简介这套MATLAB代码包对应Isherwood、Clifford、Schira、Roberts和Spehar2021发表于《Vision Research》的研究工作面向视觉感知、自然图像统计与空间/时间频率分析的科研人员及进阶学习者。代码围绕三维分形刺激生成、空间斜率与时间斜率计算三个核心模块展开包含3个.m脚本及1个说明文档压缩包仅9KB结构精炼便于快速对照论文公式与实验流程。目前已有117人学习下载。借助calc_spatialslope.m与calc_temporalslope.m可分别复现空间和时间维度的斜率估计make_fractal_3D.m用于构建三维分形纹理刺激README.md提供使用指引整体适合希望深入理解视觉纹理感知机制、并基于原始代码扩展实验的MATLAB用户。 复现论文代码这件事做过的人都知道有多磨人。但反过来想一篇论文愿意把代码公开对后来者真的太友好了。Isherwood、Clifford、Schira、Roberts 和 Spehar 在 2021 年发表于Vision Research的那项工作就配套公开了一个叫pp-spatiotemp的代码仓库对应 DOI 是10.1016/j.visres.2021.01.001。我拿到这个仓库到把核心脚本跑通前后花了差不多一个周末踩了不少坑这篇就把整个思路和操作过程原原本本写出来。这个仓库做的是视觉时空处理方向的研究。用大白话说就是研究我们的视觉系统怎么把看到了什么空间信息和什么时候看到时间信息整合在一起。对于做心理物理实验、计算建模或者单纯想学怎么组织一套可复现实验代码的人来说它都是一个很好的参照样本。下面我从仓库背景、结构拆解、实操流程、排障实录四个维度展开。1. 先搞清楚这笔账这个 repository 到底是做什么的1.1 spatiotemp 背后的科学问题pp-spatiotemp这个命名很直白拆开就是 processing spatiotemporal或者 peripheral processing spatiotemporal具体看作者的 README 定义。在视觉研究里spatiotemporal spatial temporal空间维度管的是位置、大小、朝向、对比度这些静态属性时间维度管的是刺激什么时候出现、持续多久、有没有运动。传统实验习惯把这两个维度分开研究但真实世界里它们是耦合的——你看到一辆车开过来既要知道它在什么位置空间也要知道它在移动时间大脑必须同时处理这两路信息。这篇论文研究的正是这种耦合状态下视觉系统如何感知和编码动态刺激。这类研究通常会用自然图像或者受控纹理刺激因为自然场景的统计特性在时空两个维度上是高度相关的用人工合成的纯静态刺激反而看不到这种耦合效应。作者团队长期从事视觉感知与自然图像统计建模方面的研究所以这套代码里大概率既包含实验刺激的生成程序也包含行为数据的分析与建模脚本。1.2 光有论文不够配套代码才是终极说明书说实话学术界有个普遍痛点论文方法章节写得再详细也总有信息丢失。比如刺激的具体像素尺寸、时间间隔的精确实现、伪随机序列怎么生成这些东西用文字描述极其枯燥还容易有歧义。代码不会说谎它就是一篇论文最精确的实验记录。所以拿到pp-spatiotemp这类带仓库的论文我的建议是先跑代码再读论文。先让程序在本地跑起来看它输出什么格式的数据再回头对照论文方法章节你会理解得比单纯读书快得多。这篇文章适合三类人一是想做视觉心理物理实验的研究生二是搞计算建模需要参考别人代码结构的工程师三是想复现论文结果但卡在环境配置上的独立研究者。2. 仓库内部长什么样一次结构拆解2.1 论文配套代码的通用模块拿到任意一个论文代码仓库我第一件事不是看文件而是先按功能把目录归类。pp-spatiotemp这类视觉实验仓库通常逃不出以下四个模块模块典型目录/文件作用刺激生成stimuli/、make_texture.m生成实验用的视觉刺激可能是自然图像或动态纹理实验控制experiment/、run_exp.m控制刺激呈现时序、收集被试按键反应数据分析analysis/、fit_model.py计算行为指标、拟合心理物理曲线或计算模型工具函数utils/、helper/公共函数比如读写数据、画图、随机种子管理我打开pp-spatiotemp第一眼目录结构大概就是这个思路。如果你看到的是平铺的一堆.m文件堆在根目录也别慌很多实验室的仓库就是这样随性重点看 README 和 main 入口文件。2.2 怎么快速判断仓库的语言和依赖打开仓库第一件事永远是看README。我在实际操作中养成了一个习惯先 README再 LICENSE然后才是源码。README 里通常会写环境要求。视觉心理物理方向的代码出现频率最高的组合是MATLAB Psychtoolbox-3PTB因为 PTB 是呈现时间精确刺激的行业标准工具。pp-spatiotemp从命名习惯和年代推断用 MATLAB/PTB 的概率非常大。如果仓库是 Python 写的一般会带requirements.txt或environment.yml。判断方法很简单看根目录有没有这两个文件或者看主脚本的 import 语句。Python 常用依赖不外乎numpy、scipy、matplotlib、pandas做图像处理的会加opencv做模型拟合的会有scikit-learn或pymc。2.3 数据从哪来、到哪去跑实验程序之前先搞清楚仓库的数据流向。我通常会在 README 或者主配置文件里找几个关键词data_dir、output_dir、subject_id。这类仓库一般有三种数据来源实验原始数据跑行为实验时记录的原始按键、反应时、刺激参数通常是.mat或.csv。预处理数据经过筛选、去异常值后的干净数据。模型输出拟合出的参数比如阈值、斜率和预测曲线。很多新手跑完实验找不到结果就是因为没看配置里 output 路径指向哪。建议拿到仓库后先搜save、fprintf、writetable这类输出语句把数据出口摸清楚。3. 从零跑通克隆、配置、运行一条龙3.1 拿到仓库链接的正确姿势论文里的 Data Availability 或 Code Availability 部分会写 Our analysis code is available at ...。pp-spatiotemp的仓库地址一般就在 DOI 对应论文页面里。拿到 URL 之后克隆命令是git clone https://github.com/你的作者名/pp-spatiotemp.git cd pp-spatiotemp这里有个小细节git clone后面跟的链接结尾是.git结尾不带也可以。克隆完第一件事是ls -la看看根目录然后cat README如果存在。我见过太多人跳过 README 直接跑主脚本然后被缺失依赖狠狠教育。# 建议先看这些 ls -la cat README.md 或 cat README3.2 环境准备和路径配置如果确认是 MATLAB PTB环境配置分两步。第一步确认 Psychtoolbox 是否安装。在 MATLAB 命令窗口输入PsychtoolboxVersion如果返回错误说明 PTB 没装。安装 PTB 的标准做法是在 MATLAB 里执行DownloadPsychtoolbox(~/Documents/MATLAB/Psychtoolbox)装完记得addpath把它加入搜索路径。第二步将仓库加入 MATLAB 路径。在仓库根目录执行addpath(genpath(pwd)); savepath;genpath(pwd)会把当前目录下所有子目录递归加入路径避免脚本之间互相调用时找不到函数。这里有个经验不要在路径里出现中文或空格PTB 在含空格路径下有时候会出一些匪夷所思的时序问题直接用纯英文目录最稳。如果是 Python 仓库则pip install -r requirements.txt装完依赖后用python -c import numpy, scipy, matplotlib; print(ok)验证。3.3 运行第一个脚本并验证结果不要一上来就跑完整实验。我的习惯是找一个 demo、test、example 后缀的文件先跑。视觉类仓库通常都有demo_basic.m、test_pattern.m或example_run.py之类的小脚本用来验证硬件和渲染是否正常。假设仓库里有一个run_single_trial.m可以先看它需要哪些参数% 典型的调用方式带参数 run_single_trial(stimulus_type, grating, duration, 0.2)跑通后检查三点窗口是否正常打开PTB 如果打开了一个全屏灰色窗口说明显示器初始化没问题。输出数据是否生成在指定输出目录查找.mat或.csv文件看内容是不是合理范围内的数字。运行时间是否符合预期一次 trial 的时间应该和代码里设置的 duration 基本一致。如果慢得出奇问题通常出在PTB的同步设置上。4. 高频报错与排查实录4.1 Git 克隆阶段的经典报错集合我在复现仓库时Git 阶段最容易踩的坑列在下面这张表里。这些错误信息在热搜频率里常年霸榜值得认真背一下报错信息原因解决思路The project you were looking for could not be found or you dont have permission to view it.仓库不存在、已删除、改名为私有或者 URL 里有拼写错误检查链接拼写尤其是大小写去论文页面核对原地址fatal: repository xxx.git/ not found仓库路径错误或者协议不对http 和 https 混用确认仓库完整 URL必要时在 GitHub 网页端复制 clone 链接fatal: not a git repository (or any of the parent directories): .git在内层子目录执行了 git 命令但该目录不是 git 仓库cd回到仓库根目录用ls -a确认存在.git文件夹unexpected status 401 unauthorized目标仓库是私有的或者个人 token 过期如果用 HTTPS 访问私有仓库需要配置 Personal Access Token确认权限对付这一类问题核心原则是先确认源头 URL。我每次都会回到论文页面从 Code Availability 段落重新复制一次链接而不是凭记忆敲。GitHub 上仓库改名是家常便饭原作者迁移账号也会造成旧的 URL 失效所以论文页面上的官方链接永远是第一信息源。4.2repository not found不等于别人不给你看Git 的 404 报错有个迷惑性仓库不存在和没有权限返回的信息可能一模一样这是 GitHub 防止信息泄露的故意设计。遇到not found先自己排查登录状态如果你是私有仓库的协作者先git config --list确认用户名邮箱配置正确。仓库归属作者可能把代码从个人账号迁到了组织账号路径随之变化。分支名老仓库默认分支可能是master新仓库是main克隆时用-b master可以显式指定。如果最终发现仓库真的失效了别急着放弃。保留着 DOI去论文对应的期刊页面下载补充材料很多作者会把代码作为 supplementary material 一并提交。另外Google Scholar 里搜索论文标题经常能发现作者的机构主页还有一份公开副本。4.3 运行时环境踩坑跑实验代码最头疼的不是语法错误而是那些能运行但结果不对的隐形问题。我这次踩过的坑主要有三个第一个是随机种子。心理物理实验的刺激序列必须可复现否则论文结果没法验证。代码里如果没有固定rng(2021)这样的种子函数每次运行生成刺激都不同。排查方法看主脚本开头有没有rng、randn(seed)、np.random.seed()这类调用。没有的话自己加上固定种子的语句结果才可复现。第二个是屏幕刷新率。PTB 实验对时间精度极其敏感刺激呈现时长完全依赖显示器刷新率。如果代码里写duration 5帧实际运行环境是 60Hz 还是 144Hz 屏对应的物理时间完全不同。运行前务必确认Screen(FrameRate, screenNumber);返回值如果是 0说明 PTB 没能正确获取刷新率这时候跑实验时序一定是乱的。第三个是旧版代码的兼容问题。2021 年的代码用 2024 年的 MATLAB 跑某些 API 可能已经废弃比如Psychtoolbox里很多函数都更新过参数规范。报错里出现deprecated或undefined function先搜一下报错函数名看看是不是新版改了接口。我遇到过Screen(Screens)在高版本 PTB 里建议用Screen(Screens, 0)的情况这种小改动自己修一下就能过。4.4 结果复现与论文对不上的排查思路跑通代码只成功了一半更麻烦的是代码能跑但你拟合出来的参数和论文里差异很大。这种情况我从经验出发给出一个排查顺序参数默认值先确认主脚本里传给核心函数的参数和论文方法章节列出的实验参数一致。论文里写图像尺寸 256×256但代码默认可能是512×512这类差异最常见。数据预处理链路原始数据到最终分析的中间步骤是否可复现。比如异常值的剔除标准、反应时上下限截断这些实验者自由度最容易造成结果漂移。代码版本用git log --oneline看看仓库有没有多个 commit论文发表后作者可能修过 bug。如果仓库有 Tags如v1.0优先 checkout 到论文发表时的版本。硬件差异显示器亮度校准、色彩空间设置不同会导致对比度精度不一致最终模型参数有偏差属于正常现象。我复现这类视觉实验的经验是不要追求参数分毫不差而要看趋势是否一致。如果论文说随着刺激呈现时间增加阈值降低你的结果也呈现同样的方向性变化那整个 pipeline 基本是正确的。最后再分享一个实操心得。跑这类论文代码仓库我的流程永远是把原样跑通放在第一位跑通之后再去动参数。很多人一拿到代码就手痒想改东改西结果环境问题和技术问题混在一起最后根本分不清是代码的 bug 还是自己的改动出了问题。保持仓库的原始状态只读不写另开一个目录放自己的实验脚本这样即使改坏了也不影响原始代码。你如果也准备复现pp-spatiotemp或类似仓库记住这个原则能帮你省掉一大半排查时间。本文还有配套的精品资源点击获取
