machenslab/dPCA

解決的問題

解決從複雜群體活動（例如神經資料）中提取關鍵特徵的挑戰，其中多個任務參數（如刺激、決策或獎勵）會影響群體的反應。與標準PCA不同，它允許將資料分解為與這些不同任務參數直接相關的成分。

工作原理

一種線性降維技術，將群體活動分解為「解耦成分」（demixed components）。這些成分捕捉了資料中的大部分變異，同時突顯群體如何動態地針對特定任務參數進行調整。

適用對象

分析高維群體資料的研究人員與資料科學家，特別是在神經科學領域，需要分離不同實驗變數對觀測活動的影響。

主要亮點

• 提供 Python 與 MATLAB 兩種實作。
• Python API 設計與 scikit-learn 相似，方便使用。
• 支援為參數軸自訂標籤，簡化邊際化操作。
• 可靈活配置每個邊際化維度的成分數量。