Incorporamenti latenti apprendibili per l'analisi congiunta comportamentale e neurale
Accesso a Cebra (Gratuito)
Caratteristiche di Cebra Cebra è uno strumento di machine learning che utilizza tecniche non lineari per creare spazi latenti coerenti e ad alte prestazioni da dati comportamentali e neurali congiunti registrati simultaneamente. Caratteristiche principali: Incorporamenti Latenti Neurali: Usare per testare ipotesi e analisi guidate dalla scoperta. Accuratezza Validata: Efficacia dimostrata su dataset di calcio e elettrofisiologia, compiti sensoriali e motori, e comportamenti semplici o complessi tra specie. Multi-sessione e Senza Etichette: Può essere utilizzato con dataset a sessione singola o multipla e senza etichette. Decodifica ad Alta Accuratezza: Fornisce decodifica rapida di filmati naturali dalla corteccia visiva. Disponibilità del Codice: Accedi al codice dello strumento su GitHub e leggi il pre-print su arxiv.org. Casi d'uso: • Analizza e decodifica dati comportamentali e neurali per rivelare rappresentazioni neurali sottostanti. • Mappare e scoprire caratteristiche cinematiche complesse nella ricerca neuroscientifica. • Produrre spazi latenti coerenti tra vari tipi di dati ed esperimenti. Cebra è uno strumento prezioso per i neuroscienziati che desiderano analizzare e decodificare i dati comportamentali e neurali, permettendo loro di comprendere meglio le rappresentazioni neurali sottostanti coinvolte nei comportamenti adattivi.