DeepInsight هو إطار عميق لفك التشفير يعتمد على التعلم لاكتشاف وتوصيف الارتباطات العصبية للسلوك والمنبهات في البيانات العصبية غير المجهزة. تسمح هذه الأداة باستخدام البيانات الأولية مباشرةً كمدخل ، مما يزيل الخطوة التقليدية لفرز الارتفاع. وهذا يوفر طريقة أكثر موضوعية لقياس أداء فك التشفير.
لا تتطلب الشبكة سوى القليل من مدخلات المستخدم وتعميمها عبر المحفزات والسلوكيات ومناطق الدماغ وتقنيات التسجيل. بمجرد تدريب الشبكة العصبية ، يمكن تحليلها لتحديد عناصر الرمز العصبي التي تكون مفيدة حول متغير معين.
ورقة: https://www.biorxiv.org/content/10.1101/871848v1.full
ورقة PDF: https://www.biorxiv.org/content/10.1101/871848v1.full.pdf
جيثب: https://github.com/CYHSM/DeepInsight
دفتر جوبيتر: https://github.com/CYHSM/DeepInsight/blob/master/notebooks/deepinsight_example_usage.ipynb
التنزيل
في الوقت الحالي ، قم بتثبيت DeepInsight باستخدام الأمر التالي:
pip install -e git+https://github.com/CYHSM/DeepInsight.git#egg=DeepInsightمثال (نسخ من جيثب)
import deepinsight # Load your electrophysiological or calcium-imaging data
(raw_data, raw_timestamps, output, output_timestamps, info) = deepinsight.util.tetrode.read_tetrode_data(fp_raw_file) # Transform raw data to frequency domain
deepinsight.preprocess.preprocess_input(fp_deepinsight, raw_data, sampling_rate=info['sampling_rate'], channels=info['channels']) # Prepare outputs
deepinsight.util.tetrode.preprocess_output(fp_deepinsight, raw_timestamps, output, output_timestamps, sampling_rate=info['sampling_rate']) # Train the model
deepinsight.train.run_from_path(fp_deepinsight, loss_functions, loss_weights) # Get loss and shuffled loss for influence plot
losses, output_predictions, indices = deepinsight.analyse.get_model_loss(fp_deepinsight, stepsize=10)
shuffled_losses = deepinsight.analyse.get_shuffled_model_loss(fp_deepinsight, axis=1, stepsize=10) # Plot influence across behaviours
deepinsight.visualize.plot_residuals(fp_deepinsight, frequency_spacing=2)
