自迁移出 MediaWiki 以来，本页内容尚未经过审查。如果您愿意帮忙，请查看帮助指南！
目的
斐济插件从 TrackMate 加载轨迹（通过“偏移轨迹”操作导出），使用 §§1§§§对其进行表征，并通过随机森林方法（通过人金因此）将它们分类为正常扩散、子扩散、构成扩散和定向/主动运动。它支持局部分析，能够将粒子密度分割成不同运动类型的分区。
详细信息请参见：
安装
打开TraJClassifier update site即可。
简介
请首先阅读 TraJ 的 introduction，因为 TraJClassifier 是基于该库构建的。 TraJClassifier 是trained，使用正常扩散、亚扩散、扩散和定向运动的simulated trajectories。对于每个模拟，我们估计每个平面图的九个特征（有关这些特征的更多信息，请转到TraJ wiki）：
- 阿尔法
- 不便宜（不便宜3）
- 效率
- 分形维数
- 高斯性
- 峰度
- 均方地质比
- 直线度
- 被困
然后使用这些特征和相应的类别来训练随机森林分类器。此外，TraJClassifier 采用滑动窗口来允许对单个报表进行本地分析。
总结了一下，分类过程如下：
1.从TrackMate xml文件加载报表（通过“导出报表”操作导出）
- 每条食谱
- Split the trajectory into subtrajectories using a sliding window
- Calculate the features of each subtrajectory and classificate them (results are a class
lwith confidencecfor each subtrajectory) - Each position in original trajectory which is contained in a subtrajectory gets a vote for
lwith the weightc. - Each position in original trajectory gets the class with the majority of votes.
- 将具有相同类别的连续位置互连单个部分。 4、产出结果
示例
下图显示了视野内部聚集的几个细胞（左图）。虽然细胞边界在此平面焦中不可见，但核膜在暗场照明下明显可见（白色箭头）。总共246个粒子电位被识别为正常扩散（红色）、桌面扩散（）、异常扩散（绿色）或定向运动（洋红色）。
更多示例可以在
Wagner T, Kroll A, Haramagatti CR, Lipinski HG, Wiemann M (2017) Classification and Segmentation of Nanoparticle Diffusion Trajectories in Cellular Micro Environments. PLOS ONE 12(1): e0170165
参数
Minimal track length: Minimal number of positions in a trajectory. It has to be greater than the window size. As the window size should be at least 30, the same is true for the minimal track length.
窗口大小： 该参数决定了滑动窗口中使用多少个位置。
最小段大小：表格分类后，它由多个段组成。该参数确定最小段长度。小于此长度（位置数）的段将被删除。其中参数设置为与窗口大小相同的值是一个很好的经验法则，因为小于窗口大小的段似乎更容易出错。
重采样率：在使用滑动窗口进行局部分析期间，一条报表被稀疏多个子报表。在噪声非常大的情况下，对子报表重新采样以信噪比提高可能是有意义的（例如，如果速率设置为2，则报表中只能使用每隔两个位置）。但是，我们的报表应至少包含30个位置，因此窗口大小与重采样率的报表应>= 30。
像素大小：但是单个像素的大小（以微米为单位）。，如果您的TrackMate数据已缩放，则其设置均衡。
帧速率：每秒帧数
使用简化模型进行设定运动： confined diffusion MSD model的形状设置为1。
** 显示 ID：** 将报表 ID 显示为最高。以 PARENT ID:SEGMENT ID 格式给出报表 ID
** 显示概述类别：** 将类别和颜色代码显示为最高。
消除全局唯一：在情况下，触点相对于另一个目标移动（例如细胞中的触点）。当目标移动约。以一定的速度，可以通过全局唯一估计来估计它，并从每个记事中删除该少量。
