尖峰序列的统计分析是神经编码的核心问题之一，可以通过多种方式进行。一种选择是基于模型，即假设尖峰序列数据的参数或半参数模型，如泊松模型，并将其用于解码尖峰序列。另一个选项是基于度量的，即选择一个度量来比较不同列车中尖峰的数量和位置，而不需要模型。后一种方法的一个突出思想是，根据对应尖峰排列所需的尖峰序列的时间扭曲测量值，推导出指标。我们建议使用功能数据分析中开发的思想，即相位振幅分量的定义和分离，作为分析尖峰序列和解码潜在神经信号的新工具。为了具体起见，我们介绍了一个真实的棘波序列数据集，该数据集取自猴子在进行某些手臂运动时的初级运动皮层的实验记录。为了便于函数数据分析，需要用高斯核平滑观测到的离散尖峰序列。