现在我知道了神经元模型主要是两种：
一个是Hodgkin–Huxley model ，特点是逼真，但计算量较大
另外一个是leaky integrate-and-fire model ，特点是计算量小，精度尚可。
另外 我手头还有一个Izhikevich model的代码，号称结合上面两个的优点

任务：
1.找到实际的神经脉冲数据
2.对它进行建模
3.泊松过程是否合适（很明显是不太合适的，需要调整）
4.给出该泊松过程或者Hawkes process的参数

也就是说，我现在没有必要去搞清楚这些所谓的神经元模型是如何工作的，大概了解一下就好了，我现在需要做的是，找到实际的神经脉冲数据，看有没有文章对其进行处理的。然后复现。

尖峰之后有一个“绝对不应期”，然后还有一个“相对不应期”，在这个期间，神经元对刺激是没有反应的。这个特点，不符合泊松的独立增量（or 平稳增量），也就是说，强度lambda是一个关于t的变量，即lambda(t)。

设T为“绝对不应期”，初始时刻为0.
那么lambda(t)=0, when t<T时。
好了，那么我们应该如何更加精细化这个泊松过程，使得实际的脉冲神经元反应与之相符呢？