文件名称:xgboost代码回归matlab-neural_decoding:解码来自KordingLab的分析代码
文件大小:48.99MB
文件格式:ZIP
更新时间:2024-06-15 16:26:49
系统开源
xgboost代码回归matlab 神经解码: 包含许多用于解码神经活动的方法的python软件包 该软件包包含经典解码方法(维纳滤波器,维纳级联,卡尔曼滤波器,支持向量回归)和现代机器学习方法(XGBoost,密集神经网络,递归神经网络,GRU,LSTM)的混合。 当前设计解码器来预测连续值的输出。 将来,我们将修改功能以允许分类。 该程序包随附一个,用于比较这些方法在多个数据集上的性能。 如果您在研究中使用我们的代码,请引用该手稿,我们将不胜感激。 依存关系 为了运行所有基于神经网络的解码器,您需要安装为了运行XGBoost解码器,您需要安装为了运行维纳滤波器,维纳级联或支持向量回归,您将需要。 入门 我们提供了jupyter笔记本,其中提供了有关如何使用解码器的详细示例。 文件“ Examples_kf_decoder”用于卡尔曼滤波器解码器,文件“ Examples_all_decoders”用于所有其他解码器。 在这里,我们提供一个使用LSTM解码器的基本示例。 对于此示例,我们假设我们已经加载了矩阵: “ neural_data”:大小为“时间段总数” x“神经元数量”的矩
【文件预览】:
neural_decoding-master
----save_all_turns.py(5KB)
----plot_head_data.py(1KB)
----test_batch_run.sh(375B)
----imu_ephys_align.py(1KB)
----lfp_powers_head_data.pdf(253KB)
----GRU_plots2.pdf(3.55MB)
----ridgecv_pca.py(9KB)
----Examples_all_decoders.ipynb(779KB)
----GRU_plots.pdf(3.54MB)
----Model Result Plots.ipynb(3.69MB)
----metrics.pyc(2KB)
----metrics.py(2KB)
----decoders-grat32_636391149622309980_lfpbands.py(11KB)
----__pycache__()
--------metrics.cpython-36.pyc(2KB)
--------preprocessing_funcs.cpython-36.pyc(4KB)
--------decoders.cpython-36.pyc(22KB)
----Examples_all_decoders-grat32_636391149622309980_100ms.ipynb(1.33MB)
----svr_xyacc.pdf(453KB)
----decoders.pyc(25KB)
----Example_format_data.ipynb(5KB)
----GRU.pdf(3.64MB)
----euler.pyc(20KB)
----.DS_Store(6KB)
----find_moving_chunks.py(1KB)
----decoders-grat32_636391149622309980_100ms.py(11KB)
----lfp_head_data.pdf(16.27MB)
----aggregate_turns.py(15KB)
----decode_head_data.py(24KB)
----plot_turn_activity.py(11KB)
----Examples_all_decoders-grat30(0B)
----svr_gridcv.py(11KB)
----decoders-grat32_636397133447345980.py(20KB)
----Examples_all_decoders-grat32_ 636407614258558769.ipynb(6.72MB)
----preprocessing_funcs.py(6KB)
----Examples_all_decoders-grat32_636397133447345980.ipynb(6.73MB)
----IMU_sensor_data_2.ipynb(2.28MB)
----Examples_kf_decoder.ipynb(55KB)
----GRU_xyz.pdf(376KB)
----.ipynb_checkpoints()
--------Examples_all_decoders-grat32_636397133447345980-checkpoint.ipynb(5.46MB)
--------Examples_all_decoders-grat30:636380500192558468-checkpoint.ipynb(1.33MB)
--------Examples_all_decoders-grat30(0B)
--------IMU_sensor_data_2-checkpoint.ipynb(2.26MB)
--------Examples_all_decoders-grat32_636391149622309980_100ms-checkpoint.ipynb(1.33MB)
--------Model Result Plots-checkpoint.ipynb(2.31MB)
----README.md(9KB)
----euler.py(17KB)
----model_results_plots.py(4KB)
----decoders.py(28KB)
----preprocessing_funcs.pyc(4KB)
----Examples_all_decoders-grat30:636380500192558468.ipynb(25KB)
----decoding_results_plot.py(5KB)
----plot_IMU_distributions.py(5KB)
----encode_head_data.py(21KB)