刺激、上游脑区LFP数据）之间的关系。
STA计算过程为：（1）记录神经元的输入信号以及其相应的放电（动作电位）；识别出神经元发放动作电位的时刻，这些时刻被称为“脉冲触发点”。（2）对于每个脉冲触发点，提取其前后一定时间窗口内的输入信号片段。这个时间窗口通常覆盖脉冲发生前的一段时间，因为研究的目的是找出引发该脉冲的输入特征。（3）将所有提取出的输入信号片段在时间上对齐，并计算它们的平均值。这种平均化过程有助于减小随机噪声的影响，从而突出导致脉冲发生的典型输入模式。（4）最终的STA曲线展示了在脉冲发生前后的一段时间内，输入信号的平均变化情况。
STA能够通过简单的平均化过程揭示复杂的神经元反应模式。通过STA，研究者可以在不依赖假设的情况下，直接从实验数据中提取神经元对特定输入信号的反应特征。这对于理解神经系统的信息处理机制具有重要意义。STA 的主要优点是简单、直观，能够直接展示神经元对输入信号的平均响应模式。然而，STA 的限制在于它假设输入信号与脉冲发生之间存在线性关系，且主要用于研究时间上较短期的关系。下图简单展示spike发放前后LFP的平均变化。
5
Spike-Phase PairwisePhase Consistency
Spike-Phase Pairwise Phase Consistency (Spike-Phase PPC)是一种用于分析神经元放电与振荡活动（如LFP）相位关系的方法。PPC 是一种测量多个实验重复中，神经元放电与振荡信号的相位一致性的方法。它计算了不同实验重复中的相位一致性，得到神经元放电是否与特定频率的振荡活动同步。Spike-Phase PPC 通常用于：（1）相位编码：理解神经元在特定振荡频率下如何编码信息，例如在特定相位上是否更容易发放动作电位；（2）脑区连接：研究不同脑区之间通过振荡活动相位同步进行的信息交流。下图上显示VTA脑区的spike发放和该脑区的4Hz相位具有相关性。另外还有绘制rose plot的方法，如下图下所示，显示spike发放与某一振荡相位是否锁定。FieldTrip里ft_spiketriggeredspectrum函数可用于计算。
6
参考文献
1.Vinck M, Womelsdorf T, Buffalo EA, Desimone R, Fries P. Attentional modulation of cell-class-specific gamma-band synchronization in awake monkey area v4. Neuron. 2013 Nov 20;80(4):1077-89. doi: 10.1016/j.neuron.2013.08.019. PMID: 24267656; PMCID: PMC3840396.
2.Rey HG, Pedreira C, Quian Quiroga R. Past, present and future of spike sorting techniques. Brain Res Bull. 2015 Oct;119(Pt B):106-17. doi: 10.1016/j.brainresbull.2015.04.007. Epub 2015 Apr 27. PMID: 25931392; PMCID: PMC4674014.
3.Wang J, Yang Q, Liu X, Li J, Wen YL, Hu Y, Xu TL, Duan S, Xu H. The basal forebrain to lateral habenula circuitry mediates social behavioral maladaptation. Nat Commun. 2024 May 13;15(1):4013. doi: 10.1038/s41467-024-48378-y. PMID: 38740778; PMCID: PMC11091113.
4.Tingley D, Buzsáki G. Routing of Hippocampal Ripples to Subcortical Structures via the Lateral Septum. Neuron. 2020 Jan 8;105(1):138-149.e5. doi: 10.1016/j.neuron.2019.10.012. Epub 2019 Nov 26. PMID: 31784288; PMCID: PMC6952543.
5.Clarke-Williams CJ, Lopes-Dos-Santos V, Lefèvre L, Brizee D, Causse AA, Rothaermel R, Hartwich K, Perestenko PV, Toth R, McNamara CG, Sharott A, Dupret D. Coordinating brain-distributed network activities in memory resistant to extinction. Cell. 2024 Jan 18;187(2):409-427.e19. doi: 10.1016/j.cell.2023.12.018. PMID: 38242086; PMCID: PMC7615560.
本文作者：王倩芸｜复旦大学
邮箱：abelor@163.com欢 迎 沟 通 交 流 ！
发表回复