pactools 0.3.1

安装

要安装 pactools，请使用以下两个命令之一

• 最新稳定版本

  pip install pactools

• 开发版本

  pip install git+https://github.com/pactools/pactools.git#egg=pactools

要升级，请使用 --upgrade 标志，该标志由 pip 提供。

要检查一切是否正常工作，您可以这样做

python -c 'import pactools'

并且不应该给出任何错误消息。

相位-振幅耦合（PAC）

在不同的交叉频率耦合类别中，相位-振幅耦合（PAC）——即高频率活动与特定慢频率振荡的相位锁定——是最被认可的。PAC 通常用共调制图表示，该图显示了耦合在频率网格上的强度。在 pactools 中可以计算超过 10 种不同的方法来计算共调制图。

驱动自回归（DAR）模型

其中一种方法基于驱动自回归（DAR）模型。由于该方法同时建模整个频谱，因此避免了与错误过滤或对宽带信号使用希尔伯特变换相关的陷阱。由于该模型是概率性的，它还通过似然性提供了模型 拟合优度 的分数，从而实现易于和合法的模型选择和参数比较；这种数据驱动特征是此类基于模型的独特方法。

我们建议使用 DAR 模型来估计神经时间序列中的 PAC。更多详情请参阅 [Dupre la Tour et al. 2017]。

致谢

本研究得到了ERC启动基金SLAB ERC-YStG-676943（Alexandre Gramfort）、ERC启动基金MindTime ERC-YStG-263584（Virginie van Wassenhove）、ANR-16-CE37-0004-04 AutoTime（Valerie Doyere 和 Virginie van Wassenhove）以及巴黎-萨克莱IDEX NoTime（Valerie Doyere、Alexandre Gramfort 和 Virginie van Wassenhove）的支持。

引用此工作

如果您在项目中使用了此代码，请引用[Dupre la Tour 等人，2017年]

@article{duprelatour2017nonlinear,
    author = {Dupr{\'e} la Tour, Tom and Tallot, Lucille and Grabot, Laetitia and Doy{\`e}re, Val{\'e}rie and van Wassenhove, Virginie and Grenier, Yves and Gramfort, Alexandre},
    journal = {PLOS Computational Biology},
    publisher = {Public Library of Science},
    title = {Non-linear auto-regressive models for cross-frequency coupling in neural time series},
    year = {2017},
    month = {12},
    volume = {13},
    url = {https://doi.org/10.1371/journal.pcbi.1005893},
    pages = {1-32},
    number = {12},
    doi = {10.1371/journal.pcbi.1005893}
}