场景 4：端到端研究工作流

完整研究工作流的高级管道，从数据加载到分析和可视化， 无需详细了解模型实现。

教程

Research Pipelines

概览

此场景演示了使用预构建管道的常见研究任务的简化工作流。 非常适合实验神经科学家和想要快速分析数据而不深入 实现细节的研究人员。

** 教程 1：Theta 扫描管道 **

  • 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

  • 为高级用户提供可自定义的参数

  • 批量处理多个数据集

谁应该使用管道？

** 完美适合：**

  • 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

  • 需要对每一步进行细粒度控制

  • 扩展管道功能

学习路径

** 快速开始：**

  1. 准备你的轨迹数据（位置 + 时间戳）

  2. 使用默认参数运行管道

  3. 检查生成的图表和动画

  4. 根据需要自定义参数

** 高级用法：**

  • 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

先决条件

  • 基本的 Python 知识

  • 理解你的实验数据格式

  • 轨迹数据（随时间变化的位置）

预计时间

  • 教程 1：约 30-35 分钟

  • 为你自己的数据进行设置：约 15-30 分钟

  • 总计：约 60 分钟

管道功能

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、种群活动、动画

  • ** 原始数据导出 ** - 用于自定义分析

  • ** 灵活的配置 ** - 从简单到高级用法

数据输入格式

轨迹数据支持的格式：

  • 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（带预处理）

后续步骤

完成本场景后：

  • 将管道应用于你自己的实验数据

  • 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

  • 为库贡献新的管道