一个python包，包含许多解码神经活动的方法。
Neural-Decoding的Python项目详细描述
神经解码：
一个python包，包含许多解码神经活动的方法
该软件包包含经典解码方法（维纳滤波、维纳级联、卡尔曼滤波、朴素贝叶斯、支持向量回归）和现代机器学习方法（xgboost、稠密神经网络、递归神经网络、gru、lstm）的混合体。
解码器目前设计用于预测连续值输出。今后，我们将对这些功能进行修改，以允许进行分类。
我们的手稿和数据集
此软件包附带了一份比较这些方法在多个数据集上性能的手稿。如果您使用我们的代码或数据进行研究，请引用该手稿，我们将不胜感激。
用于纸张的代码位于"纸张代码"文件夹中。下面将进一步介绍"请阅读我的资料"。
本文中使用的3个数据集（运动皮层、体感皮层和海马）都可以下载这里。它们有Matlab和Python两种格式，可以在下面描述的示例文件中使用。
安装
通过在命令行中键入pip可以安装此软件包
pip install Neural-Decoding
或手动通过
git clone https://github.com/KordingLab/Neural_Decoding.git cd Neural_Decoding python setup.py install
如果手动安装，则必须自己安装每个依赖项。我们设计的代码并不是所有的机器学习包 需要安装才能让其他人工作。
依赖关系
从pip安装时，将自动安装所有软件包（因为requirements.txt文件）。
如果通过python setup.py install手动安装：
为了运行所有基于神经网络的解码器，您需要安装keras
为了运行xgboost解码器，您需要安装xgboost
要运行wiener过滤器、wiener级联或支持向量回归，您将需要scikit learn。< BR>
为了进行超参数优化，您需要安装bayesianoptimization
开始
我们提供了Jupyter笔记本，提供了如何使用解码器的详细示例。
- 文件"examples-kf-u解码器"用于kalman滤波器解码器，"examples-all-u解码器"文件用于所有其他解码器。这些例子适用于体感和运动皮层数据集。
- 海马体数据集中有一些细微的差异，因此我们包含了一个文件夹"examples_hamparima"，其中包含类似的示例文件。这个文件夹还包括一个使用naive bayes解码器的示例文件（因为它在我们的海马体数据集上工作得更好）。
- 我们还包括一个笔记本，"example_hyperparam_opt"，演示如何对解码器进行超参数优化。
这里我们提供一个使用lstm解码器的基本示例。< BR> 对于本例，我们假设已经加载了矩阵：
- "神经数据"：大小为"总时隙数"x"神经元数"的矩阵，其中每个条目是给定时隙中给定神经元的放电率。
- "y"：您正在解码的输出变量（例如速度），是一个大小为"总时隙数"x"您正在解码的特征数"的矩阵。
我们提供了一个jupyter笔记本，"example_format_data"和一个如何将matlab数据转换成这种格式的例子。
首先，我们将导入必要的函数
fromNeural_Decoding.decodersimportLSTMDecoder#Import LSTM decoderfromNeural_Decoding.preprocessing_funcsimportget_spikes_with_history#Import function to get the covariate matrix that includes spike history from previous bins
接下来，我们将定义使用spi的时间段kes from（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 decodingbins_current=1#Whether to use concurrent time bin of neural databins_after=0#How many bins of neural data after the output are used for decoding
下一步，我们将计算协变量矩阵，该矩阵包括来自前一个箱子的尖峰历史
# Function to get the covariate matrix that includes spike history from previous binsX=get_spikes_with_history(neural_data,bins_before,bins_after,bins_current)
在这个基本示例中，我们将忽略在示例笔记本中执行的一些额外预处理。假设我们现在已经将数据分为一个训练集（x~u train，y~u train）和一个测试集（x~u test，y~u test）。
我们现在将最终训练和测试解码器：
#Declare model and set parameters of the modelmodel_lstm=LSTMDecoder(units=400,num_epochs=5)#Fit modelmodel_lstm.fit(X_train,y_train)#Get predictionsy_test_predicted_lstm=model_lstm.predict(X_test)
包含的内容
有3个具有函数的文件。功能概述如下。有关详细信息，请参见文件中的注释。
解码器.py:
此文件提供所有解码器。每个解码器都是一个具有函数"fit"和"predict"的类。
首先，我们将描述解码器所需的数据格式
- 对于所有解码器，您需要确定用于解码的峰值（相对于输出）的时间段。
- 对于除kalman滤波器之外的所有解码器，您可以设置"bins_before"（输出前的峰值数）、"bins_current"（是否使用与输出同时的峰值数）和"bins_after"（输出后的峰值数）。设"周围垃圾箱"=前垃圾箱+当前垃圾箱+后垃圾箱。这使得我们可以得到一个三维协变量矩阵"x"，其大小为"总时隙数"x"周围的时隙数"x"神经元数"。我们将此输入格式用于递归神经网络（simplenn、gru、lstm）。我们还可以将矩阵展平，这样每个时间点都有一个特征向量，得到"x_flat"，它是一个二维矩阵，大小为"时间点总数"x"周围的戋bins x神经元数"，这种输入格式用于维纳滤波器、维纳级联、支持向量回归，xgboost和密集的神经网络。
- 对于kalman滤波器，您可以设置"滞后"——使用神经数据（相对于输出）的哪个时间点来预测输出。kalman滤波器的输入格式只是二维矩阵，大小为"总时隙数"x"神经元数"，其中每个条目是给定时隙中给定神经元的触发率。
- 输出"y"是一个二维矩阵，其大小为"总时隙数"x"输出特性数"。
"decoders.py"中的所有解码器如下：
- wienerfilterdecoder < > >
- 维纳滤波器是简单的多元线性回归，使用x_平面作为输入。
- 它没有输入参数
- 维纳级联解码器 < > >
- 维纳级联（也称为线性非线性模型）拟合线性回归（维纳滤波器），然后拟合静态非清晰性。
- 它具有参数次数（用于非线性的多项式次数）
- KalmanFilterDecoder < > >
- 我们使用的卡尔曼滤波器类似于在wu等人中实现的卡尔曼滤波器2003 在卡尔曼滤波器中，测量值是神经尖峰序列，隐藏状态是运动学。
- 我们有一个参数c（它不在前面的实现中）。此参数缩放与运动状态转换相关联的噪声矩阵。它有效地允许在当前更新中更改新神经证据的权重。
- 朴素贝叶斯解码器 < > >
- 我们使用了一个朴素的bayes解码器，类似于zhang等人在中实现的解码器。1998年（详见手稿）。
- 它有参数编码模型（对于线性或二次编码模型）和res（用于设置预测值的分辨率）
- 此解码器使用支持向量回归，使用x_flat作为输入。
- 它有参数c（错误项的惩罚）和max-iter（最大迭代次数）。
- 当输出（"y"）已标准化时，它最有效
- XGBoostDecoder < > >
- 我们使用了极端的梯度提升算法xgboostxgboost将xu平面与输出关联起来。xgboost基于增强树的思想。
- 它有参数max_depth（树的最大深度）、num_round（适合的树的数量）、eta（学习速率）。以及gpu（如果您安装了xgboost的gpu版本，则可以选择要使用的gpu）
- 登森编码器 < > >
- 利用keras库，我们建立了一个密集的前向神经网络，使用x_平面来预测输出。它可以有任意数量的隐藏层。
- 它有参数units（每层中的单元数）、dropout（被退出的单元的比例）、num epochs（用于训练的epochs的数量）和verbose（是否显示每个epoch之后的拟合进度）
- 简单编码器 < > >
- 使用keras库，我们创建了一个神经网络结构，其中峰值输入（来自矩阵x）被输入到一个标准的递归神经网络（rnn）中，并激活relu。来自这个循环层的单元完全连接到输出层。
- 它有参数units，dropout，num-epochs和verbose
- grudecoder < > >
- 使用keras库，我们创建了一个神经网络结构，其中峰值输入（来自矩阵x）被输入到一个门控递归单元（grus；一个更复杂的rnn）网络中。来自这个循环层的单元完全连接到输出层。
- 它有参数units，dropout，num-epochs和verbose
- lstmdecoder < > >
- 所有的方法都与GRU解码器相同，只是使用了长-短期内存网络（LSTM；另一个更复杂的RNN）而不是GRU。
- 它有参数units，dropout，num-epochs和verbose
- 二进制峰值：将峰值时间转换为时间段内的峰值数
- 二进制输出：将连续输出流转换为时间二进制内的平均输出
- 使用"历史记录"获取"尖峰"：使用二进制尖峰作为输入，此函数创建包含尖峰历史的神经数据的协变量矩阵
- 以"manydecoders"开头的文件使用除kalman滤波器和naive bayes之外的所有解码器
- 以"kf"开头的文件使用卡尔曼滤波器
- 以"bayes decoder"开头的文件使用朴素的bayes解码器
- 以"plot"开头的文件在纸上创建图形
- 以"fulldata"结尾的文件用于图3/4
- 以"dataamt"结尾的文件用于图5/6
- 以"fewneurons"结尾的文件用于图7
- 以"binSize"结尾的文件用于图8
- 提到"hyperparams"的文件用于图9
在设计xgboost和神经网络译码器时，还可以使用许多附加参数（如正则化）。为了简化易用性，我们只包括足以产生良好配合的参数。
metrics.py:
该文件具有评估模型拟合度的度量函数。它当前有计算功能：
预处理函数py
该文件包含用于预处理数据的函数，这些函数可能有助于将神经AC解码功能的正确格式的活动性和输出
纸张代码
在"Paper_code"文件夹中，我们包括用于手稿的代码。
欢迎加入QQ群-->： 979659372
