实验数据分析示例

当需要处理真实神经数据或生成高阶可视化时，可参考 examples/experimental_* 系列脚本。 这些示例展示了如何结合 canns.analyzer.experimental_data、PlotConfig 以及外部依赖 （UMAP、TDA、Numba 等）完成完整的分析流程。

experimental_cann1d_analysis.py

  • 路径：examples/experimental_cann1d_analysis.py

  • 数据来源：通过 load_roi_data() 自动下载/读取 Hugging Face 上的 ROI 数据。

  • 分析步骤： 1. 调用 bump_fits 执行 MCMC 拟合，估计每帧 bump 参数。 2. 使用 CANN1DPlotConfig.for_bump_animation 定义动画标题、帧率、亮度限制。 3. 调用 create_1d_bump_animation 生成 GIF，可控制帧数 (nframes) 与进度条显示。

  • 输出：bump_analysis_demo.gif，同时在终端打印拟合统计信息。

  • 延伸：

  • 将 n_steps、n_roi 调整为实验数据对应值。 - 若部署在没有 Numba 的环境，可留意脚本开头的提示（会自动退回纯 NumPy 实现）。

experimental_cann2d_analysis.py

  • 路径：examples/experimental_cann2d_analysis.py

  • 数据来源：load_grid_data() 下载 2D 网格细胞数据（含尖峰与位置）。

  • 分析步骤： 1. 通过 SpikeEmbeddingConfig 控制平滑与速度过滤，调用 embed_spike_trains 获取嵌入矩阵。 2. 使用 UMAP (umap.UMAP) 进行降维，并配合 plot_projection 输出 3D 投影图。 3. tda_vis + TDAConfig 计算持久同调，得到环面结构的拓扑证据。 4. decode_circular_coordinates 进行相位解码，最后 plot_3d_bump_on_torus 生成环面动画。

  • 输出：experimental_cann2d_analysis_torus.gif 及若干图表。

  • 延伸：

  • 修改 tda_config 中的 do_shuffle、num_shuffles 进行统计检验。 - 使用 save_path 参数持久化投影图、拓扑条形图等。

工具与依赖

  • 如果脚本首次运行时提示缺少数据，将自动创建 ~/.canns/data 并缓存下载结果。

  • 需要额外库：UMAP（umap-learn）、Ripser（canns_lib.ripser，随 canns-lib 提供）、Numba、Matplotlib。 若未安装，可在 make install 完成后追加：

    uv add umap-learn canns-lib numba

  • PlotConfig/CANN2DPlotConfig 均支持 show=False，便于在服务器上离线渲染。