首先，启动 MATLAB 并执行 EZcalcium 工具箱以访问初始 GUI。在初始 GUI 中，选择 Motion Correction 以打开运动校正 GUI。使用 Add Files 选项上传包含映像数据的 TIF 文件。
接下来，将非刚性运动校正设置为空白，将 upsampling factor 设置为 50，maximum shift 设置为 15，初始批量大小和 bin 宽度设置为 200。单击 Run Motion Correction 以启动校正。在初始 GUI 中，激活自动 ROI 检测以访问 ROI 检测 GUI。
使用 Add Files（添加文件）功能导入运动校正的成像数据。将 initialization 设置为 greedy，将 search method 设置为 ellipse，将反卷积设置为约束 FOOPSI-SPGL1，并将 autoregression 设置为 decay。然后将估计的 ROI 数设置为 60。
将估计的 ROI 宽度分配为 17，合并阈值为 0.95，模糊因子为 0.95，空间和时间下采样为 1，时间迭代为 5。然后单击 Run ROI Detection （运行 ROI 检测） 以启动检测过程。在初始 GUI 中，选择 ROI Refinement 以启动 ROI 优化 GUI。
使用 Low Data （低数据） 按钮导入 ROI 数据。选择位于颅骨下方的低活动频率的 ROI 或与其他神经元/神经突重叠的 ROI。单击 Exclude ROI 以从后续分析中排除这些 ROI。
使用此方程式计算 delta F 乘 F 值。选择 XLSX 作为数据导出格式，然后执行导出数据以生成一个 Excel 文件，其中填充了原始增量 F x F 值。计算 ROI 中 delta F 乘以 F 值的 Pearson 相关系数，并构建相关系数矩阵。
使用斐济软件从 TCA-RFP 图像中描绘桶边界。然后将 ROI 分配给相应的桶或隔垫。比较相同桶和不同桶内的成对相关系数。
通过随机排列 ROI 位置和钙离子迹线之间的关联，生成 1， 000 到 10， 000 个替代数据集。在每个代理数据集中，分别计算桶内的平均相关系数并确定相关性的统计显著性。在相同的感觉处理单元中观察到的成对相关系数高于不同单元。
尽管距离较远，但活动在相同单元内表现出更强的同步性，超过了与来自不同单元的物理更接近的神经元的相关性。相同桶内相关系数的平均值显著高于根据 10， 000 组代理数据计算的平均值。在三个不同的时间窗口内，同一桶内的相关性显著增强。
