<div dir="ltr"><div>[Apologies for cross posting] MATLAB software to implement non-parametric directionality analysis
 for spike-train and time-series data is available for free download 
from the NeuroSpec archive. A user guide and demonstration scripts are 
included. <br><br><a href="http://www.neurospec.org/" target="_blank">http://www.neurospec.org/</a><br><br>An accompanying journal article is published in the Journal of Integrative Neuroscience:<br>"Nonparametric
 directionality measures for time series and point process data", J. 
Integr. Neurosci., 14, 253-277 (2015). DOI: 10.1142/S0219635215300127<br><br><a href="http://dx.doi.org/10.1142/S0219635215300127" target="_blank">http://dx.doi.org/10.1142/S0219635215300127</a><br><br></div>Abstract<br>The need to determine the directionality of interactions 
between neural signals is a key requirement for analysis of multichannel
 recordings. Approaches most commonly used are parametric, typically 
relying on autoregressive models. A number of concerns have been 
expressed regarding parametric approaches, thus there is a need to 
consider alternatives. We present an alternative nonparametric approach 
for construction of directionality measures for bivariate random 
processes. The method combines time and frequency domain representations
 of bivariate data to decompose the correlation by direction. Our 
framework generates two sets of complementary measures, a set of scalar 
measures, which decompose the total product moment correlation 
coefficient summatively into three terms by direction and a set of 
functions which decompose the coherence summatively at each frequency 
into three terms by direction: forward direction, reverse direction and 
instantaneous interaction. It can be undertaken as an addition to a 
standard bivariate spectral and coherence analysis, and applied to 
either time series or point-process (spike train) data or mixtures of 
the two (hybrid data). In this paper, we demonstrate application to 
spike train data using simulated cortical neurone networks and 
application to experimental data from isolated muscle spindle sensory 
endings subject to random efferent stimulation.<br><br><span class=""><font color="#888888">- <br>
David Halliday<br>
Department of Electronics<br>
University of York<br>
YORK YO10 5DD, UK.<br></font></span><span class=""><font color="#888888"><br>E-Mail: <a href="mailto:david.halliday@york.ac.uk" target="_blank">david.halliday@york.ac.uk</a></font></span><br></div>