神经元的数学模型被广泛用于提高对神经元尖峰行为的理解。这些模型可以生成在重要方面与实际尖峰序列数据相似的人工尖峰序列，但它们不太容易应用于尖峰序列的数据分析。相反，基于尖峰序列点过程模型的统计方法提供了广泛的数据分析技术。文献中介绍了两种简化的点过程模型：时间尺度更新过程（TRRP）和乘法非齐次马尔可夫区间（m-IMI）模型。在这封信中，我们研究了TRRP和m-IMI模型能够在多大程度上拟合由刺激驱动的漏积分与核（LIF）神经元产生的尖峰序列。
在恒定刺激下，LIF尖峰序列是一个更新过程，m-IMI和TRRP模型将准确描述LIF尖锋序列的变异性。对于时变刺激，所有三种模型下的峰值概率取决于相对于刺激的实验时钟时间和自上一次峰值以来的时间，但对于LIF、m-IMI和TRRP模型则不同。我们评估了LIF模型与存在时变刺激的两个经验模型之间的距离。我们发现，虽然泊松模型对LIF尖峰序列数据的拟合不足，即使在小样本中也很明显，但m-IMI和TRRP模型往往拟合得很好，在统计证据表明m-IMI或TRRP模型拟合不足之前，需要更大的样本。我们还发现，当刺激的平均值随时间变化时，m-IMI模型比TRRP更适合LIF数据，而当刺激的方差随时间变化，TRRP则更适合。
