这里简要描述了这条管道：首先，原始钙成像视频通过中值滤波器，然后是各向异性滤波器，以降低颗粒噪声。通过将每一帧与一个平均核（其大小比细胞的预期大小大几倍）进行卷积来估计一般背景，然后从每一帧中减去该背景以消除渐晕效应。接下来，使用标准的基于fft的互相关方法来估计和校正视频中的平移运动，然后使用基于demon的算法来校正剩余的非刚体运动。接下来，通过在随机选择的帧子集的最大投影上查找局部最大值来生成过完整的“种子”像素集。这些种子根据其相应的时间动态特性（例如，峰峰值或峰噪比）进一步细化和合并，之后这些种子用于识别可能对应于单元18的初始关注区域。最后，基于种子的初始感兴趣区域及其相应的活动分别作为初始空间项和时间项输入CNMF算法17。CNMF算法将视频分解为空间足迹矩阵和每个单元对应的时间活动矩阵。此外，CNMF算法将细胞的时间活动建模为一个自回归过程，并对信号进行去卷积以估计潜在的峰值活动。由于钙信号进化缓慢，我们使用去卷积信号进一步分析细胞。由于在估计去卷积信号期间尖峰计数的不完全正则化，存在许多低振幅、假阳性尖峰。因此，我们对信号进行阈值处理，以获得表示在给定帧上是否观察到钙事件的二进制变量。通过观察去卷积信号在细胞间的分布，可以任意选择该阈值。为了找到最有可能编码动物位置的细胞，我们使用最近邻方法将行为跟踪结果与钙记录逐帧对齐。然后，我们通过将阈值化、去卷积信号处理为“尖峰序列”19来计算每个小区的空间信息含量。图3显示了具有高空间信息含量的示例小区。

数据可用性