分别采用线性回归（Linear Regression, LR）、卡尔曼滤波器（Kalman Filter, KF）、DNN以及LSTM 进行解码性能比较。其中LR和KF在x、y两个不同方向的位置预测上比其他两个神经网络更精准，后者波动明显较大；但前者在速度和加速度的预测上明显弱于神经网络，后者可以捕捉到速度和加速度较大的波动，当然也正是因为这个原因导致后者预测的位置曲线出现了很多意料之外的毛刺。 猕猴Spike运动解码是一个涉及生物信号处理和机器学习技术的前沿研究领域。在这个领域中，科学家们致力于从猕猴的神经元活动中提取运动信息，以期理解大脑是如何控制运动的，并且希望这些技术能应用于神经假肢或其他神经科学应用中。为了解码猕猴运动相关的神经信号，即Spike信号，研究者们已经尝试了多种解码算法，其中包括线性回归（Linear Regression, LR）、卡尔曼滤波器（Kalman Filter, KF）、深度神经网络（DNN）以及长短期记忆网络（LSTM）。 线性回归是一种简单的统计方法，它通过寻找输入变量与目标变量之间最佳的线性关系来预测结果。在运动解码中，线性回归能够较好地在二维空间中预测出位置坐标，尤其是在解码小范围内平滑的运动轨迹时表现优秀。然而，当运动涉及速度和加速度的变化时，线性回归的表现就显得力不从心。 卡尔曼滤波器是一种有效的递归滤波器，它能够通过预测和更新过程来估计线性动态系统的状态。在处理猕猴Spike信号时，卡尔曼滤波器同样在位置预测方面有着不错的表现。和线性回归类似，卡尔曼滤波器在预测运动的速度和加速度时可能会丢失一些重要信息，这可能导致在复杂运动的解码中出现误差。 深度神经网络（DNN）和长短期记忆网络（LSTM）作为两种神经网络模型，在处理非线性和复杂的时间序列数据方面展现出了巨大的潜力。在Spike信号的运动解码中，这两种网络能够捕捉到运动过程中速度和加速度的波动，这使得它们在预测运动轨迹时能够更好地反映真实情况。不过，由于神经网络模型的复杂性，它们可能会在预测过程中引入一些不必要的波动，这些波动在预测曲线中表现为毛刺。 在对比这四种解码方法时，研究者们发现，线性回归和卡尔曼滤波器在处理位置坐标预测时相对更为稳定和精确，而在速度和加速度预测上，神经网络具有明显的优势。不过，神经网络在速度和加速度的预测中虽然能够捕捉到快速变化的信息，但也容易导致位置预测中出现不稳定的波动。因此，在实际应用中选择合适的解码算法需要根据具体需求和条件来定。 在实践这些算法时，研究者通常会使用Python编程语言，它提供了丰富的机器学习库和框架，如TensorFlow、Keras和PyTorch等，这些工具简化了从数据预处理到模型训练和评估的整个流程。Python语言的易用性和强大的社区支持使其成为了研究者进行算法开发和实验的首选工具。 运动解码是一个跨学科的研究领域，它将神经科学、机器学习、信号处理以及计算机科学等领域结合起来，旨在从生物信号中提取信息，以期能够更好地理解和应用大脑的运动控制机制。随着技术的不断进步，这些方法将会在脑机接口、神经假肢、康复治疗等领域发挥更加重要的作用。

乐高SPIKE套件编程软件。用于SPIKE连接。编程界面类似Scratch 。

乐高最新编程套件 spike-prime 的安装文件，可以通过模块化编程界面学习python。从官网下载比较慢，放在这里供有需要的人下载，

isomap降维matlab代码多元学习尖峰分类 有关如何在尖峰排序中使用低维嵌入（即，ISOMAP算法）进行特征提取的教程的源代码 简短的介绍 背景噪声和尖峰重叠在当代尖峰分类策略中造成了问题。 （非线性）等距特征映射（ISOMAP）技术揭示了固有的数据结构，并有助于识别活动神经元。 ，用于计算一组高维数据点的准等距，低维嵌入。 该算法提供了一种简单的方法，可基于对流形上每个数据点的邻居的粗略估计来估计数据流形的固有几何形状。 Isomap具有很高的效率，并且通常适用于广泛的数据源和维度。 。 其中，使用了来自3个神经元的模拟尖峰，其中一个是稀疏生的。 要在MATLAB中重现本教程，您将需要： 适用于本教程中使用的MATLAB。 （有关更多信息和更新版本） 用于MATLAB的备忘录脚本和示例数据可重现教程中显示的结果。 笔记 更改“ k”值将影响算法的输出，即在ISOMAP空间中投影数据。 投影坐标保持在“ Y”。 “ R”表示剩余方差。 有关更多详细信息和引用此工作，请参见： Adamos DA ，Laskaris NA，Kosmidis EK，Theophilidis G.“”。

Spike Extraction Tool 工具箱的独立版本

Spike Proxy是一款开源的以发现网站漏洞为目的的HTTP代理。它是Spike Application Testing Suite的一部分，功能包括自动SQL注入检测、 网站爬行（web site crawling）、登录列表暴力破解、溢出检测和目录游走检测。

SPIKE 数据集包含带有手动注释的地面实况标签的图像，用于训练和测试卷积神经网络以检测田间小麦的穗状花序。 此处提供的模型文件将与免费提供的 Microsoft Cognitive Toolkit 的 Faster R-CNN 实现一起使用，可在以下链接中找到 https://www.microsoft.com/en-us/cognitive-toolkit/ Futhermore，其他软件工具将很快可用，用于将模型与可执行程序一起使用，该程序需要更少的设置和更多的可视化步骤。

20200617-Spike 代码框架及具体实现分析-wangmeng.pdf

尖峰时间依赖性可塑性 该程序在突触后放电之前出现突触前尖峰时增强相关突触权重，并在突触后放电后出现突触前尖峰时减弱相关突触权重。 如果突触前和突触后尖峰时间之间的差异幅度很小，则突触权重修改量最大，并且随着差异变大而呈指数减小。 如果两个连接的神经元的尖峰时间差异大于 20 毫秒，则不会发生任何修改。 改变突触功效的功能基于 Song S.、Miller KD 和 Abbott LF 的生物学模型“通过尖峰时间依赖的突触可塑性进行竞争性赫布学习”，Nature Neuroscience vol. 3，没有。 9, pp. 919-926, 2000。该机制基于以下想法。 突触后放电之后的突触前动作电位不太可能完全影响突触后放电（尤其是在紧随其后的情况下），但合乎逻辑的是，突触后放电之前的突触前动作电位在导致突触后尖峰（尤其是更早一点）。 该程序不会创建或消除突触连接，它只是修改现有的突触权

尖峰时序相关构造是一种算法，旨在根据 Hebbian 尖峰时序相关可塑性 (STDP) 下的适应，从初始神经元群“生长”尖峰网络。 STDP 模拟生物神经网络适应，是根据突触前和突触后神经元尖峰的相对时间进行突触功效适应的过程。 当突触前神经元在突触后神经元出现尖峰之前立即出现尖峰时，不对称 Hebbian STDP 会产生兴奋性突触强度的增加。 这种构造性算法将 STDP 与模拟神经元作为与外部神经元连接的更大神经系统中的一个子群存在的假设相结合。 如果最近活跃的输入神经元集没有具有等效连接的关联模拟神经元，则假设存在具有这些连接的外部神经元并产生尖峰信号。 在 Hebbian STDP 下，这会导致与外部神经元的连接加强，并与最近活跃的输入神经元形成功能关联。 这个外部神经元与一组活动输入神经元相连，然后被添加到模拟神经元中。 该模拟已被开发作为应用于随机二维神经元场的尖峰时序相