diff --git a/code/base_chirps.py b/code/base_chirps.py
index 80c14bb..1112d78 100644
--- a/code/base_chirps.py
+++ b/code/base_chirps.py
@@ -1,5 +1,6 @@
 from read_chirp_data import *
-import nix_helpers as nh 
+from utility import *
+#import nix_helpers as nh 
 import matplotlib.pyplot as plt
 import numpy as np
 from IPython import embed
@@ -15,24 +16,12 @@ data = ("2018-11-09-ad-invivo-1", "2018-11-09-ae-invivo-1", "2018-11-09-ag-inviv
 #for dataset in data:
 eod = read_chirp_eod(os.path.join(data_dir, dataset))
 times = read_chirp_times(os.path.join(data_dir, dataset))
-
-
-
-df_map = {} #Keys werden nach df sortiert ausgegeben
-for k in eod.keys():
-	df = k[1]
-	ch = k[3] 
-	if df in df_map.keys():
-		df_map[df].append(k)
-	else:
-		df_map[df] = [k]
-
-#print(ch) #die Chirphöhe wird ausgegeben, um zu bestimmen, ob Chirps oder Chirps large benutzt wurde
+df_map = map_keys(eod)
 
 
 
 #die äußere Schleife geht für alle Keys durch und somit durch alle dfs
-#die innnere Schleife bildet die 16 Wiederholungen einer Frequenz in 4 Subplots ab
+#die innnere Schleife bildet die 16 Wiederholungen einer Frequenz ab
 for i in df_map.keys():
 	freq = list(df_map[i]) 
 	fig,axs = plt.subplots(2, 2, sharex = True, sharey = True)
@@ -62,40 +51,33 @@ axs[0,0].set_ylabel('Amplitude [mV]')
 axs[0,1].set_xlabel('Amplitude [mV]')
 axs[1,0].set_xlabel('Time [ms]')
 axs[1,1].set_xlabel('Time [ms]')
-#axs kann nur einzelne Label erzeugen, nicht generell möglich wie beim Titel
-
 
 
-for i in df_map.keys():
-	freq = list(df_map[i])
 
-	ct = times[freq[1]]
-	ct1 = ct[1]
+#for i in df_map.keys():
 
+freq = list(df_map['-50Hz'])
+ls_mod = []
+beat_mods = []
+for k in freq: 
 	e1 = eod[k]
 	zeit = np.asarray(e1[0])
 	ampl = np.asarray(e1[1])
 
-	time_cut = zeit[(zeit > ct1-25) & (zeit < ct1+25)]
-	eod_cut = ampl[(zeit > ct1-25) & (zeit < ct1+25)]
-
-	change = ampl[int(ct1)]
-
-	plt.figure(12)
-	plt.plot(time_cut, eod_cut)
-	plt.scatter(ct1, 3, color = 'green', s= 30)
-	plt.title('Chirp reaction Ampl.')
-	plt.xlabel('Time [ms]')
-	plt.ylabel('Amplitude[mV]')
-	#plt.show()
-
-
-#4. Chirps einer Phase zuordnen - zusammen plotten?
-
+	ct = times[k]
+	for chirp in ct:
+		time_cut = zeit[(zeit > chirp-10) & (zeit < chirp+10)]
+		eods_cut = ampl[(zeit > chirp-10) & (zeit < chirp+10)]
+		beat_cut = ampl[(zeit > chirp-55) & (zeit < chirp-10)]
 
+		chirp_mod = np.std(eods_cut) #Std vom Bereich um den Chirp
+		beat_mod = np.std(beat_cut) #Std vom Bereich vor dem Chirp
+		ls_mod.append(chirp_mod)
+		beat_mods.append(beat_mod)
 
-#next Step: EOD-Amplitudenmodulation für beat aber OHNE Chirps plotten
-#allerdings: in der Aufnahme sind nur kurze Zeitfenster ohne Chirps zu finden!
+#Länge des Mods ist 160, 16 Wiederholungen mal 10 Chirps pro Trial
+#Verwendung der Std für die Amplitudenmodulation?
 
 
 
+#Chirps einer Phase zuordnen - zusammen plotten?
diff --git a/code/base_spikes.py b/code/base_spikes.py
index 8e6793b..2fd0e9f 100644
--- a/code/base_spikes.py
+++ b/code/base_spikes.py
@@ -1,6 +1,7 @@
 from read_baseline_data import *
 from read_chirp_data import *
-import nix_helpers as nh 
+from utility import *
+#import nix_helpers as nh 
 import matplotlib.pyplot as plt
 import numpy as np
 from IPython import embed #Funktionen importieren
@@ -38,26 +39,18 @@ plt.show()
 #Nyquist-Theorem Plot:
 
 chirp_spikes = read_chirp_spikes(os.path.join(data_dir, dataset))
-
-
-df_map = {} 
-#Keys werden nach df sortiert ausgegeben
-for k in chirp_spikes.keys():
-	df = k[1]
-	ch = k[3] 
-	if df in df_map.keys():
-		df_map[df].append(k)
-	else:
-		df_map[df] = [k]
+df_map = map_keys(chirp_spikes)
 
 
 for i in df_map.keys():
 	freq = list(df_map[i])
 	for k in freq:
-
 		spikes = chirp_spikes[k]
-		trial = spikes[1]
-		print(trial)
+		phase_map = map_keys(spikes)
+		for p in phase_map: 
+			spike_rate = 1./ np.diff(p)
+
+print(spike_rate)
 #
 #	plt.plot(spikes, rate)
 #	plt.show()
diff --git a/code/utility.py b/code/utility.py
index 0f3ce19..2a3f083 100644
--- a/code/utility.py
+++ b/code/utility.py
@@ -27,10 +27,10 @@ def map_keys(input):
 	df_map = {} 
 	for k in input.keys():
 		df = k[1]
-		ch = k[3] 
+		#ch = k[3] 
 		if df in df_map.keys():
 			df_map[df].append(k)
 		else:
 			df_map[df] = [k]
 	return df_map
-	print(ch)
+	#print(ch)