基于数据的精确尖峰相关性的显著性估计

神经编码背后的机制，特别是时间尖峰协调的作用，仍然是一个热门争论。然而，这场辩论常常被关于使用适当分析方法的隐含讨论所干扰。为了避免对数据的误解，同步尖峰序列的分析需要合理调整，以适应实验尖峰序列的特征。尤其是，单个神经元在时间或试验之间的发放非平稳性、偏离泊松分布的尖峰序列结构，或这些特征在并行尖峰序列中的共同出现，都是假阳性的强大来源。通过将这些特征纳入显著性检验的零假设，可以避免问题。在这种背景下，替代数据的使用变得愈加重要，因为数据的复杂性通常阻碍了分析解决方案的制定。本综述概述了并行尖峰数据相关分析中可能遇到的障碍，以及克服这些障碍的可能途径。每个论点的讨论都通过引用特定分析工具（单元事件方法）来进行说明。然而，结论具有一般性，并适用于其他分析技术。强调了分析工具的彻底测试和校准及潜在错误预处理阶段的影响。