Functional organization and natural scene responses across mouse visual cortical areas revealed with encoding manifolds.
Revue : PloS one
Parution : Jeudi 17 septembre 2026
Statut : code vérifié
Méthodes : Spectre et temps-fréquence, Statistiques, Lissage, filtrage d'état, décompositions, Prétraitement, Connectivité, Apprentissage, Activité unitaire, imagerie calcique
Carte de traçage
Proposée automatiquement : ces liens ont été trouvés dans l'article et vérifiés à la source, sans relecture humaine. Elle recevra un DOI Zenodo quand un de ses auteurs l'aura validée avec son ORCID.
Code des auteurs
dyballa/neuralencodingmanifolds
Licence : BSD-2-Clause
État : le lien répond
Preuve : fichiers inventoriés
Commit :
ddccf17c8dc1e3d129624c05285dd5ec24a97e41Langages : Jupyter (17), Python (5), MATLAB (4)
Trouvé : le texte, « Neural encoding manifolds. »
28 fichiers
- CNNs/build-CNN-manifold-resnet50_block3.ipynb — Jupyter, 822 lignes [lire ici]
- CNNs/classification-examples-ResNet50.ipynb — Jupyter, 72 lignes [lire ici]
- CNNs/sampling-active-neurons.ipynb — Jupyter, 365 lignes [lire ici]
- CNNs/test-set-activities-ResNet50.ipynb — Jupyter, 263 lignes [lire ici]
- CNNs/utils.py — Python, 289 lignes [lire ici]
- allen-data-analysis/build-tensor-drifting-gratings.ipynb — Jupyter, 328 lignes [lire ici]
- allen-data-analysis/encoding-manifold-VISp.ipynb — Jupyter, 333 lignes [lire ici]
- allen-data-analysis/filtering-natural-scenes/ffttools.py — Python, 688 lignes [lire ici]
- allen-data-analysis/filtering-natural-scenes/filtering-natural-scenes.ipynb — Jupyter, 199 lignes [lire ici]
- allen-data-analysis/load-factorization-VISp-dg.ipynb — Jupyter, 256 lignes [lire ici]
- allen-data-analysis/load-factorization-VISp-sg.ipynb — Jupyter, 258 lignes [lire ici]
- allen-data-analysis/read_spike_data-drifting gratings.ipynb — Jupyter, 488 lignes [lire ici]
- allen-data-analysis/read_spike_data-natural_scenes.ipynb — Jupyter, 528 lignes [lire ici]
- allen-data-analysis/read_spike_data-static-gratings.ipynb — Jupyter, 696 lignes [lire ici]
- allen-data-analysis/waveform-classification.ipynb — Jupyter, 144 lignes [lire ici]
- creating-the-tensor/creating-the-tensor.ipynb — Jupyter, 302 lignes [lire ici]
- creating-the-tensor/utils.py — Python, 223 lignes [lire ici]
- encoding-manifold/encoding-manifold.ipynb — Jupyter, 289 lignes [lire ici]
- encoding-manifold/utils.py — Python, 61 lignes [lire ici]
- permuted-decomposition/choosing-n-of-components.ipynb — Jupyter, 225 lignes [lire ici]
- permuted-decomposition/matlab/perm_cp_opt.m — MATLAB, 220 lignes [lire ici]
- permuted-decomposition/matlab/perm_tt_cp_fg.m — MATLAB, 164 lignes [lire ici]
- permuted-decomposition/matlab/perm_tt_cp_fun.m — MATLAB, 62 lignes [lire ici]
- permuted-decomposition/matlab/run_permcp.m — MATLAB, 106 lignes [lire ici]
- permuted-decomposition/plotting-components.ipynb — Jupyter, 123 lignes [lire ici]
- permuted-decomposition/utils.py — Python, 61 lignes [lire ici]
- LICENSE — Licence, 24 lignes [lire ici]
- README.md — Texte, 42 lignes [lire ici]