基于矩阵与张量分解的群体脉冲序列单试次分析数据

数据集获取

源站：https://doi.org/10.5061/dryad.4ch10

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 273.1 MB。

数据说明

神经元记录技术的进步使得同时监测的神经元数量日益增多。这带来了一个重要的分析挑战：如何紧凑地捕捉神经群体编码在空间维度（不同位置神经元对刺激调谐的差异）、时间维度（时间性神经响应变化）或二者组合（时间协调的神经群体放电）中所携带的全部感觉信息。本文研究了沿空间和时间维度对群体尖峰序列进行张量分解的效用。这些分解将单试次群体尖峰序列数据集分解为空间放电模式（共同放电的神经元组合）、时间放电模式（这些神经元组的时间激活）以及试次依赖的激活系数（每次试次中此类神经模式被募集的强度）。我们在模拟数据以及蝾螈视网膜中同时记录的神经节细胞群体上验证了多种分解方法。

我们发现，单试次张量时空分解提供了对脉冲序列的低维数据稳健表示，能高效捕捉关于感觉刺激的空间和时间信息。具有正交约束的张量分解在提取感觉信息方面最为高效，而非负张量分解即使面对非独立且重叠的脉冲模式也能良好工作，并检索出同一群体在响应新刺激时表达的信息性放电模式。我们的方法表明，视网膜神经节细胞群体在其十毫秒尺度的脉冲时序中携带了关于自然图像空间细节的信息。这些信息无法从这些细胞的脉冲计数中恢复。首次脉冲潜伏期携带了完整脉冲序列中关于精细尺度图像特征的大部分信息。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。