最近，标记点过程模型被用于从无尖峰排序的多单元电生理记录中捕获神经群体的编码特性。在某些情况下，这些无簇模型比分类神经元的感受野模型集合更好地描述了神经元群体的放电特性，并导致更好的解码结果。为了评估其质量，我们之前提出了一种基于时间缩放的标记点过程模型的良好性技术，对于正确的模型，该技术在随机空间区域上生成一组均匀样本。然而，评估这样一个区域的一致性可能是一项挑战，尤其是在高维度上。在这里，我们提出了一组新的尖峰波形特征的时间和空间变换，它们生成在新的标记和时间空间中均匀分布的事件。这些转换可扩展到多维标记空间，并在超立方体中提供均匀分布的样本，这非常适合于一致性测试。我们讨论了这些转换的属性，并演示了每个转换捕获的模型拟合方面。我们还比较了多个均匀性测试，以确定它们在重新缩放数据中识别缺失的能力。我们在模拟研究中演示了这些转换和一致性测试的应用。附录中提供了每个转换的证据。
