知识地图 › 模块 08
MODULE 08
方法与工具
Methods and tools
- 目标
- 从"读懂模型"走到"做出可信的分析"——脉冲统计、分选、降维、潜变量、模型比较,以及可复现的工具链。
- 前置
- 模块 01(统计)、模块 04(编码)。
- 周期
- 3 周 | 共 7 个知识点
本模块进度0/7
8.1
脉冲序列分析Spike train analysis
在建模之前,先用几个统计量判断这串脉冲"像不像泊松"。
★★☆
8.2
脉冲分选(spike sorting)Spike sorting
从一根电极上的混合电压中,把不同神经元的脉冲拆开——所有结论的第一道关卡。
★★☆
8.3
降维与神经流形Dimensionality reduction
上千个神经元的活动,往往只沿着十几个维度的"流形"变化。
★★☆
8.4
潜变量与状态空间模型Latent variable models
把观测到的脉冲看作"潜在低维状态"的噪声投影,用贝叶斯滤波反推状态轨迹。
★★★
8.5
模型拟合、比较与可辨识性Model fitting and comparison
模型不是"越准越好",而是在拟合优度与复杂度之间做权衡,并检验参数是否可辨识。
★★★
8.6
仿真工具链Simulation toolchain
选错工具会让项目多花三个月——形态细节用 NEURON,大规模脉冲网络用 NEST,快速原型用 Brian2。
★★☆
8.7
开放数据与可复现Open data and reproducibility
计算神经科学的可信度,取决于别人能不能用你的数据与代码复现那张图。
★★☆
自测题
- 某神经元在 1 s 内发放 50 次,CV = 1.4。这说明它更可能是泊松、规则还是簇发?为什么?
- PCA 与因子分析都能降维,它们的核心区别是什么?在什么情况下 PCA 会给出误导性的"维度数"?
- AIC 与 BIC 在什么情况下会给出相反的模型选择结论?这时应该相信哪一个?