膜片钳神经记录的神经模型估计和评估包。
fit_neuron的Python项目详细描述
fit_neuron是一个易于使用的python包,用于快速估计广义积分和fire神经模型 从膜片钳电生理记录。优化例程实现一个拟合过程 在[RB2005]和[MS2011]中描述。该软件包包括一个易于使用的界面,类似于scikit learn,用于将模型与数据拟合,然后使用拟合的模型进行预测。使用的例程可以估计[RB2005]、[MN2009]和[MS2011]中描述的模型。 正如文档中深入描述的,子阈值 使用线性回归估计参数,并估计阈值参数 使用最大似然法。拟合程序是为速度而建立的:它估计10秒数据的神经元参数 在一台四核华硕笔记本电脑上大约50秒。fit\u neuron还包含有效的实现 下列尖峰距离测量值:维克多紫癜[DA2003]、范罗斯姆[VR2001]、施赖伯[SS2003]、伽玛[RJ2008]。 它可以用来评估估计模型的准确性,并提供度量 尖峰列车之间的同步。
Date: | 2013-12-28 |
---|---|
Version: | 0.0.5 |
Authors: |
|
链接
- pypi
最新的稳定版本可在:https://pypi.python.org/pypi/fit_neuron下载。
- github
最新的开发版本位于:https://github.com/nicodjimenez/fit_neuron。欢迎所有相关贡献 并保证快速审查拉取请求。
- 文档
此软件包的Sphinx文档位于:http://pythonhosted.org/fit_neuron/。
依赖关系
- numpy
矩阵和向量计算的标准python模块:https://pypi.python.org/pypi/numpy。
- scipy
用于统计分析的标准python模块:http://www.scipy.org/install.html。
- matplotlib
数据可视化的标准python模块:http://matplotlib.org/users/installing.html。
安装
Fit_Neuron软件包的安装方法如下:
sudo pip install fit_neuron
然后按如下方式安装Fit_Neuron软件包的数据:
sudo python -m fit_neuron.data.dl_neuron_data
警告
首次运行此脚本将下载包含测试录制的300 MB zip文件 然后解压缩到fit\u neuron 包裹。根据您的带宽,这可能需要20分钟。下载文件后,测试 数据可以通过fit_neuron.data包轻松访问。
测试
可以使用两个测试脚本。两个脚本都是 在文档(http://pythonhosted.org/fit_neuron/)中描述。
第一个脚本简单得多,更容易理解,但不太可配置:
python -m fit_neuron.tests.test_model
fit_neuron更复杂、更可配置的测试脚本可以如下运行:
python -m fit_neuron.tests.test
这将在当前目录中创建名为test_output_figures的目录。
如果您有任何问题/意见,请随时与我联系。
参考文献
[RB2005] | (1, 2) Brette, Romain, and Wulfram Gerstner. “Adaptive exponential integrate-and-fire model as an effective description of neuronal activity.” Journal of neurophysiology 94.5 (2005): 3637-3642. |
[MN2009] | Mihalas, Stefan, and Ernst Niebur. “A generalized linear integrate-and-fire neural model produces diverse spiking behaviors.” Neural computation 21.3 (2009): 704-718. |
[MS2011] | (1, 2) Mensi, Skander, et al. “Parameter extraction and classification of three cortical neuron types reveals two distinct adaptation mechanisms.” Journal of neurophysiology 107.6 (2012): 1756-1775. |
[RJ2008] | Jolivet, Renaud, et al. “A benchmark test for a quantitative assessment of simple neuron models.” Journal of neuroscience methods 169.2 (2008): 417-424. |
[SS2003] | Schreiber, S., et al. “A new correlation-based measure of spike timing reliability.” Neurocomputing 52 (2003): 925-931. |
[VR2001] | van Rossum, Mark CW. “A novel spike distance.” Neural Computation 13.4 (2001): 751-763. |
[DA2003] | Aronov, Dmitriy. “Fast algorithm for the metric-space analysis of simultaneous responses of multiple single neurons.” Journal of Neuroscience Methods 124.2 (2003): 175-179. |