17、并行点过程中的模式挖掘与行为聚类

并行点过程中的模式挖掘与行为聚类

在数据挖掘和神经生物学等领域，对并行点过程的研究至关重要。本文将介绍两个相关的重要内容：一是用于识别并行点过程中频繁模式的高效算法，二是对并行尖峰序列进行行为聚类以区分同步活动组和随机噪声组的方法。

识别并行点过程中频繁模式的算法

在并行点过程中寻找频繁模式是一个具有挑战性的任务，它可以看作是频繁项集挖掘在连续时间尺度上的扩展。该任务的主要问题在于，由于缺乏自然事务，计算模式的支持度并非易事。

为了解决这个问题，研究人员提出了一种算法方案，并在 Python 和 C 中进行了实现。他们对不同参数的数据集进行测试，以评估算法的效率。这些参数的选择基于应用领域的实际情况，具体如下：
- 事件类型数量 ：基于当前技术可同时记录的神经元数量，大约为 100 个。
- 事件速率 ：根据尖峰序列记录中观察到的典型放电速率，约为 20 - 30Hz。
- 最小支持阈值 ：考虑到两组同步事件，以证明高灵敏度检测的可能性。
- 窗口宽度 ：基于基于分箱的同步模型应用中的典型时间箱长度，为 1 到 7 毫秒。

实验通过图表展示了算法在不同实验设置下的执行时间，以说明参数对执行时间的影响。同时，比较了三种算法变体的性能：
- 基本算法 ：不进行点过程过滤，维护完整的序列。
- 序列算法 ：进行点过程过滤，收集消除项的序列以检查闭合模式。
-