近临界神经元模型中的现象学重整化群

现象学重整化群(PRG)已被应用于研究神经元数据中的尺度不变现象，为大脑中的临界现象提供了证据。然而，这些观察到的信号在多大程度上可靠地指示了真正的临界行为仍不清楚，因为系统需要多接近临界点才能出现这些信号尚未明确。在此，我们依赖于具有已知临界点的神经元模型，研究PRG过程在何种条件下能产生一致的结果。我们讨论了数据预处理中的时间分箱步骤如何关键地影响最终结果，并提出了一种数据驱动的方法来调整时间箱以规避此问题。在这些条件下，PRG方法仅在临界点附近一个非常狭窄的范围内检测到神经元模型中的标度行为，这为从实验数据的PRG结果中得出的结论提供了可信度。