پیش پردازش و تجزیه و تحلیل داده های قطار سنبله

در این مقاله شما اطلاعات در مورد پیش پردازش و تجزیه و تحلیل داده های سنبله پیدا, است که جدا شده تک واحد و یا فعالیت های چند واحد. ما قالبی را که ما داده های سنبله را نشان می دهیم توضیح می دهیم و نحوه محاسبه را نشان می دهیم

• امار توصیفی شکل موج پتانسیل عمل
• توزیع فاصله بین سنبله (و تجسم)
• هیستوگرام زمان پری محرک (و تجسم خود را)
• قطعات شطرنجی
• تراکم سنبله
• میانگین نرخ شلیک
• همبستگی خودکار و متقابل بین قطارهای سنبله
• هیستوگرام های زمان محرک مشترک (و تجسم)

برای این تجزیه و تحلیل, ما یک مجموعه داده میمون ثبت شده توسط سیب زمینی سرخ کرده پاسکال و همکاران استفاده (سیب زمینی سرخ کرده و همکاران., 2001, علوم پایه; سیب زمینی سرخ کرده و همکاران, 2008, مجله علوم اعصاب). در این مطالعه ال اف پی اس و سنبله از نسخه 4 ثبت شد در حالی که میمون ها یک کار توجه بصری را انجام دادند. یک توری محرک متحرک در میدانهای پذیرنده نورونهای ثبت شده و یک محرک دیگر در خارج از میدانهای پذیرنده نورونهای ثبت شده معرفی شد. در یک محاکمه داده شده, محرک گریتینگ در زمینه پذیرنده یا حضور داشتند (توجه در داخل میدان پذیرنده) یا حضور نداشتند (حواس پرتی; توجه خارج از حوزه پذیرایی). در این مقاله دادههای سنبله پیرامون نمایش محرک تا زمان اولین تغییر محرک (حواسپرتی یا هدف) را تحلیل میکنیم. ما همچنین نشان می دهد که چگونه به خواندن در یک متر خوشه .فایل تی از یک سلول هیپوکامپ کلسیم 1, ثبت در حالی که یک موش کاوش پیچ و خم.

سابقه و هدف

Neurons transmit information to each other by means of trains of action potentials, also called spikes. These spikes can be identified by placing microelectrodes in the extracellular or intracellular medium and recording the electric potential difference between the signal and reference electrode. This recorded voltage is then band-pass filtered (spikes have the bulk of their signal energy between 300-6000 Hz) to remove large-amplitude, slow (LFP) voltage fluctuations (on the order of milliVolts) caused by dendritic currents and electric artifacts. Spikes are then detected on- or offline by setting a threshold on the band-pass filtered voltage trace. This threshold typically lies somewhere between 30-100 microVolt (as a comparison: electric noise in the band-pass filtered signal typically does not exceed 10-15 microVolt). Sometimes, an additional threshold is used on the slope of the voltage traces. Each time the band-pass filtered voltage crosses the action potential threshold the recording system registers the time of the threshold crossing. Recording systems do not have a continuous representation of time at their disposal but measure time in discrete time intervals, called timestamps. Hence, we refer to the times of voltage threshold crossing as timestamps. For every threshold crossing, a small segment of about a 1-2 milliseconds of the voltage trace around the time of threshold crossing is stored at a high sampling frequency (>20000 هرتز). اگر عبور از حد ولتاژ ناشی از افزایش پتانسیل عمل یک نورون باشد, سپس این بخش کوچک از ردیابی ولتاژ شامل مسیر ولتاژ پتانسیل عمل است که بر نوسانات ولتاژ ناشی از نویز الکتریکی و شلیک سایر نورون ها سوار می شود. ما به این قطعه های ولتاژ 1-2 میلی ثانیه به عنوان شکل موج اشاره می کنیم.

مجموعه ای از مهر زمانی و شکل موج مربوطه خود را سپس متعاقبا توسط مرتب سازی سنبله پردازش, که شناسایی خوشه جدا شده از شکل موج مشابه است که به منابع عصبی تک مطابقت دارد, به نام 'تک واحد فعالیت'. گاهی اوقات نوروفیزیولوژیست ها تنها شکل موج های پر سر و صدا را رد می کنند و به مجموعه باقی مانده از سنبله ها به عنوان فعالیت چند واحدی اشاره می کنند. یکی از جنبه های مهم تجزیه و تحلیل تک سلولی توصیف شکل موج های بالقوه عمل است زیرا اینها در مورد نوع سلول مربوط به نورون ثبت شده اطلاعاتی هستند (به عنوان مثال به بارتو و همکاران مراجعه کنید., 2004; میچل و رینولدز, 2007).

قطارهای سنبله را می توان با یک بردار نشان داد مهر زمانی (به عنوان مثال, [3003 30020 30050] و غیره.(یک نمایش نقطه) و یا توسط یک بردار باینری از صفر و اعداد صحیح (اگر نرخ نمونه به اندازه کافی بالا نیست, گاهی اوقات یک مقدار بالاتر از 1 ممکن است رخ دهد) در یک نرخ نمونه خاص (به عنوان مثال, [010001000001] و غیره., جایی که یک 1 یک سنبله را برای یک نمونه معین نشان می دهد و هر سطل مربوط به 1/ثانیه نمونه است). نقطه ضعف نمایش باینری این است که حافظه کاملا ناکافی است و به ویژه برای بسیاری از تجزیه و تحلیل قطار سنبله که بر اساس محاسبات در زمان سنبله مناسب نیست. با این حال, برخی از محاسبات موثر تر هستند که داده ها در یک فرمت باینری نشان, برای مثال محاسبه تراکم سنبله (پایین را ببینید).

به طور معمول پتانسیل های عمل به عنوان رویدادهای همه یا هیچ در نظر گرفته می شوند که بر اساس این فرض متعارف است که شکل پتانسیل عمل یک ویژگی نیست که نورون ها اطلاعات را انتقال می دهند. با توجه به این فرض می توان قطارهای سنبله ای را به عنوان فرایندهای نقطه ای در نظر گرفت. تجزیه و تحلیل استاندارد برای توصیف فرایند نقطه با تجزیه و تحلیل توزیع فاصله بین اسپایک است که به طور معمول از توزیع گاما یا نمایی پیروی می کند و با بررسی نمودارهای بازگشت فاصله بین اسپایک (فاصله فعلی بین اسپایک در مقابل فاصله بین اسپایک بعدی) که نشان می دهد که مرتبه دوم توزیع فاصله بین اسپایک (دیدن دایان و ابوت نظری علوم اعصاب, 2001). غالبا, نوروفیزیولوژیست چشم پوشی از ساختار زمانی از قطار سنبله و در نظر گرفتن تنها تعداد خوشه در هر دوره زمانی, که سرعت شلیک است. ارقام شمارش سنبله به طور معمول از توزیع پواسون پیروی می کند.

سپس یک رویکرد مشترک برای بررسی محتوای اطلاعاتی قطار سنبله بررسی رابطه بین سرعت شلیک به عنوان تابعی از زمان نسبت به یک متغیر محرک خارجی است. سرعت شلیک یک نورون در یک لحظه خاص را می توان به عنوان یک تابع چگالی احتمال مدل کرد که تعداد پتانسیل های عمل مورد انتظار در ثانیه را در یک بازه زمانی محدود مشخص می کند. این تابع چگالی احتمال را میتوان با محاسبه هیستوگرام زمان پری محرک تخمین زد که تعداد میخها در هر بازه زمانی گسسته در اطراف رویداد محرک است. اندازه گیری مداوم تری از تابع چگالی احتمال را می توان با پیچاندن قطارهای سنبله با مقداری هسته به عنوان مثال یک هسته گاوسی.

نورون ها اغلب همزمان شلیک می کنند به این معنی که پتانسیل های عمل از نورون های مختلف تمایل دارند به طور همزمان رخ دهند. این همگام سازی ممکن است نتیجه نوسانات ناشی از کار در سرعت شلیک باشد (برودی, 1999) یا کوپلینگ نوسانی (خاکستری و همکاران., 1989). جفت نوسان و هماهنگی بین قطار سنبله را می توان با محاسبه تابع متقابل همبستگی بین قطار سنبله مورد بررسی قرار, که احتمال یا فرکانس که توسط دو پتانسیل عمل از دو نورون های مختلف در یک تاخیر خاص رخ می دهد. هیستوگرام زمان پری محرک مفصل (نگاه کنید به قهوه ای و همکاران., 2004; ارتسن و همکاران., 1987; پرکل و همکاران., 1967) عملکرد همبستگی متقابل را به عنوان تابعی از زمان نسبت به شروع محرک کمی می کند. برای بررسی اینکه ساختار تابع همبستگی متقابل ناشی از نوسانات سرعت شلیک ناشی از کار است یا با هماهنگی زمانی که زمان قفل شده برای شروع محرک نیست معمولا از تصحیح مختلط استفاده می شود که ترتیب محاکمات بعدی تغییر می کند. همبستگی متقابل تصحیح شده در نتیجه تنها توسط نوسانات ناشی از کار در سرعت شلیک هدایت می شود.

روش کار

• خواندن دادههای اسپایک در متلب با استفاده از اسپایک
• ایجاد یک ساختار محاکمه برای قطار سنبله با استفاده از فوت _ خوانده شده _ رویداد و فوت _ سرعت _ ساخت.
• تبدیل ساختار سنبله به ساختار خام پیوسته و برگشت با استفاده از داده های بررسی شده
• با استفاده از توزیع فاصله بین سنبله, و تجسم خود را, با استفاده از اف تی اسپیک_ایسی و اف تی اسپیک_پلات_پلات_پلات_پلات_پلات_پلات_پلاتسپایک_پلاتسپایک_پلاتسپایک_پلاتسپایک .
• محاسبه میانگین و واریانس شکل موج پتانسیل عمل با استفاده از شکل موج اف تی.
• محاسبه هیستوگرام زمان محرک پری, با استفاده از فوت_اسپایک_پسته .
• محاسبه تراکم سنبله, با استفاده از تراکم فوت_پایک .
• تجسم قطارهای سنبله با استفاده از قطارهای سنبله.
• محاسبه میانگین نرخ شلیک و همبستگی بین نرخ شلیک عصبی, با استفاده از فوت_سرعت .
• تابع همبستگی متقابل بین نورون ها را با استفاده از محاسبه کنید
• استفاده از هیستوگرام های زمانی پری محرک و تجسم مفصلی با استفاده از نمودار زمانی پری محرک .

خواندن در داده های سنبله

اطمینان حاصل کنید که شما اجرا پیش فرض پس از اضافه شدن مسیر اصلی زمینه (به عنوان مثال, اضافه کردن('مسیر _ به _ تریپ میدان')), حصول اطمینان از این که توابع مورد نیاز در مسیر متلب شما هستند. برای تجزیه و تحلیل سنبله است جعبه ابزار سنبله است که در زمینه تریپ/کنتاکت/سنبله واقع وجود دارد.

داده های سنبله را می توان با استفاده از تابع خواند . در زمان نگارش این مقاله فرمت های پشتیبانی شده شامل فایل های نوروسیم و مک لاست تی و نورالینکس و پلکسون می باشند. داده های اصلی را می توان در اینجا بارگیری کرد. پس از خواندن از داده های سنبله, ما را انتخاب کنید کانال سنبله مورد علاقه.

یکی به اصطلاح ساختار سنبله (نگاه کنید به: نوع داده _ اسپایک ). در این ساختار سنبله ما به سادگی داده های سنبله خام (مهر زمانی سنبله ها و شکل موج ها) را برای چندین سلول جمع می کنیم که از طریق برچسب شناسایی می شوند:

ساختار سنبله شامل یک نماینده از مهر زمان, شکل موج و برچسب برای تعدادی از سلول (نفر 2). درست سنبله.برچسب یک مجموعه سلولی 1 برابر است که حاوی یک رشته کاراکتر است که هر سلول را مشخص می کند. برای هر یک از واحد نفر, سنبله درست.مهر زمان شامل مهر زمان سنبله, جایی که یک مهر زمان مربوط به 1/40000 ثانیه در این مورد, عنوان را می توان از سنبله دیده.اچ دی.سر پرونده.فرکانس (و به عنوان مثال با میکروثانیه برای نورالینکس دیجیتال مطابقت دارد).

برای نمونه 164456 میخ برای سیگ002 وات اف جدا شده ثبت شد.

(اختیاری) سنبله درست شکل موج.شکل موج شامل اطلاعات شکل موج برای هر یک از خوشه. بعد اول سنبله . شکل موج< i >است 'منجر'. برای ضبط تترود, منجر متعدد در هر الکترود در دسترس هستند, که در این صورت بعد اول سنبله . شکل موج< i >می توانست از اندازه 4 باشد. بعد دوم شکل موج شامل نمونه ها است. در این حالت یک نمونه مربوط به 1/40000 ثانیه است. بعد سوم از سنبله . شکل موج< i >طول سنبله برابر است . مهر زمان< i >, به طوری که یک شکل موج برای هر سنبله وجود دارد (بعد'سنبله').

شکل موج را می توان با استفاده از پردازش کرد .

محاسبات شکل موج متوسط

یک ابزار مهم برای توصیف کلاس سلول خاص یک نورون ثبت متعلق به, تجزیه و تحلیل شکل موج بالقوه عمل خود است. به عنوان مثال سلولهای هرمی شکل موج گسترده ای دارند در حالی که نورونهای مهاری سریع دارای شکل موج باریکی هستند (یعنی مدت زمان کوتاه پتانسیل عمل). برای توصیف شکل موج از تابع استفاده می کنیم شکل موج فوت _ اسپایک . تابع پریفرم های پریفرم شکل موج تراز شکل موج بر اساس اوج, به گونه ای که می توانند در واحدهای مختلف نیز تراز شوند, دامنه واحد را عادی می کند (در صورت درخواست), شکل موج را درون یابی می کند و رد دورتری را انجام می دهد. همچنین یک ساختار سنبله (در صورت درخواست دو خروجی) را برمی گرداند که شکل موج های دورافتاده رد شده حذف شده اند. از این رو می تواند به عنوان یک مرحله پیش پردازش اضافی مورد استفاده قرار گیرد. ما

ساختار موج حاصل دارای محتوای زیر است

و سنبله سازه تمیز شده دارای سنبله های کمتری نسبت به گذشته است. علاوه بر این, شکل موج فردی تراز وسط قرار دارد شده است:

رسم میانگین شکل موج و واریانس برای دو واحد:

نشان می دهد که یک واحد دارای ساختار یک سلول سنبله سریع (به دلیل باریک بودن شکل موج) و یک واحد از یک سلول سنبله گسترده (به دلیل گسترده بودن شکل موج)است:

افزودن اطلاعات رویداد ماشه به ساختار سنبله

پس از داده های سنبله خام شده است در خواندن, ما بازسازی نسبت به محرک رویداد, است که ما اضافه کردن یک بعد محاکمه به. این دو عملکرد را انجام می دهد. ابتدا زمان سنبله را در واحد مهر زمان به زمان سنبله در واحد ثانیه تبدیل می کند. در مرحله دوم, با ساخت محاکمات, ما می توانیم با تجزیه و تحلیل بیشتر که مربوط به سنبله به دستکاری تجربی در هر محاکمه ادامه, مانند پری هیستوگرام زمان محرک (پی اس اس), قطعه شطرنجی و غیره.. برای این منظور از تابع استفاده می کنیم . این تابع به دو پیکربندی نیاز دارد. اولا تعداد مهر زمانی در ثانیه که باید به صراحت توسط کاربر مشخص شود. این اطلاعات معمولا در سنبله در دسترس است.اچ دی. در این مورد, سی اف جی . مهر زمانی ثانیه = سنبله . اچ دی . سر پرونده . فرکانس = 40000 .

در مرحله دوم, یک نترالس ایکس 3 سی اف جی.ماتریس شامل شروع (:,1) (ستون اول) و پایان (:,2) (ستون دوم) محاکمات در واحدهای مهر زمان و جبران نسبت به ماشه (:,3) در واحدهای مهر زمانی. این امر مستلزم خواندن پرونده رویداد است. اطلاعات رویداد از فایل با استفاده از:

این برای هر یک از رویدادهای ثبت شده 37689 نمونه را مشخص می کند (در صورت موجود بودن: این مربوط به نمونه های سنبله میدان است) مقدار (عددی که به طور منحصر به فرد رویداد را شناسایی می کند) و مهر زمانی که رخ داده است.

با استفاده از فیلدهای ارزش و مهر زمان ما یک تابع مشخص شده توسط کاربر ساختیم که یک سی اف جی را میسازد.ماتریس. در این حالت قبل از شروع محرک تا اولین تغییر محر ک-2.75 مصرف می کنیم. ما ابتدا یک تابع محاکمه ایجاد می کنیم که باید در مسیر متلب ذخیره شود.

شما باید کد بالا را در ویرایشگر متلب کپی و پیست کنید و فایل ام را به عنوان تریالفون_ستیمون ذخیره کنید.متناوبا شما می توانید تابع محاکمه در اینجا دانلود کنید.

سپس تماس می گیریم

سپس به ما می دهد برای این مجموعه داده یک ساختار جدید

ساختار در حال حاضر شامل بار سنبله در ثانیه (سنبله.زمان) و در واحدهای مهر زمان (سنبله ها.مهر زمان) برای سنبله هایی که در محاکمات مشخص شده رخ داده است (ببینید که سنبله های کمتری در سنبله ها وجود دارد.برچسب زمان در حال حاضر از قبل).

ما سه زمینه جدید در ساختار سنبله ایجاد کرده اند, یعنی سنبله.زمان, خوشه.محاکمه و سنبله.زمان محاکمه.

این سه میدان با هم ساختار سنبله را نسبت به ماشه رویداد به طور کامل شناسایی می کنند. رابطه بین سنبله ها.زمان و سنبله ها.مهر زمان برای 8 محاکمه اول نشان داده شده است. تمام سنبله هایی که در یک محاکمه قرار می گیرند در سنبله ها ارزش یکسانی دارند.محاکمه.

در این مثال واحد 'سیگ002_واف' در مجموع 83613 خوشه در دوره های محاکمه انتخاب شده شلیک کرد. برای هر سنبله, ما در دادگاه نشان می دهد سنبله اخراج شد(سنبله.محاکمه) و در چه زمانی (در عرض چند ثانیه) سنبله شلیک شد (سنبله ها.زمان). بدین ترتیب, سنبله. زمان< i >( ج), سنبله ها . دادگاه< i >( ج), سنبله ها . مهر زمان< i >(ج), و سنبله . شکل موج< i >(. ی) همه حاوی اطلاعاتی در مورد سنبله جی-ام از نورون من-ام.

سنبله ها.زمینه محاکمه به طور کامل ساختار قطارهای سنبله را نسبت به محاکمات تجربی مشخص می کند و همچنین نشان می دهد که در کدام محاکمات هیچ سنبله ای شلیک نشده است و مرزهای محاکمات چه بوده است (همانطور که محاکمات بلافاصله با سنبله شروع نمی شوند). ستون اول و دوم سنبله ها . زمان محاکمه به ما بگویید که شروع و پایان محاکمه نسبت به ماشه رویداد بود. به عنوان مثال,

توجه داشته باشید که در پایان از محاکمه متغیر است چرا که ما تعریف محاکمات ما در حال اجرا تا زمانی که هدف اول و یا تغییر منحرف کننده. سنبله های میدانی.اف جی.تریلر به ما می گوید که شروع و پایان محاکمات در واحدهای مهر زمانی چه بود.

مزیت ساختار سنبله این است که در مقایسه با قالب باینری (صفر و عدد صحیح) بسیار کارا است و داده های صدها نورون را می توان به راحتی در این ساختار ذخیره کرد. برای بسیاری از توابع, به عنوان مثال, پی اس اس, شطرنجی-قطعه و متقابل همبستگی, همچنین طبیعی ترین قالب برای انجام محاسبات است. علاوه بر این, فرمت باعث می شود به راحتی به مرتبط داده های خاص با خوشه تک, برای مثال طیف ال اف پی سنبله باعث و اطلاعات شکل موج.

همچنین ممکن است برای ایجاد تنها یک محاکمه. این به دو دلیل مفید است. اول از همه, ما به صراحت تبدیل مهر زمانی به زمان. ثانیا می توانیم این واقعیت را تصحیح کنیم که اولین مهر زمانی ثبت شده اغلب از صفر شروع نمی شود (مثلا با داده های نورالینکس).

در این حالت اولین مهر زمان ثبت شده با صفر مطابقت دارد. برای این منظور می دویم:

برای دستیابی به ساختار

اکنون, همه خوشه ها.محاکمه به یک و همه زمان های سنبله تنظیم می شود (سنبله ها.زمان) نسبت به شروع ضبط هستند.

تبدیل ساختار سنبله به قالب خام مداوم و برگشت

برای برخی از تجزیه و تحلیل, ممکن است مورد نظر به داده ها در فرمت باینری. ساختار سنبله را می توان با استفاده از قالب خام باینری پیوسته تبدیل کرد (نگاه کنید به:

جایی که نمونه (در این حالت خودسرانه 1000 نمونه در ثانیه تنظیم می شود) فاصله مورد نظر نمونه ها را تعیین می کند. اگر نمونه در مقایسه با سرعت شلیک سنبله خیلی کم باشد, سپس قطارهای سنبله باینری نخواهند بود (زیرا چندین سنبله می توانند در یک سطل بیفتند, در نتیجه مقادیر صحیح بزرگتر از یک برای پیگیری تعداد سنبله ها در یک نمونه) و خطاهای دور بزرگتر می شوند. داده های ساختار دارای محتویات است

هر دات . دادگاه< iTrial >شامل یک ماتریس زمان چان ایکس با صفر در نمونه با خوشه و ن در نمونه با نفر خوشه. به عنوان مثال,

ما همچنین می توانیم ساختار داده را با استفاده از یک ساختار سنبله تبدیل کنیم

پس از تبدیل, شکل موج و مهر زمان اطلاعات از دست داده است. توجه داشته باشید که این تبدیل به طور خودکار در تمام توابع سنبله انجام, به طوری که داده ها در هر دو سنبله و یا (مداوم) نمایندگی خام را می توان وارد.

مشخص کردن توزیع های بین سنبله-فاصله

اگر قطار سنبله توسط یک فرایند پواسون اداره, سپس ارقام از قطار سنبله را می توان به طور کامل توصیف: توزیع زمان انتظار بین خوشه های بعدی نمایی است, و توزیع شمارش سنبله پواسون است. با این حال, نورون نشان می دهد رفتارهای مختلف غیر پواسونی, مانند دوره نسوز, ترکیدن, و ریتمیک. این رفتارها ممکن است ناشی از پویایی ذاتی (به عنوان مثال به دلیل ثابت های زمانی کانال یونی خاص) یا فرایندهای شبکه (به عنوان مثال نوسانات) باشد. برای بررسی اینکه قطارهای سنبله ای ثبت شده چنین اثرات تاریخ غیر پواسونی را نشان می دهند به بررسی توزیع این سیستم می پردازیم.

برای مجموعه دادههای فعلی با استفاده از توابع اسپایک_ایسی و اسپایک_پلات_پلات_پلات_پلات_پلات_پلات_پلات_پلات_پلاتساختار به بررسی توزیع ایسی برای دوره محرک میپردازیم . ما هیستوگرام را با استفاده از

ساختار حاصله دارای محتوای زیر است

میدان ایشیه.سنبله قبلی) و شامل نانها در ابتدای محاکمات است. میدان ایشیه.میانگین شامل میانگین هیستوگرام ایسی در واحد و ایسی است.ضریب پارامتر محاسبه شده خلاصه ای از هیستوگرام ایسی (به عنوان مثال دیدن شینوموتو و همکاران., 2009) .سپس هیستوگرام ایسی (که می تواند به تنهایی با استفاده از پلات_سپایک ترسیم شود ) را به همراه نمودار بازگشتی ایسی (پوانکاره) ترسیم می کنیم که ایسی(ن) فعلی را در مقابل ایسی(ن+1) بعدی ترسیم می کند و بدین ترتیب بینشی در مورد امار مرتبه دوم توزیع ایسی می دهد:

این را می دهد دو چهره, یکی با یک دوره نسوز دیگر (سلول خوشه باریک; بالا), و یکی با یک الگوی ترکیدن (سلول سنبله گسترده; پایین)

ما همچنین در یک مجموعه داده اضافی متشکل از یک خوشه متر می خوانیم .فایل تی, که می توان در اینجا یافت نشد

این طرح نشان می دهد که پس از یک انفجار یا یک انفجار جدید یا یک دوره انتظار طولانی به ترتیب یک چرخه تتا (100 میلی ثانیه) دنبال می شود.

محاسبه تراکم سنبله و هیستوگرام زمان پری محرک

هم توابع چگالی سنبله و هم هیستوگرام های زمان پری محرک روش هایی برای محاسبه میانگین سرعت شلیک در نقاط زمانی انتخاب شده در اطراف محرک های رویداد هستند. این یک گام مهم برای درک نحوه واکنش نورون ها به تغییرات متغیرهای خارجی است. برای محاسبه پسته از تابع استفاده کنید .

خروجی را به ما می دهد

ساختار پسته یک ساختار داده به اصطلاح 'قفل زمانی' است ( فوت _ نوع داده _ تایملاک, و می تواند به عنوان مثل در تمام توابع در نظر گرفتن ساختار قفل زمانی به عنوان یک ورودی استفاده می شود. میدان پسته.میانگین شامل نرخ شلیک متوسط در هر بن در هر واحد, و پسته.دادگاه شامل متوسط نرخ شلیک در هر محاکمه در هر واحد در هر زمان بن. همچنین ورود به قطارهای سنبله باینری که در قالب خام مداوم ذخیره می شوند (اما از نظر محاسباتی کمتر) امکان پذیر است. داده است و سپس به طور خودکار به یک ساختار سنبله در فوت_سپایک_پسته تبدیل شده است .

یک قطعه شطرنجی با پسته با دویدن حاصل می شود

خطوط زرد در طرح شطرنجی نشان دهنده مرزهای محاکمه است. گزینه های پیکربندی برای کنترل طول و عرض سنبله و اندازه شطرنجی نسبت به خلاصه داده های چگالی پسته / سنبله در دسترس هستند. همچنین نورون های متعدد با رنگ های مختلف رسم می شوند. این نیز می تواند مورد استفاده قرار گیرد به رسم شرایط متعدد در همان زمان.

سپس عملکردهای تراکم سنبله را در قطارهای سنبله اجرا می کنیم تا تراکم سنبله با رسترها حاصل شود. مزیت تابع چگالی سنبله این است که می توان برای هر نقطه زمانی به جای سطل های بزرگتر (مانند پسته) تخمین نرخ شلیک لحظه ای یا تعداد سنبله مورد انتظار را دریافت کرد.

خروجی از تراکم فوقالعاده دوباره یک ساختار بازه زمانی است. خروجی دوم را می توان از تراکم سنبله ای دریافت کرد که حاوی تراکم سنبله تخمین زده شده در هر محاکمه در یک ساختار داده خام مداوم است. برای این منظور انجام دهید: