机构名称：
¥ 1.0
随着最近高通量多通道神经生理学和神经成像技术产生的神经数据的复杂性和数量级不断增加，数据存储和处理的标准化是促进神经科学可重复性和协作的重要因素。尽管“无边界神经数据”计划等项目在神经科学数据标准化方面取得了长足进步，但仍存在一些悬而未决的挑战：（1）鉴于元信息的组合数量不断增加，高效存储和快速检索之间的矛盾越来越难以调和；（2）单细胞和多通道技术的空间和时间分辨率的高维性阻碍了本地机器和硬盘上可行的分析流程；（3）分析流程正在采用深度学习等资源密集型模型，这会带来额外的带宽和计算限制。在认知神经科学中尤其如此，其中神经反应的记录通常伴随着高维刺激输入、分层元信息和用于神经生物学推断的精细认知模型架构。在这项工作中，我们提出了一种解决所有三个挑战的新数据格式，并提供了一个名为 Xneuro 的开源 Python 工具箱，作为统一的神经数据接口，以促进可扩展的数据导入、标准化、搜索和检索。我们在几个高通量数据集上对 Xneuro 进行了基准测试，这些数据集以不同的方式在各种刺激类型和行为任务下收集，而传统的分析管道很难整理这些数据集。我们通过以快速且可扩展的方式将这些数据集与一系列认知模型进行比较，证明了我们框架的有效性和可扩展性，这是首次可以执行这种规模的神经模型推理。
用于可扩展模型推理的统一神经数据接口
主要关键词
相关文件推荐
