Case Studies in Neural Data Analysis: A Guide for the Practicing Neuroscientist

راهنمای عملی برای تکنیک‌های تجزیه و تحلیل داده‌های عصبی که مجموعه داده‌های نمونه و روش‌های عملی را برای تجزیه و تحلیل داده‌ها ارائه می‌دهد.

با پیچیده‌تر شدن داده‌های عصبی، دانشمندان علوم اعصاب اکنون به مهارت‌هایی نیاز دارند. در برنامه نویسی کامپیوتر، آمار و تجزیه و تحلیل داده ها. این کتاب با ارائه مجموعه داده‌های نمونه و توسعه تکنیک‌ها و ابزارهایی برای تجزیه و تحلیل آنها، تکنیک‌های تحلیل داده‌های عصبی کاربردی را آموزش می‌دهد. هر فصل با یک مثال خاص از داده های عصبی شروع می شود، که انگیزه روش های تحلیل ریاضی و آماری است که سپس بر روی داده ها اعمال می شود. این رویکرد عملی و عملی در میان کتاب‌های درسی و راهنماهای تجزیه و تحلیل داده‌ها منحصر به فرد است و خواننده را با ابزارهای لازم برای تجزیه و تحلیل داده‌های عصبی دنیای واقعی مجهز می‌کند.

این کتاب با مقدمه‌ای بر MATLAB آغاز می‌شود. پلت فرم برنامه نویسی رایج در علوم اعصاب که در کتاب استفاده شده است. (خوانندگان آشنا با MATLAB می توانند این فصل را نادیده بگیرند و ممکن است تصمیم بگیرند بر روی نوع داده یا نوع روش تمرکز کنند.) این کتاب در ادامه به داده های میدان عصبی و داده های قطار سنبله، تحلیل طیفی، مدل های خطی تعمیم یافته، انسجام و جفت فرکانس متقابل می پردازد. . هر فصل یک مطالعه موردی مستقل ارائه می دهد که می تواند به طور جداگانه به عنوان بخشی از یک تحقیق هدفمند استفاده شود. این کتاب شامل برخی بحث های ریاضی است، اما بر نظریه ریاضی یا آماری تمرکز نمی کند و در عوض بر روی عملی تأکید می کند. برای خوانندگانی که می‌خواهند موضوع نظری را عمیق‌تر بررسی کنند، مراجع گنجانده شده است. داده ها و کد MATLAB به صورت رایگان در وب سایت نویسندگان موجود است. این کتاب را می توان برای دوره های کارشناسی یا کارشناسی ارشد سطح بالا یا به عنوان یک مرجع حرفه ای استفاده کرد.

A practical guide to neural data analysis techniques that presents sample datasets and hands-on methods for analyzing the data.

As neural data becomes increasingly complex, neuroscientists now require skills in computer programming, statistics, and data analysis. This book teaches practical neural data analysis techniques by presenting example datasets and developing techniques and tools for analyzing them. Each chapter begins with a specific example of neural data, which motivates mathematical and statistical analysis methods that are then applied to the data. This practical, hands-on approach is unique among data analysis textbooks and guides, and equips the reader with the tools necessary for real-world neural data analysis.

The book begins with an introduction to MATLAB, the most common programming platform in neuroscience, which is used in the book. (Readers familiar with MATLAB can skip this chapter and might decide to focus on data type or method type.) The book goes on to cover neural field data and spike train data, spectral analysis, generalized linear models, coherence, and cross-frequency coupling. Each chapter offers a stand-alone case study that can be used separately as part of a targeted investigation. The book includes some mathematical discussion but does not focus on mathematical or statistical theory, emphasizing the practical instead. References are included for readers who want to explore the theoretical more deeply. The data and accompanying MATLAB code are freely available on the authors' website. The book can be used for upper-level undergraduate or graduate courses or as a professional reference.