Este es un problema ampliamente estudiado en neurociencias, donde usted necesita para determinar la "explosividad" de los potenciales de acción de una neurona. Los métodos, sin embargo, puede ser, obviamente, se aplica a cualquier serie de eventos.
La mayoría de ellos se basan en el análisis de los intervalos entre los dos eventos siguientes: en el caso de los potenciales de acción de estos, generalmente se llama intervalo entre pico (ISI), pero podemos llamarlos inter-evento intervalos (IEI) generalizar.
Los podemos definir como
$IEI = t_n - t_{n-1} \quad\quad n=2,3,4,...,N$
Donde $t_n$ es el tiempo de evento $n$ $N$ es el número total de eventos.
Voy a enumerar algunos de los enfoques que se han utilizado. La mente, sin embargo, que esta lista está lejos de exaustive.
La forma más fácil de visual cosa a hacer es empezar a trazar un histograma de la IEIs o, aún mejor, un histograma de $log_{10}(IEI)$.
En caso de alta "explosividad" el histograma tendrá una clara bimodal
de distribución, con un montón de cortos intervalos entre los eventos y algunos más largos (de las pausas entre las explosiones)
Si usted tiene un muy buen número de la serie de eventos también puede utilizar un algoritmo de clustering para dividirlos en grupos (regular, lento estallido, rápido estallido etc.). Este enfoque fue adoptado, por ejemplo, en este papel por Nowak et al. donde varios de los parámetros de la distribución (media, mediana, asimetría, curtosis, IQI, etc.) se toman como clasificadores para la agrupación jerárquica.
Electrofisiológicas Clases de Gato Primarios de Neuronas Corticales Visuales En Vivo como se Revela por Análisis Cuantitativos (artículo gratuito)
Otro clásico enfoque es conocido como el "Poisson sorpresa método" y fue descrito en el año 1985 por Charles Legéndy y Michael Salcman en su papel
Las explosiones y las recurrencias de las explosiones en los trenes de pico de forma espontánea activa la corteza estriada de las neuronas. (no es gratis)
La idea de este método es que:
La medida utilizada aquí es una evaluación de lo improbable que es que la explosión es una casualidad y se calcula, para cualquier ráfaga que contiene n picos en un intervalo de tiempo T, como
$s = - log P$
donde P es la probabilidad de que, en un aleatoria (distribución de Poisson) pico de tren de tener el mismo promedio de la tasa pico Y como el pico de tren estudiado, un determinado intervalo de tiempo de longitud T contiene y2 o más picos.
Me pueden proporcionar el código R para ello si es necesario
Una "actualización", en la versión de la distribución de Poisson-sorpresa método, el cual fue desarrollado para resolver ciertos problemas con que método es el rango-sorpresa método descrito en el 2007 por Boris Gourévitch y Jos Eggermont en su papel
Un test no paramétrico de enfoque para la detección de explosiones en los trenes de espigas (no es gratis)
que utiliza una no paramétrica de enfoque para definir las ráfagas.
Se propone el uso de una exhaustiva búsqueda de la máxima de la sorpresa estadística utilizando el siguiente algoritmo apodado (ESM exhaustiva sorpresa maximización): preliminar para el algoritmo, se corrige el más grande de ISI valor aceptable en una ráfaga (límite) y un nivel de registro(α) de mínima importancia para la sorpresa de la estadística. Nosotros, luego de identificar una primera secuencia de ISIs, cuyos valores están por debajo del límite. A partir de esta secuencia, podemos realizar una búsqueda exhaustiva de la mayor sorpresa de la estadística sobre todos los posibles continua subsecuencias de ISI.Si la última sorpresa de la estadística está por encima de −log(α), la asociada a la larga se etiqueta como una ráfaga. Otra ráfaga es entonces buscó entre el resto de continuo ISI subsecuencias, obedeciendo el mismo criterio. El proceso se repite hasta que uno de los restantes continua ISI larga es capaz de proporcionar una importante RS estadística. Cuando el proceso se detiene, vamos a proceder a la siguiente secuencia de ISIs, cuyos valores están por debajo del límite y así sucesivamente.
Los autores proporcionan pseudo-código y el código de Matlab para el algoritmo
Otros enfoques se basan en la variabilidad de la distribución.
En particular, se puede utilizar el coeficiente de variación $C_V$, definido clásicamente como
$C_V = \frac{\sigma_{IEI}}{\langle{IEI}\rangle}$
El mayor $C_V$ el burstier los eventos de distribución
$C_V$, sin embargo, es bastante áspero índice, por lo que una mejor versión de que se había propuesto, llamado $C_{V2}$, por Gary Holt y colegas en su papel
Comparación de descarga de la variabilidad in vitro e in vivo en neuronas de la corteza visual del gato (no es gratis)
$C_{V2} = \frac{2*|{IEI}_{n+1}-{IEI}_n|}{{IEI}_{n+1}+{IEI}_n}$
Finalmente, otro enfoque, propuesto por Shigeru Shinomoto y sus colegas en el 2003 es el coeficiente de variación $L_v$, el cual es definido como
$L_v = \frac{1}{n-1} \sum_{i=1}^{n-1}\frac{3(T_i-T_{i+1})^2}{(T_i+T_{i+1})^2}$
en su papel
Las diferencias en los Patrones Enriquecidas Entre las Neuronas Corticales
También, dos clásicos deben leer:
Neuronal de los trenes de espigas y estocástico punto de los procesos. I. El único pico de tren
Neuronal de los trenes de espigas y estocástico punto de los procesos. II. Simultánea de los trenes de espigas (libres, el segundo probablemente no es demasiado interesante para usted, pero es una buena lectura)
