Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Understanding Nature Through the Symbiosis of Information Science, Bioinformatics, and Neuroinformatics Kapitel lesen Erstes Kapitel lesen

2014 | OriginalPaper | Buchkapitel

42. Recurrence Plots and the Analysis of Multiple Spike Trains

verfasst von : Yoshito Hirata, Eric J. Lang, Kazuyuki Aihara

Erschienen in: Springer Handbook of Bio-/Neuroinformatics

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Spike trains are difficult to analyze and compare because they are point processes, for which relatively few methods of time series analysis exist. Recently, several distance measures between pairs of spike train windows (segments) have been proposed. Such distance measures allow one to draw recurrence plots, two-dimensional graphs for visualizing dynamical changes of time series data, which in turn allows investigation of many spike train properties, such as serial dependence, chaos, and synchronization. Here, we review some definitions of distances between windows of spike trains, explain methods developed on recurrence plots, and illustrate how these plots reveal spike train properties by analysis of simulated and experimental data.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Nonlinear Adaptive Filtering in Kernel Spaces
Nächstes Kapitel Adaptive Multiscale Time-Frequency Analysis
Literatur
42.1.
E.N. Brown, R.E. Kass, P.P. Mitra: Multiple neural spike train data analysis: State-of-the-art and future challenges, Nat. Neurosci. 7, 456–461 (2004)CrossRef
42.2.
J.D. Victor, K.P. Purpura: Metric-space analysis of spike trains: Theory, algorithms and application, Network 8, 127–164 (1997)CrossRefMATH
42.3.
42.4.
Y. Hirata, K. Aihara: Representing spike trains using constant sampling intervals, J. Neurosci. Methods 183, 277–286 (2009)CrossRef
42.5.
J.-P. Eckmann, S.O. Kamphorst, D. Ruelle: Recurrence plots of dynamical systems, Europhys. Lett. 5, 973–977 (1987)CrossRef
42.6.
N. Marwan, M.C. Romano, M. Thiel, J. Kurths: Recurrence plots for the analysis of complex systems, Phys. Rep. 438, 237–329 (2007)MathSciNetCrossRef
42.7.
M. Thiel, M.C. Romano, J. Kurths, M. Rolfs, R. Kliegl: Generating surrogates from recurrences, Philos. Trans. R. Soc. A 366, 545–557 (2008)MathSciNetCrossRefMATH
42.8.
Y. Hirata, S. Horai, K. Aihara: Reproduction of distance matrices from recurrence plots and its applications, Eur. Phys. J. Spec. Top. 164, 13–22 (2008)CrossRef
42.9.
P. Faure, H. Korn: A new method to estimate the Kolmogorow entropy from recurrence plots: Its application to neuronal signals, Physica D 122, 265–279 (1998)CrossRef
42.10.
M. Thiel, M.C. Romano, P.L. Read, J. Kurths: Estimation of dynamical invariants without embedding by recurrence plots, Chaos 14, 234–243 (2004)MathSciNetCrossRefMATH
42.11.
Y. Hirata, K. Aihara: Statistical tests for serial dependence and laminarity on recurrence pltos, Int. J. Bifur. Chaos 21, 1077–1084 (2011)MathSciNetCrossRefMATH
42.12.
Y. Hirata, K. Aihara: Devaneyʼs chaos on recurrence plots, Phys. Rev. 82, 036209 (2010)
42.13.
J.P. Zbilut, A. Giuliani, C.L. Webber Jr.: Detecting deterministic signals in exceptionally noisy environments using cross-recurrence quantification, Phys. Lett. A 246, 122–128 (1998)CrossRef
42.14.
N. Marwan, J. Kurths: Nonlinear analysis of bivariate data with cross recurrence plots, Phys. Lett. A 302, 299–307 (2002)MathSciNetCrossRefMATH
42.15.
M.C. Romano, M. Thiel, J. Kurths, W. von Bloh: Multivariate recurrence plots, Phys. Lett. A 330, 214–223 (2004)MathSciNetCrossRefMATH
42.16.
Y. Hirata, K. Aihara: Identifying hidden common causes from bivariate time series: A method using recurrence plots, Phys. Rev. E 81, 016203 (2010)CrossRef
42.17.
M.C. Romano, M. Thiel, J. Kurths, C. Grebogi: Estimation of the direction of the coupling by conditional probabilities of recurrence, Phys. Rev. E 76, 036211 (2007)MathSciNetCrossRef
42.18.
J.B. Tenembaum, V. de Silva, J.C. Langford: A global geometric framework for nonlinear dimensionality reduction, Science 290, 2319–2323 (2000)CrossRef
42.19.
H. Suzuki, K. Aihara, J. Murakami, T. Shimozawa: Analysis of neural spike trains with interspike interval reconstruction, Biol. Cybern. 82, 305–311 (2000)CrossRefMATH
42.20.
42.21.
E. Salinas, L.F. Abbott: Vector reconstruction from firing rates, J. Comput. Neurosci. 1, 89–107 (1994)CrossRefMATH
42.22.
E.N. Lorenz: Deterministic nonperiodic flow, J. Atmos. Sci. 20, 130–141 (1963)CrossRef
42.23.
T.A. Blenkinsop, E.J. Lang: Block of inferior olive gap junctional coupling decreases Purkinje cell complex spike synchrony and rhythmicity, J. Neurosci. 26, 1739–1748 (2006)CrossRef
42.24.
K. Sasaki, J.M. Bower, R. Llinas: Multiple Purkinje cell recording in rodent cerebellar cortex, Eur. J. Neurosci. 1, 572–586 (1989)CrossRef
42.25.
E.J. Lang, I. Sugihara, J.P. Welsh, R. Llinás: Patterns of spontaneous Purkinje cell complex spike activity in the awake rat, J. Neurosci. 19, 2728–2739 (1999)
42.26.
N. Schweihofer, K. Doya, H. Fukai, J.V. Chiron, T. Furukawa, M. Kawato: Chaos may enhance information transmission in the inferior olive, Proc. Natl. Acad. Sci. USA 101, 4655–4660 (2004)CrossRef
42.27.
J. Nawrath, M.C. Romano, M. Thiel, I.Z. Kiss, M. Wickramasinghe, J. Timmer, J. Kurths, B. Schelter: Distinguishing direct from indirect interactions in oscillatory networks with multiple time scales, Phys. Rev. Lett. 104, 038701 (2010)CrossRef
Metadaten
Titel
Recurrence Plots and the Analysis of Multiple Spike Trains
verfasst von
Yoshito Hirata
Eric J. Lang
Kazuyuki Aihara
Copyright-Jahr
2014
Buch
Springer Handbook of Bio-/Neuroinformatics

Print ISBN: 978-3-642-30573-3

Electronic ISBN: 978-3-642-30574-0

Copyright-Jahr: 2014

DOI
https://doi.org/10.1007/978-3-642-30574-0_42