Neuropixels Analysis Spike Sorting

# 脉冲排序参考 Neuropixels 数据脉冲排序的综合指南。 ## 可用排序器 | 排序器 | 需要 GPU | 速度 | 质量 | 适用场景 | |--------|--------------|-------|---------|----------| | **Kilosort4** | 是 (CUDA) | 快 | 优秀 | 生产环境使用 | | **Kilosort3** | 是 (CUDA) | 快 | 很好 | 遗留兼容性 | | **Kilosort2.5** | 是 (CUDA) | 快 | 好 | 旧工作流 | | **SpykingCircus2** | 否 | 中 | 好 | 仅 CPU 系统 | | **Mountainsort5** | 否 | 中 | 好 | 小型记录 | | **Tridesclous2** | 否 | 中 | 好 | 交互式排序 | ## Kilosort4 (推荐) ### 安装 bash pip install kilosort ### 基本用法 python import spikeinterface.full as si # 运行 Kilosort4 sorting = si.run_sorter( 'kilosort4', recording, output_folder='ks4_output', verbose=True ) print(f"发现 {len(sorting.unit_ids)} 个单位") ### 自定义参数 python sorting = si.run_sorter( 'kilosort4', recording, output_folder='ks4_output', # 检测 Th_universal=9, # 脉冲检测阈值 Th_learned=8, # 学习阈值 # 模板 dmin=15, # 模板间最小垂直距离 (um) dminx=12, # 最小水平距离 (um) nblocks=5, # 非刚性块数量 # 聚类 max_channel_distance=None, # 模板通道最大距离 # 输出 do_CAR=False, # 跳过 CAR（在预处理中完成） skip_kilosort_preprocessing=True, save_extra_kwargs=True ) ### Kilosort4 完整参数 python # 获取所有可用参数 params = si.get_default_sorter_params('kilosort4') print(params) # 关键参数: ks4_params = { # 检测 'Th_universal': 9, # 脉冲检测通用阈值 'Th_learned': 8, # 学习模板阈值 'spkTh': -6, # 提取过程中的脉冲阈值 # 聚类 'dmin': 15, # 聚类间最小距离 (um) 'dminx': 12, # 最小水平距离 (um) 'nblocks': 5, # 非刚性漂移校正块 # 模板 'n_templates': 6, # 每组通用模板数量 'nt': 61, # 模板中的时间采样点数 # 性能 'batch_size': 60000, # 批处理采样点大小 'nfilt_factor': 8, # 滤波器数量因子 } ## Kilosort3 ### U