我们的手稿和数据集.DOCVIP

HYPERLINK \l neural_decoding Neural_Decoding: HYPERLINK \l a-python-package-that-includes-many-methods-for-decoding-neural-activity 一个包含多种解码神经活动方法的python 包 包包含了经典解码方法( 维纳滤波，维纳级联，卡尔曼滤波，Naive Bayes，支持向量回归) 和现代机器学习方法( XGBoost，密集神经网络，递归神经网络，GRU，LSTM )的混合。 解码器是用来预测连续值输出的。 将来，我们将修改函数，同时允许分类。 HYPERLINK \l our-manuscript-and-datasets 我们的手稿和数据集 这个软件包附带了一个 HYPERLINK /abs/1708.00909 手稿，比较了这些方法在几个数据集中的性能。 如果你使用我们的代码或者数据进行研究的话，我们会感激你的。 文件所用的代码在paper_code文件夹中。 本文的底部将进一步介绍它。 在本文中使用的所有 3数据集( 马达 Cortex，somatosensory Cortex 和海马) 都可以在这里下载。 在matlab和 python 格式中，它们可以在下面描述的示例文件中使用。 HYPERLINK \l dependencies 依赖项 为了运行基于神经网络的所有解码器，你需要安装 HYPERLINK https://keras.io/ \l installation Keras。为了运行XGBoost解码器，你需要安装 HYPERLINK /pypi/xgboost/ XGBoost。为了运行维纳滤波器。Wiener级联或者支持向量回归，你需要使用 HYPERLINK /stable/install.html scikit学习。为了进行hyperparameter优化，你需要安装 HYPERLINK /fmfn/BayesianOptimization BayesianOptimization插件。 HYPERLINK \l getting-started 正在启动 我们已经包括jupyter笔记本，提供了如何使用解码器的详细示例。 文件examples_kf_decoder用于卡尔曼滤波解码器，文件examples_all_decoders用于所有其它解码器。 这些示例与感觉和马达 Cortex 数据集工作良好。 海马数据集中有一些微小的差异，所以我们包含了一个文件夹examples_hippocampus，以类似的例子。 这个文件夹还包含一个使用 Naive Bayes解码器( 因为它在我们的海马数据中表现得更好)的示例文件。 我们还包含了一个笔记本example_hyperparam_opt，它演示了如何为解码器做hyperparameter优化。 这里我们提供了一个基本例子，我们使用LSTM解码器。对于这个例子，我们假设已经载入了矩阵： neural_data总时间bins神经元数量，每个输入is给定时间bin的一个给定神经元的firing。 y that: 你正在解码的输出变量( 比如。 速度)，以及大小为bins的总数量x的矩阵，即你正在解码的特性数。 我们提供了一个jupyter笔记本，example_format_data，以及如何将Matlab数据获得这种格式。 首先我们将导入必要的函数 from decoders import LSTMDecoder #Import LSTM decoder from preprocessing_funcs import get_spikes_with_history #Import function to get the covariate matrix that includes spike history from previous bins 接下来，我们将定义我们使用的时间段( 相对于我们正在解码的输出) bins_before=13 #How many bins of neural data prior to the output are used for decoding bins_current=1 #Whether to use concurrent time bin of neural data bins_after=0 #How many bins of neural data after the output are used for decoding 接下来，我们将计算包含前一个箱子的尖峰历史的协变量矩阵 # Function to get the covariate matrix t