def optimizetimescales(self, myExp):
myExp.plotTrainingSet()
myExp.plotTestSet()
myGIF_rect = GIF(0.1)
myGIF_rect.Tref = self.T_ref
myGIF_rect.eta = Filter_Rect_LogSpaced()
myGIF_rect.eta.setMetaParameters(length=500.0,
binsize_lb=2.0,
binsize_ub=100.0,
slope=4.5)
myGIF_rect.fitVoltageReset(myExp, myGIF_rect.Tref, do_plot=False)
myGIF_rect.fitSubthresholdDynamics(myExp,
DT_beforeSpike=self.DT_beforespike)
myGIF_rect.eta.fitSumOfExponentials(3, [1.0, 0.5, 0.1],
self.tau_gamma,
ROI=None,
dt=0.1)
print "Optimal timescales: ", myGIF_rect.eta.tau0
self.tau_opt = [t for t in myGIF_rect.eta.tau0 if t < self.eta_tau_max]
self.fitmodel(self, myExp)
def fitmodel(self, myExp):
myGIF = GIF(0.1)
myGIF.Tref = self.T_ref
myGIF.eta = Filter_Exps()
myGIF.eta.setFilter_Timescales(self.tau_opt)
myGIF.gamma = Filter_Exps()
myGIF.gamma.setFilter_Timescales(self.tau_gamma)
myGIF.fit(myExp, DT_beforeSpike=self.DT_beforespike)
# Use the myGIF model to predict the spiking data of the test data set in myExp
myPrediction = myExp.predictSpikes(myGIF, nb_rep=500)
# Compute Md* with a temporal precision of +/- 4ms
Md = myPrediction.computeMD_Kistler(4.0, 0.1)
# Plot data vs model prediction
myPrediction.plotRaster(delta=1000.0)
# Assign myAEC to experiment and compensate the voltage recordings
experiment.setAEC(myAEC)
experiment.performAEC()
# Determine the refractory period
#################################################################################################
# FIT STANDARD GIF
#################################################################################################
# Create a new object GIF
GIF_fit = GIF(sampling_time)
# Define parameters
GIF_fit.Tref = 6.0
GIF_fit.eta = Filter_Rect_LogSpaced()
GIF_fit.eta.setMetaParameters(length=2000.0,
binsize_lb=0.5,
binsize_ub=500.0,
slope=10.0)
GIF_fit.gamma = Filter_Rect_LogSpaced()
GIF_fit.gamma.setMetaParameters(length=2000.0,
binsize_lb=2.0,
binsize_ub=500.0,
slope=5.0)
for tr in experiment.trainingset_traces:
tr.setROI(
############################################################################################################ """ myAEC_Dummy = AEC_Dummy() myExp.setAEC(myAEC_Dummy) myExp.performAEC() """ ############################################################################################################ # STEP 3A: FIT GIF WITH RECT BASIS FUNCTIONS TO DATA ############################################################################################################ # Create a new object GIF myGIF_rect = GIF(0.1) # Define parameters myGIF_rect.Tref = 4.0 # Define eta and gamma as a sum of rectangular functions (log-spaced) myGIF_rect.eta = Filter_Rect_LogSpaced() myGIF_rect.eta.setMetaParameters(length=5000.0, binsize_lb=2.0, binsize_ub=1000.0, slope=4.5) myGIF_rect.gamma = Filter_Rect_LogSpaced() myGIF_rect.gamma.setMetaParameters(length=5000.0, binsize_lb=5.0, binsize_ub=1000.0, slope=5.0) # Perform the fit myGIF_rect.fit(myExp, DT_beforeSpike=5.0) ############################################################################################################ # STEP 3B: FIT GIF WITH EXP BASIS FUNCTIONS TO DATA ############################################################################################################
myAEC.p_expFitRange = [3.0,150.0] myAEC.p_nbRep = 15 # Assign myAEC to myExp and compensate the voltage recordings myExp.setAEC(myAEC) myExp.performAEC() ############################################################################################################ # STEP 3A: FIT GIF MODEL TO DATA ############################################################################################################ # Create a new object GIF myGIF = GIF(0.1) # Define parameters myGIF.Tref = 4.0 myGIF.eta = Filter_Rect_LogSpaced() myGIF.eta.setMetaParameters(length=500.0, binsize_lb=2.0, binsize_ub=1000.0, slope=4.5) myGIF.gamma = Filter_Rect_LogSpaced() myGIF.gamma.setMetaParameters(length=500.0, binsize_lb=5.0, binsize_ub=1000.0, slope=5.0) # Perform the fit myGIF.fit(myExp, DT_beforeSpike=5.0) # Plot the model parameters myGIF.printParameters() myGIF.plotParameters()
# If you would like to see how the raw data looks like, you can uncomment this the following lines:
"""
for tr in experiment.trainingset_traces :
tr.plot()
"""
#################################################################################################
# STEP 3A: FIT GIF MODEL (Pozzorini et al. 2015)
#################################################################################################
# More details on how to fit a simple GIF model to data can be found here: Main_TestGIF.py
GIF_fit = GIF(experiment.dt)
GIF_fit.Tref = 4.0
GIF_fit.eta = Filter_Rect_LogSpaced()
GIF_fit.eta.setMetaParameters(length=4000.0, binsize_lb=1.0, binsize_ub=1000.0, slope=7.0)
GIF_fit.gamma = Filter_Rect_LogSpaced()
GIF_fit.gamma.setMetaParameters(length=4000.0, binsize_lb=5.0, binsize_ub=1000.0, slope=7.0)
GIF_fit.fit(experiment, DT_beforeSpike = 5.0)
#GIF_fit.plotParameters()
#################################################################################################
# STEP 3B: FIT iGIF_NP (Mensi et al. 2016 with current-based spike-triggered adaptation)
#################################################################################################
myAEC.plotKopt()
myAEC.plotKe()
# Plot training and test set
myExp.plotTrainingSet()
myExp.plotTestSet()
############################################################################################################
# STEP 3: FIT GIF MODEL TO DATA
############################################################################################################
# Create a new object GIF
myGIF = GIF(0.1)
# Define parameters
myGIF.Tref = 4.0
myGIF.eta = Filter_Rect_LogSpaced()
myGIF.eta.setMetaParameters(length=500.0,
binsize_lb=2.0,
binsize_ub=1000.0,
slope=4.5)
myGIF.gamma = Filter_Rect_LogSpaced()
myGIF.gamma.setMetaParameters(length=500.0,
binsize_lb=5.0,
binsize_ub=1000.0,
slope=5.0)
# Define the ROI of the training set to be used for the fit (in this example we will use only the first 100 s)
myExp.trainingset_traces[0].setROI([[0, 100000.0]])