====== Analýza odpovědí ======

  * detekce správných odpovědí po trigrovací značce
  * určení trialů se špatnou odpovědí (odpověď navíc) 
  * odpověď může být vázána na předchozí či více předchozích trigrovacích značek (např. po sekvenci AA:  ABCAABC...)  

===== Histogram latencí pro jednotlivé reakce =====

{{:metodika:segmentrhist.png?300|}}

===== Klastrová analýza  =====

  * seskupí objekty (vytvoří klastery) s podobnými vlastnostmi
  * vlastnosti objektů jsou dány latencí odpovědi (prvním zmáčknutím tlačítka po stimulaci) 
  * použitá klastrovací metrika - Euclidovská vzdálenost


{{:metodika:segmenstr_clusters.png?500|}}

{{:metodika:segmenst_clusters.png?250|}}

 
  * barvy odpovídají jednotlivým detekovaným klasterům
  * červeně je zvýrazněn aktuálně vybraný trial
  * hvězdička označuje detekovaný triger a jeho latenci



**Poznámka:**

**Pairwise distance between pairs of objects**

D = pdist(X) computes the Euclidean distance between pairs of objects in m-by-n data matrix X. Rows of X correspond to observations, and columns correspond to variables. D is a row vector of length m(m–1)/2, corresponding to pairs of observations in X. The distances are arranged in the order (2,1), (3,1), ..., (m,1), (3,2), ..., (m,2), ..., (m,m–1)). D is commonly used as a dissimilarity matrix in clustering or multidimensional scaling.

**Metrics**

Given an m-by-n data matrix X, which is treated as m (1-by-n) row vectors x1, x2, ..., xm, the various distances between the vector xs and xt are defined as follows:

  * **Euclidean distance** (Default)
  * Standardized Euclidean distance 
  * ...