神经时间序列相位幅度耦合（pac）的估计，包括驱动自回归（dar）模型。
pactools的Python项目详细描述
一开始使用pactools
图片：：https://travis-ci.org/pactools/pactools.svg？branch=master
：目标：https://travis ci.org/pactools/pactools
：alt:Build Status
图像：：https://codecov.io/gh/pactools/pactools/branch/master/graph/badge.svg
：目标：https://codecov.io/gh/pactools/pactools
：alt:测试覆盖率
图片：：https://img.shields.io/badge/python-2.7-blue.svg
：目标：https://github.com/pactools/pactools
：alt:python27
图像：：https://img.shields.io/badge/python-3.6-blue.svg
：目标：https://github.com/PAC tools/pactools
：alt:Python36
此包提供了在神经时间序列中估计**相位-幅度耦合（PAC）**
的工具它实现了**驱动的自回归（dar）**
模型，这些模型出现在下面的参考文献中[`dupre la tour et al.2017年`.
请阅读`文档<；https://pactools.github.io>；` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` `安装` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` `，首先需要安装` ` ` ` ` ` ` ` `您还需要安装可选软件包：
然后使用以下两个命令之一安装“pactools”：
-开发版本：：
-最新稳定版本：：
pip installpactools
若要升级，请使用由“pip”提供的“upgrade”标志。
检查是否一切正常，您可以执行以下操作：
，它不应给出任何错误消息。
Phase amplitude coupling频率振荡-是目前为止公认的最大的频率振荡。
pac通常用共模图表示，它显示了在频率网格上耦合的强度。
在“pactools”中，可以用10种不同的方法计算共模图。
整个频谱同时避免了与不正确滤波或对宽带信号使用hilbert变换有关的
陷阱。由于该模型是概率模型，它还通过似然性提供了模型**拟合优度**的
得分，使得
模型的选择和参数比较更为简单合理；
这种数据驱动的特性是这种基于模型的方法所独有的。
我们建议使用dar模型来估计神经时间序列中的pac。
更多详细信息，请参见[`dupre la tour等人。2017年`.
瓦莱丽·道耶，亚历山大格拉夫特和维吉尼亚·范瓦森霍夫，请不要引用，如果你在你的项目中使用这个代码，请引用2017年：
…代码块：
@article{dupretaur2017非线性，
author={dupr{'e}la tour，tom and tallot，lucille and grabot，laetitia and doy{'e}re，val{'e}rie and van wassenhove，virginie and grenier，yves and gramfort，alexandre}，
journal={plos computational biology}，
publisher={public library of science}，
title={neural time series}中跨频率耦合的非线性自回归模型，
year={2017}，
month={12}，
volume={13}，
url={https://doi.org/10.1371/journal.pcbi.1005893}，
pages={1-32}，
number={12}，
doi={10.1371/journal.pcbi.1005893}
}
……_杜普雷拉图尔等人。2017年：http://journals.plos.org/ploscompbiol/article？ID=10.1371/journal.pcbi.1005893
图片：：https://travis-ci.org/pactools/pactools.svg？branch=master
：目标：https://travis ci.org/pactools/pactools
：alt:Build Status
图像：：https://codecov.io/gh/pactools/pactools/branch/master/graph/badge.svg
：目标：https://codecov.io/gh/pactools/pactools
：alt:测试覆盖率
图片：：https://img.shields.io/badge/python-2.7-blue.svg
：目标：https://github.com/pactools/pactools
：alt:python27
图像：：https://img.shields.io/badge/python-3.6-blue.svg
：目标：https://github.com/PAC tools/pactools
：alt:Python36
此包提供了在神经时间序列中估计**相位-幅度耦合（PAC）**
的工具它实现了**驱动的自回归（dar）**
模型，这些模型出现在下面的参考文献中[`dupre la tour et al.2017年`.
请阅读`文档<；https://pactools.github.io>；` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` `安装` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` ` `，首先需要安装` ` ` ` ` ` ` ` `您还需要安装可选软件包：
然后使用以下两个命令之一安装“pactools”：
-开发版本：：
-最新稳定版本：：
pip installpactools
若要升级，请使用由“pip”提供的“upgrade”标志。
检查是否一切正常，您可以执行以下操作：
，它不应给出任何错误消息。
Phase amplitude coupling频率振荡-是目前为止公认的最大的频率振荡。
pac通常用共模图表示，它显示了在频率网格上耦合的强度。
在“pactools”中，可以用10种不同的方法计算共模图。
整个频谱同时避免了与不正确滤波或对宽带信号使用hilbert变换有关的
陷阱。由于该模型是概率模型，它还通过似然性提供了模型**拟合优度**的
得分，使得
模型的选择和参数比较更为简单合理；
这种数据驱动的特性是这种基于模型的方法所独有的。
我们建议使用dar模型来估计神经时间序列中的pac。
更多详细信息，请参见[`dupre la tour等人。2017年`.
瓦莱丽·道耶，亚历山大格拉夫特和维吉尼亚·范瓦森霍夫，请不要引用，如果你在你的项目中使用这个代码，请引用2017年：
…代码块：
@article{dupretaur2017非线性，
author={dupr{'e}la tour，tom and tallot，lucille and grabot，laetitia and doy{'e}re，val{'e}rie and van wassenhove，virginie and grenier，yves and gramfort，alexandre}，
journal={plos computational biology}，
publisher={public library of science}，
title={neural time series}中跨频率耦合的非线性自回归模型，
year={2017}，
month={12}，
volume={13}，
url={https://doi.org/10.1371/journal.pcbi.1005893}，
pages={1-32}，
number={12}，
doi={10.1371/journal.pcbi.1005893}
}
……_杜普雷拉图尔等人。2017年：http://journals.plos.org/ploscompbiol/article？ID=10.1371/journal.pcbi.1005893
欢迎加入QQ群-->： 979659372
