用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/hiyenwong/ai_collection --skill neural-dynamics-decision-making命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
正在显示 SKILL.md
| name | neural-dynamics-decision-making |
| description | Neural Dynamics Decision-Making Models |
统一决策理论模型与神经活动建模的框架，包括经典漂移扩散模型（DDM）、多维累积器、可变边界等扩展。
read - 读取神经数据文件exec - 运行 Python 分析脚本web_fetch - 获取论文详细内容决策理论模型与神经活动的统一：
循环状态空间模型 (RNN-SSM)
# 数据准备
# trials: N trials × T timebins × M neurons
# choices: N binary choices
# stimulus: N stimulus strengths
# 模型选择
config = {
'model_type': 'multi_accumulator', # or 'single_accumulator'
'dimensions': 2,
'boundary': 'collapsing' # or 'fixed', 'variable'
}
# 推断与拟合：变分拉普拉斯 EM 算法
# E-step: 推断隐状态轨迹
# M-step: 更新模型参数
# 迭代至收敛
# 模型验证
# - AIC/BIC 比较不同模型
# - 后验预测检验
# - 参数恢复测试
User: 帮我分析猴子顶叶皮层神经元在随机点运动任务中的决策动力学
Agent: 我将使用 neural-dynamics-decision-making 技能来分析。
首先，我需要了解数据格式：
- 试验数量、时间仓数、神经元数量
- 选择和刺激强度信息
根据 arXiv:2001.04571 的方法：
1. 使用多维累积器模型（2D 累积器更好地解释顶叶神经元）
2. 设置可变下边界（LIP 神经元显示动态决策阈值）
3. 应用变分拉普拉斯 EM 推断
预期发现：
- 双维累积器比单累积器更好地拟合顶叶神经元
- 某些 LIP 神经元显示可变下边界
User: 如何比较 DDM 和多维累积器模型哪个更适合我的数据？
Agent: 使用 AIC/BIC 信息准则进行比较：
1. 拟合单累积器模型，记录 AIC1, BIC1
2. 拟合双累积器模型，记录 AIC2, BIC2
3. 比较 ΔAIC = AIC2 - AIC1 和 ΔBIC = BIC2 - BIC1
决策规则：
- Δ < -2: 支持复杂模型（双累积器）
- Δ > 2: 支持简单模型（单累积器）
- -2 ≤ Δ ≤ 2: 无法区分
arXiv:2001.04571 的研究发现，顶叶皮层神经元需要双维累积器解释。
drift-diffusion-model - 经典 DDMrecurrent-state-space-model - RNN 状态空间neural-decoding - 神经解码方法