Advertisement

Psychopy: 运行心理学与神经系统实验的工具.zip

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
Psychopy是一款用于创建心理学和神经科学实验的强大而灵活的软件工具包，支持多种刺激呈现方式，并兼容多平台运行。 PsychoPy 是一个开源软件包，用于在 Python 中创建心理实验刺激。它结合了 OpenGL 的图形处理能力和 Python 语言的简洁性，为心理学家提供了一个免费且功能强大的工具，作为 Matlab 的替代方案。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Psychopy: 运行心理学与神经系统实验的工具.zip
    优质
    Psychopy是一款用于创建心理学和神经科学实验的强大而灵活的软件工具包，支持多种刺激呈现方式，并兼容多平台运行。 PsychoPy 是一个开源软件包，用于在 Python 中创建心理实验刺激。它结合了 OpenGL 的图形处理能力和 Python 语言的简洁性，为心理学家提供了一个免费且功能强大的工具，作为 Matlab 的替代方案。
  • TBI研究的PsychoPy实验-TBI_Research
    优质
    TBI_Research是利用PsychoPy软件开展针对创伤性脑损伤（TBI）的心理学实验项目，旨在通过科学实验深入了解TBI的影响及机制。 TBI_Research 存储库包含用于创伤性脑损伤（TBI）研究的PsychoPy实验版本，如Corsi任务、ANT-I以及空间斯特鲁普测试等。
  • 哈理工人工智能实验：神经网络与应用
    优质
    本课程为哈尔滨理工大学的人工智能实验系列之一，专注于探索和实践神经网络技术及其在现实世界中的广泛应用。通过理论学习与编程实战相结合的方式，学生能够深入理解神经网络的工作原理，并掌握其设计、训练及优化技巧，为解决复杂问题提供创新方案。 使用给定样本集（其中前两列为样本特征，最后一列为样本标签）构建神经网络模型，并对模型性能进行测试。实现过程主要步骤为：1. 根据数据集随机选定训练样本和测试样本；2. 构造BP神经网络模型，利用训练样本学习模型参数；3. 测试模型性能。
  • 在C6678上运行Linux系统的经验总结
    优质
    本文档分享了作者在C6678平台上部署和使用Linux操作系统的心得体会与实践技巧，旨在为技术爱好者及开发者提供实用指导。 该文档包含了在TMS320C6678上成功运行Linux系统的详细步骤，从虚拟机和双系统搭建的详细过程到DSP与PC之间的通信实现，并总结了可能出现的问题及注意事项，还包括DSP上的相应编译器信息。
  • mental_rotation_exp: 使用Psychopy和Ratcave在Python中实现的简单3D心理旋转实验。仅用于...
    优质
    mental_rotation_exp 是一个利用Python的Psychopy和Ratcave库创建的简易3D心理旋转实验程序，旨在研究个体空间认知能力。该工具适用于心理学及认知科学研究与教学。 使用Psychopy和ratCAVE进行3D心理旋转认知心理学实验的脚本演示如下： 要运行此实验，请先克隆存储库，并安装“ requirements.txt”中列出的所有必需Python软件包，然后在Python 2环境中执行run.py文件（因为Psychopy仅支持Python 2）。 步骤包括： 1. 克隆相关代码仓库。 2. 安装所需的python软件包：`pip install -r requirements.txt` 3. 运行实验脚本：`python run.py` 您可以通过修改“ config.py”中的值来自定义实验选项。此外，示例数据可以在“ data”文件夹中找到，并且一些示例分析可在“ jupyter_notebooks”文件夹内查看。 视频资料展示了此实验的实际运行效果。
  • 电力系统经济运作与市场竞价的Matlab工具包.zip
    优质
    本资源提供一套用于电力系统经济运行及市场竞价分析的MATLAB工具包。包含模型构建、仿真优化等模块，适用于科研和教学需求。 压缩包包含电力系统专业大作业的代码及文档说明。主要内容是关于电力市场的最优化分配问题，并应用了等耗量微增率准则。
  • 深度学习与神经网络实验1
    优质
    本课程为学生提供实践平台，探索深度学习和神经网络的核心概念和技术。通过一系列实验项目，学员将掌握模型构建、训练及优化技巧。 请使用线性回归模型拟合以下两组数据（也可以选择逻辑回归或感知器算法）。第一组数据为：[1, 1], [2, 3], [2, 1], [1, 0], [5, 2], [4, 0], [3, 1], [4, 3], [7, 3]。第二组数据为：[0.067732, 3.176513],[0.427810, 3.816464],[0.995731, 4.550095],[0.738336, 4.256571],[0.981083, 4.560815],[0.526171, 3.929515],[0.378887, 3.526170],[0.033859, 3.156393],[0.132791, 3.110301],[0.138306, 3.149813],[0.247809, 3.476346],[0.648270, 4.119688],[0.731209, 4.282233],[0.236833, 3.486582],[0.969788, 4.655492],[0.607492, 3.965162],[0.358622, 3.514900],[0.147846, 3.125947]。
  • 深度学习与神经网络实验04
    优质
    本课程为《深度学习与神经网络》系列实验第四部分，侧重于实践操作和项目应用，旨在通过编程实现神经网络模型来解决实际问题，帮助学生深入理解深度学习核心概念和技术。 利用numpy 和tensorflow 、pytorch 搭建全连接神经网络。使用numpy 实现此练习需要自己手动求导，而tensorflow 和pytorch 具有自动求导机制。 数据集: MNIST数据集包括60000张训练图片和10000张测试图片。这些样本的数量足够用来训练一个非常复杂的模型（例如深层的CNN神经网络）。它经常被用作新模式识别模型的基准测试案例，同时也为学生和研究者们提供了一个方便执行实验的数据集。此外，MNIST数据集相对较小，可以直接在笔记本电脑CPU上运行。 题目要求： 补全full_connection_numpy.ipynb 和 full_connection_tensorflow.ipynb中空缺的部分。
  • Python中的机器学习与神经网络实验
    优质
    本课程带领学生探索Python编程语言在机器学习和神经网络领域的应用，通过一系列实践实验加深理解。 在机器学习和认知科学领域，人工神经网络（artificial neural network, ANN）简称神经网络（neural network, NN）或类神经网络，是一种模仿生物神经网络结构与功能的数学模型或计算模型，主要用于函数估计或近似。这种系统由大量的联结在一起的人工神经元构成，并且大多数情况下能够根据外界信息自适应地改变内部结构。 现代人工神经网络可以看作一种非线性统计数据建模工具。每个单独的组件被称为“神经元”。一个典型的神经元模型包括输入变量（例如，x1、x2和x3），中间部分代表处理单元即实际的“神经元”，而输出则是函数hw,b(x)的结果。 整个过程可以概括为：输入 -> 处理 -> 输出。多个这样的神经元组合在一起就形成了人工神经网络。比如一个四层结构的人工神经网络，其中layer1是输入层、layer4是输出层，中间的layer2和layer3则被称作隐藏层。简单来说，典型的神经网络由三部分组成：输入层（接收外部数据）、若干个隐藏层（进行内部处理）以及最终的输出层（提供结果）。
  • 计算神经科学的核心
    优质
    《计算神经科学基础》一书深入探讨了从计算机科学视角解析人类大脑运作机理及其实证应用方法。作为一门跨学科交叉学派,该领域整合了神经生物学、数学、物理、计算机科学和工程学等多个知识领域,旨在揭示大脑信息处理机制并据此构建新型计算模型与算法。研究核心在于模拟与解析神经元网络活动模式。神经元是构成人脑基本功能单元的结构,它们通过复杂连接方式形成神经网络体系,完成信息编码、传输与处理过程。本书系统介绍神经元构造与功能要素,包括膜电位变化特征、突触传递机制、兴奋抑制作用等基础概念。计算神经科学家运用数学模型描述神经系统动态行为特性。如霍奇金-赫胥黎模型采用微分方程组精确模拟神经冲动产生及传播过程,而斯普林格模型与阿尔茨海默模型则作为简化类工具辅助研究者理解神经网络运作规律。书中还涉及网络理论研究,探讨不同连接模式对系统功能表现的影响,涵盖同步、异步、随机及自组织网络类型。此外,信息理论应用助我们深入解析神经网络高效编码、精确存储与快速检索机制,同时揭示信息传递过程中的损失与噪声问题。在人工智能领域,计算神经科学已为深度学习模型设计提供重要参考。基于多层感知机等基础架构的深度神经网络设计理念源于人脑多层次处理机制,反向传播算法与生物学习过程具有诸多相似之处。另一方面,研究还关注实际应用领域,包括神经影像分析、脑机接口（BMI）开发、疾病建模及治疗策略制定等。通过实时监测与解析大脑活动,相关技术可有效辅助康复工程设计,助力疾病治疗优化。《从计算机到人脑——计算神经科学基础》教材不仅全面涵盖了上述核心内容,还深入讲解了神经动力学、神经编码、计算建模及仿真技术等方面。通过系统学习,读者将获得深入理解大脑运作规律的能力,并掌握将其应用于实际问题求解的技能。无论是致力于神经科学研究的专业人士,还是对人工智能感兴趣的技术人员,此书都将为其专业发展提供宝贵知识资源。