场景4: 端到端研究工作流¶
从数据加载到分析和可视化的完整研究工作流的高级流水线——无需详细了解模型实现。
教程¶
研究流水线
概述¶
本场景展示了使用预构建流水线进行常见研究任务的简化工作流。非常适合希望快速分析数据而无需深入实现细节的实验神经科学家和研究人员。
教程1: Theta扫描流水线
一行代码完成完整的Theta扫描分析
从各种来源加载轨迹数据
自动仿真和可视化
为进阶用户提供可自定义参数
批量处理多个数据集
谁应该使用流水线？¶
非常适合:
没有深厚编码专业知识的实验神经科学家
快速原型设计和探索性分析
多个数据集的标准化处理
出版质量的图表生成
教学和演示
在以下情况下考虑手动方法:
实现非标准模型架构
开发新的分析方法
需要对每个步骤进行精细控制
扩展流水线功能
学习路径¶
快速入门:
准备您的轨迹数据（位置 + 时间戳）
使用默认参数运行流水线
检查生成的图表和动画
根据需要自定义参数
进阶用法:
仿真数据的自定义后处理
批量处理多个会话
参数扫描和优化
与现有分析工作流集成
前置要求¶
基本的Python知识
了解您的实验数据格式
轨迹数据（随时间变化的位置）
预计时间¶
教程1: 30-35分钟
为您自己的数据设置: 15-30分钟
总计: 60分钟
流水线特性¶
ThetaSweepPipeline提供：
自动数据验证——检查数据格式和质量
网络仿真——方向细胞和网格细胞
Theta调制——速度依赖的振荡
可视化套件——轨迹图、群体活动、动画
原始数据导出——用于自定义分析
灵活配置——从简单到高级用法
数据输入格式¶
支持的轨迹数据格式：
CSV文件
NumPy数组（
.npy）MATLAB文件（
.mat）Pandas DataFrames
DeepLabCut输出
Bonsai跟踪输出
自定义格式（经过预处理）
下一步¶
完成本场景后：
将流水线应用于您自己的实验数据
使用原始仿真输出探索自定义分析
在场景1中学习实现细节以进行自定义
为库贡献新的流水线