Neuropixels Analysis AI Curation

# AI 辅助筛选参考 本指南介绍了如何使用 AI 视觉分析进行单位筛选，灵感来源于 SpikeAgent 的方法。 ## 概述 AI 辅助筛选使用视觉语言模型来分析脉冲分选（spike sorting）可视化结果，提供类似于人类专家的质量评估。 ### 工作流 传统方式： 指标 → 阈值 → 标签 AI 增强： 指标 → AI 视觉分析 → 置信度评分 → 标签 ## Claude Code 集成 在 Claude Code 中使用此技能时，Claude 可以直接分析波形图，无需设置 API。只需： 1. 生成单位报告或图表 2. 让 Claude 分析可视化结果 3. Claude 将提供专家级的筛选决策 Claude Code 中的工作流示例： python # 为单位生成图表 npa.plot_unit_summary(analyzer, unit_id=0, output='unit_0_summary.png') # 然后询问 Claude: "请分析该单位的波形和自相关图，以确定它是良好隔离的单单位、多单位活动还是噪声" Claude 可以评估： - 波形的一致性和形状 - 自相关图中的不应期违规情况 - 振幅随时间的稳定性 - 整体单位隔离质量 ## 快速入门 ### 生成单位报告 python import neuropixels_analysis as npa # 为单位创建可视化报告 report = npa.generate_unit_report(analyzer, unit_id=0, output_dir='reports/') # 报告包含： # - 波形、模板、自相关图 # - 随时间变化的振幅、ISI 直方图 # - 质量指标摘要 # - 用于 API 的 Base64 编码图像 ### AI 视觉分析 python from anthropic import Anthropic # 设置 API 客户端 client = Anthropic() # 分析单个单位 result = npa.analyze_unit_visually( analyzer, unit_id=0, api_client=client, model='claude-3-5-sonnet-20241022', task='quality_assessment' ) print(f"分类: {result['classification']}") print(f"推理: {result['reasoning']}") ### 批量分析 python # 分析所有单位 results = npa.batch_visual_curation( analyzer, api_client=client, output_dir='ai_curation/', progress_callback=lambda i, n: print(f"进度: {i}/{n}") ) # 获取标签 ai_labels = {uid: r['classification'] for uid, r in results.items()} ## 交互式筛选会话 用于 AI 辅助的人机协同筛选： python # 创建会话 session = npa.CurationSession.create( analyzer, output_dir='curation_session/', sort_by_confidence=True # 按置信度排序