Mo

code/base_chirps.py

@@ -1,5 +1,5 @@
 from read_chirp_data import *
-#import nix_helpers as nh 
+import nix_helpers as nh 
 import matplotlib.pyplot as plt
 import numpy as np
 from IPython import embed
@@ -27,14 +27,14 @@ for k in eod.keys():
 	else:
 		df_map[df] = [k]
 
-print(ch) #die Chirphöhe wird ausgegeben, um zu bestimmen, ob Chirps oder Chirps large benutzt wurde
+#print(ch) #die Chirphöhe wird ausgegeben, um zu bestimmen, ob Chirps oder Chirps large benutzt wurde
 
 
 
 #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
-for idx in df_map.keys():
+for i in df_map.keys():
-	freq = list(df_map[idx]) 
+	freq = list(df_map[i]) 
 	fig,axs = plt.subplots(2, 2, sharex = True, sharey = True)
 
 	for idx, k in enumerate(freq):
@@ -58,18 +58,44 @@ for idx in df_map.keys():
 
 
 fig.suptitle('EOD for chirps', fontsize = 16)
-plt.show()
+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
 
 
 
-#Problem: axs hat keine label-Funktion, also müsste axes nochmal definiert werden. Momentan erscheint Schrift nur auf einem der Subplots
+for i in df_map.keys():
+	freq = list(df_map[i])
 
-#ax = plt.gca()
+	ct = times[freq[1]]
-#ax.set_ylabel('Time [ms]')
+	ct1 = ct[1]
-#ax.set_xlabel('Amplitude [mV]')
-#ax.label_outer()
 
+	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?
+
+
+
+#next Step: EOD-Amplitudenmodulation für beat aber OHNE Chirps plotten
+#allerdings: in der Aufnahme sind nur kurze Zeitfenster ohne Chirps zu finden!
 
 
 
-#next Step: relative Amplitudenmodulation berechnen, Max und Min der Amplitude bestimmen, EOD und Chirps zuordnen, Unterschied berechnen

code/base_spikes.py

@@ -1,16 +1,18 @@
 from read_baseline_data import *
-#import nix_helpers as nh 
+from read_chirp_data import *
+import nix_helpers as nh 
 import matplotlib.pyplot as plt
 import numpy as np
 from IPython import embed #Funktionen importieren
 
+
 data_dir = "../data"
-dataset = "2018-11-09-aa-invivo-1"
+dataset = "2018-11-09-ad-invivo-1"
 #data = ("2018-11-09-aa-invivo-1", "2018-11-09-ab-invivo-1", "2018-11-09-ac-invivo-1", "2018-11-09-ad-invivo-1", "2018-11-13-aa-invivo-1", "2018-11-13-ab-invivo-1", "2018-11-13-ad-invivo-1", "2018-11-09-af-invivo-1", "2018-11-09-ag-invivo-1", "2018-11-13-ah-invivo-1", "2018-11-13-ai-invivo-1", "2018-11-13-aj-invivo-1", "2018-11-13-ak-invivo-1", "2018-11-13-al-invivo-1", "2018-11-14-aa-invivo-1", "2018-11-14-ab-invivo-1", "2018-11-14-ac-invivo-1", "2018-11-14-ad-invivo-1", "2018-11-14-ae-invivo-1", "2018-11-14-af-invivo-1", "2018-11-14-ag-invivo-1", "2018-11-14-aa-invivo-1", "2018-11-14-aj-invivo-1", "2018-11-14-ak-invivo-1", "2018-11-14-al-invivo-1", "2018-11-14-am-invivo-1", "2018-11-14-an-invivo-1")
-spike_times = read_baseline_spikes(os.path.join(data_dir, dataset))
 
 
-#spike_frequency = len(spike_times) / spike_times[-1]
+
+spike_times = read_baseline_spikes(os.path.join(data_dir, dataset))
 #inst_frequency = 1. / np.diff(spike_times)
 spike_rate = np.diff(spike_times)
 
@@ -21,7 +23,6 @@ plt.hist(spike_rate,x)
 mu = np.mean(spike_rate)
 sigma = np.std(spike_rate)
 cv = sigma/mu
-print(cv)
 
 plt.title('A.lepto ISI Histogramm', fontsize = 14)
 plt.xlabel('duration ISI[ms]', fontsize = 12)
@@ -32,3 +33,32 @@ plt.yticks(fontsize = 12)
 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]
+
+
+for i in df_map.keys():
+	freq = list(df_map[i])
+	for k in freq:
+
+		spikes = chirp_spikes[k]
+		trial = spikes[1]
+		print(trial)
+#
+#	plt.plot(spikes, rate)
+#	plt.show()
+