machenslab/dPCA

解决的问题

解决从复杂群体活动（如神经数据）中提取关键特征的挑战，其中多个任务参数（如刺激、决策或奖励）会影响群体的响应。与标准PCA不同，它允许将数据分解为与这些不同任务参数直接相关的成分。

工作原理

一种线性降维技术，将群体活动分解为“解耦成分”（demixed components）。这些成分捕捉了数据中的大部分方差，同时突出了群体如何动态地针对特定任务参数进行调整。

适用人群

分析高维群体数据的研究人员和数据科学家，尤其是在神经科学领域，需要分离不同实验变量对观测活动的影响。

主要亮点

• 提供 Python 和 MATLAB 两种实现。
• Python API 设计与 scikit-learn 类似，便于使用。
• 支持为参数轴自定义标签，简化边际化操作。
• 可灵活配置每个边际化维度的成分数量。