如何使用 python 计算 Delta F / F？

Question

我最近“自学”了 Python，以便为我的实验分析数据。因此，我在很多方面都一无所知。我已经设法使我的分析适用于某些文件，但在某些情况下它会发生故障，我认为这是错误编程的结果。

目前我导出一个包含 3 个 numpy 数组的文件。这些数组之一是我的信号（从 -10 到 10 的浮点值）。我想做的是将这个数组中的每个数据标准化为它之前的一系列值。 （即第 30001 个值必须从中减去前 3000 个值的平均值，然后必须将差除以这个相同的平均值（前 3000 个值）。我的数据以 100Hz 的速率收集，从而获得归一化在前 30 年代，我必须使用前面的 3000 个值。

就目前而言，这就是我设法使其工作的方式：

这会将信号存储到变量 photosignal 中

photosignal = np.array(seg.analogsignals[0], ndmin=1)

现在这是我用来在 30 秒的移动窗口上获得 delta F/F 的部分

normalizedphotosignal = [(uu-(np.mean(photosignal[uu-3000:uu])))/abs(np.mean(photosignal[uu-3000:uu])) for uu in photosignal[3000:]]

下面会在开头添加 3000 个值以保持数组的长度相同，因为稍后我必须将它锁定到另一个相同长度的列表中

holder =list(range(3000))
normalizedphotosignal = holder + normalizedphotosignal

我注意到，在某些文件中，这段代码给了我一个错误，因为它说“切片”是空的，因此它不能创建平均值。

我认为也许有更好的编程方法可以完全避免这个问题。或者这是解决这个问题的正确方法？

所以我尝试了解决方案，但它很慢，但它仍然给我“空切片错误”。 我翻过移动平均线后发现了这个方法：

def running_mean(x, N):
 cumsum = np.cumsum(np.insert(x, 0, 0))
 return (cumsum[N:] - cumsum[:-N]) / N 

但是我无法将它适应我想要的输出。即（x-running average）/running average

Answer 1

好的，多亏了你的帮助和你推荐给我的帖子，我终于弄明白了。

我的整个数据（300 000 +）的计算大约需要一秒钟！

我使用了以下代码：

def runningmean(x,N):
    cumsum =np.cumsum(np.insert(x,0,0))
    return (cumsum[N:] -cumsum[:-N])/N

photosignal = np.array(seg.analogsignal[0], ndmin =1) 

photosignalaverage = runningmean(photosignal, 3000) 
holder = np.zeros(2999)
photosignalaverage = np.append(holder,photosignalaverage)

detalfsignal = (photosignal-photosignalaverage)/abs(photosignalaverage)

Photosignal 将我的原始信号存储在一个 numpy 数组中。 Photosignalaverage 使用 cumsum 来计算 photosignal 中每个数据点的运行平均值。然后我将前 2999 个值添加为 0，以保持与我的光信号相同的列表大小。

然后我使用基本的 numpy 计算来获得我的 delta F/F 信号。

再次感谢您的反馈，真的很有帮助！

Answer 2

您的方法朝着正确的方向发展。但是，您在列表理解中犯了一个错误：您使用 uu 作为索引，而 uu 是输入数据 photosignal 的元素。

你想要这样的东西：

normalizedphotosignal2 = np.zeros((photosignal.shape[0]-3000))
for i, uu in enumerate(photosignal[3000:]):
    normalizedphotosignal2 = (uu - (np.mean(photosignal[i-3000:i]))) / abs(np.mean(photosignal[i-3000:i]))

请记住，python 中的 for 循环相对较慢。如果这里的性能是一个问题，您可以尝试避免使用 for 循环并改用 numpy 方法（例如查看Moving average or running mean）。

希望这会有所帮助。