- 博客(28)
- 收藏
- 关注
RSS订阅原创 梯度计算方法
扩散映射 (diffusion mapping, DM)：首先构建Wα矩阵，即Wα = D^(-α) A D^(-α)，其中α属于[0,1]，一般取0.5（类似于构建广播矩阵）。然后构建扩散算子：Pα = Dα^(-1) Wα，其中Dα^(-1)是Wα的度（或说强度）矩阵，这里也就是给Wα做行归一化。，又g'Dg=1，所以g'Lg = λ，也就是λ越小，图越平滑。t也就为控制扩散时间的参数。如果让这个公式最小化，则高相关的两个脑区a和b (Aa,b较大) 的特征x(a)和x(b)越接近，图越平滑。
2026-08-24 16:52:30
233
原创 置换检验介绍
具体流程：把A组和B组被试放在一起，随机打乱，计算新的统计量，构建置换分布，这样构造的置换分布每个样本理论上是“无差异”的，因为标签都是随机打乱的。1.两组人比较，实验组A和对照组B，A和B都有5个被试，A1, A2, A3, A4, A5和B1, B2, B3, B4, B5。2.脑网络领域，通过构建随机化网络（保留节点数，边数，度分布，度序列），得到零分布，然后检验真实网络的拓扑属性，例如富人俱乐部系数 (van den Heuvel & Sporns, 2011) 是否显著大于随机网络。
2026-07-22 17:13:48
233
原创 隐马尔可夫方法
首先a_ij*b_j(o_t+1)即从t时刻的i状态出发，转换到t+1时刻的j状态，再发射出t+1时刻的观测o_t+1的概率。因为当目标函数f(x,y)的等高线和约束函数g(x,y)相切，f(x,y)和g(x,y)切点的梯度平行（梯度与等高线（等值线）的切线垂直，与等高线的法线同向（同济版高等数学））。Ψ_t(i)是使得t时刻最可能出现状态i的t-1时刻的状态。以此类推，第t时刻，隐藏状态为i，观测值为yt的概率：a_i(t) = (∑_j a_j(t-1)*a_ji)*b_iyt；
2026-07-01 11:27:47
220
原创 负功能连接
本来没有负连接，也可能产生负连接。正连接越多，相应的负连接也会越多，为了让连接之和小于等于0 (Murphy et al., 2009)。不能取绝对值之后和正连接合并一起计算，否则可能导致聚类系数，局部/全局效率，度同配性和模块度与全正连接网络不同（尤其是在全局信号回归之后，因为产生大量高“强度”负连接，取绝对值再阈值可能会和高强度正连接混在一起）最短路径：如果存在负边，可以想象所有的最短路径能经过这条边的都会无限走这条边，因为每走一次就会降一次长度，这样所有能走这条边的最短路径都会变成负无穷。
2026-06-21 21:25:31
206
原创 梅森旋转(mt19937ar)算法
(0111 1111 1111 1111 1111 1111 1111 1111)，(self.mt[(i + 1) % 624] & 0x7fffffff) 中&运算就是保留self.mt[(i + 1) % 624]的后31位，(i + 1) % 624即取余数，保证不会越界，当i+1 = 624时即回到0，i+1 = 625时就回到1。self.mt[i - 1] >> 30就是把self.mt[i - 1]作为一个32位的二进制数，右移 30 位，左边空出来的 30 位全部用 0 填充。
2026-06-16 16:09:21
223
原创 还原FC/SC效果指标（边层面）
缺点：当阈值过于严格，可能导致大量阴性，缺乏阳性，此时真阴性很大，导致准确性非常高，这样就忽略了阳性边的还原能力。精确性过高，则容易漏掉阳性目标，导致灵敏性低；灵敏性过高，可能导致误报，导致精确性低。优点：直接看阳性的还原能力，可以看判定目标中有多少出错；优点：真阴性高，就说明算法能找出所有阴性边；确定，真阴性高可能导致阳性出不来。优点：真阳性高，则几乎不会漏掉真实存在的边；真阳性+真阴性占所有边的比例（真阳+假阳+真阴+假阴）真阳性/所有正样本数量（真阳性+假阴性）真阳性/（真阳性+假阳性）
2026-06-12 17:19:35
191
原创 ordinal probit regression
简单讨论一下参数意义：假设一个情景，X取0/1，1代表无人看管0代表有人看管，Y代表考生的作弊程度。有序概率单位回归其实就是通过权重将自变量映射成一个连续值，也就是把预测的因变量连续化。模型输出：在X为特定取值时，Y的不同取值对应概率（伊普西隆（类似残差）服从标准正态分布；有序概率单位回归：适用因变量是多水平有序变量的时候，例如学历。然后用极大似然估计求参，求β和阈值。
2026-06-09 11:15:40
162
原创 置信区间CI
95% CI就是有95%的信心，真值会落在这个区间。也就是抽取100个样本，由100个样本构造的总体参数的100个置信区间中，有95%的区间包含了总体参数的真值，5%没包含。所以说从长期来看，有95%的信息真值会落在使用这个方式构造的区间。在假设检验中，如果假设的总体均值落在由样本构建的区间外，证明出现小概率事件，零假设不成立。参考文献：心理统计学，第三版（上）
2026-06-08 15:12:01
163
原创 谱分解流程
2.对这个矩阵进行特征值分解，然后对最小的前几个特征向量（也就是最低频的几个图傅里叶基）进行标准化（对每个节点单独进行，对它的特征进行标准化）1.基于相似性或者连接矩阵计算标准化图拉普拉斯矩阵；3.然后进行 k-means。
2026-05-28 19:48:35
191
原创 Probabilistic metastable substates (PMS)
然后提取每个时间点的相位差矩阵的第一特征向量进行降维，类似于PCA方法（PCA是提取协方差矩阵的特征向量作为降维新轴），表达的是这个时间点下这个状态的相位主方向（感觉合理，但是还有点怪怪的，毕竟一个时间点一个脑区就一个相位，没法得到变化方向）。然后把所有时间点（如果多被试，就所有被试的所有时间点）的特征向量放在一起，进行kmeans 聚类，聚类的特征就是每个脑区。之后就可以计算不同状态出现的频率。先对窄带功能时序进行希尔伯特变换，得到相位时间序列。一种识别反复出现的功能状态的方法。
2026-05-22 12:29:08
29
原创 基因富集与超几何分布
这里首先把所有基因列表按Z分数降序排列，然后依次取出列表中的前n个基因（1<=n<=N)，以这n个基因为前景，计算上面提到的HGT值，其中b(λ)就是看这个n个基因里有多少个是GO 基因。如果(n,b)不属于R，则统计从左边(n-1, b)点过来的 (到(n,b)点b值不变，也就是该路径在指示向量的第n维为0），以及从左下角(n-1, b-1)点过来的（到(n,b)点b值加1，也就是该路径在指示向量的第n维为1），因为也就这两种可能。也就是在N个背景基因中随机抽B个基因，其中i个在前景基因中的概率。
2026-05-21 20:40:29
313
原创 无脑区间耦合的霍普夫分岔模型动力学分析
首先分析a>0，r作为振幅必然大于等于0，dr/dt = 0有三个解：r = 0, r = sqrt(a), r = -sqrt(a) (不可能）。当dr/dt = 0时，由于r的改变依赖于dr/dt，dr/dt又依赖于r进行更新，所以r就卡死不变。也就是只要r大于0，dr/dt = r(a - r^2)，r如果小于sqrt(a)，dr/dt就会导致r一直增长到sqrt(a)；然后分析a<0，a - r^2一定小于0，那么r一定会缩小到0，达到固定点。当a < 0，x会逐渐降低至0，达到固定点。
2026-05-20 22:49:08
36
原创 WaveNets
3.逐层传递，每一层的输出长度Tout和输入长度Tin的数量关联：Tout = Tin - (k-1)*d，其中k是卷积核长度，d是每层的膨胀因子。卷积的时候不会往左边补零，也就导致每一层的输出越来越短，整合的信息越来越远，直到最后一层只剩一个时间点。这样整体网络的层数可以更多，也许学习到更细粒度的时间因果。再通过两个linear层，把特征维度转成输出未来时间步的维度（学习到先前时间点的时间依赖性，自然得到预测后续时间点的能力）是每一层的卷积核，m是升维后的第m个特征，R是卷积核长度。
2026-05-12 22:06:59
218
原创 图卷积网络
可以发现当存在连接的两个节点特征值越接近，图上越平滑，这个值xTLx越小。也就是说，特征值越小的特征向量代表了图上的低频成分，也就是最平滑的成分。问题：λ越大对应的频率成分越高，而如果跳数越多，K越大，则实际上会方法高频成分（K对于大λ的增大作用强于小λ）uiuiT就是一个过滤器，只提取出x的ui对应的频率成分，然后θ就是抑制还是增强这个频率成分。L的指数越大，整合的跳数越多，越能整合图上的信息。s越大，节点信息在图上扩散的时间越久，越能整合更多节点的信息。x尖的每个元素就是图上不同的频率成分的幅值。
2026-05-07 19:07:40
254
原创 匈牙利算法
如果线数等于N，每一行都可以找到与其它行不同列的0，每一列也可以找到与其它列不同行的0。假设有N个被试，每个被试有一个功能连接矩阵，然后有一个预测功能连接矩阵，我们想看被试预测的功能连接矩阵是否能够完美匹配自己的真实功能连接矩阵。如果只是算一个真实-预测之间的相关矩阵的话，可能得到一对多关系，也就是被试1/2/3的真实功能连接都与被试1的预测功能连接最相关。找到每列中最小的元素，也从该列的每个元素中减去它。1.首先构建真实-预测功能连接的相关矩阵A，列是被试的真实功能连接，行是预测功能连接。
2026-04-22 12:06:11
664
原创 解自洽方程
F(xn) ≈ F(x*)+F′(x*)(xn−x*)，又F(x*) ≈ x*，则有xn+1 - x* ≈ en+1，en+1 ≈ F′(x*)*en，也就是只要F′(x*)的绝对值小于1，那么en+1的绝对值就会小于en的绝对值，也就是猜测值会逐步接近真实值。自洽方程：x = f(x)，从几何的角度来看，这等于求y = x以及y = f(x)两个函数的交点的x。首先猜测一个x，代入f(x)，计算得到的值再代入f(x)，直到x = f(x)。
2026-04-19 20:30:42
20
原创 wilson-cowen式神经元的时间常数代表什么？
简化问题，假设外界输入为常数r*，原式为τr*dri(t)/dt = -ri(t) + r*，设y(t) = ri(t) - r*，则dy(t)/dt = (-1/τr)*y(t), y(t) = y(0)*e(-t/τr) （为什么可以这样写，可见。则有ri(t) - r* = (ri(0) - r*)*e(-t/τr)。也就是τr控制了ri到达r*的速度。如果r*为0，那么自然r*就是衰减时间；不为零，就是激活时间。r是神经元放电率，I是输入电流，外面套的是电流转放电率函数。
2026-04-18 17:40:36
44
原创 Hodgkin–Huxley动作电位模型
h会在绝对不应期保持为0，然后再往上升，对应na离子通道在绝对不应期是绝对关闭即失活，然后可以通过相对高的刺激强度而打开，也即相对不应期，再之后就可以基于正常的刺激强度而打开。钠离子的离子平衡电位很高，因为膜内钠离子浓度更低，有向膜内扩散的力，需要向外的电场力进行平衡。钾离子的离子平衡电位很低，因为膜内钾离子浓度更高，有向膜外的扩散的力，需要向内的电场力进行平衡。分别是钾离子通道和钠离子通道单个亚单位开放的概率，钾通道有4个亚单位，钠通道有3个亚单位，亚单位全部打开整个离子通道才开放。
2026-04-14 19:38:47
252
原创 脑网络分析基础3A——PCA
总之就是，要满足不同轴两两正交，然后在此前提下，每次选的轴都是能最大化数据在这个轴上取值的方差 依次类推，可以得到n个这样的坐标轴。其中，X是原始矩阵 (m*n, m是特征数，n是样本数），Z 是降维后的数据矩阵 ( n×k , n是样本数，k是降维后特征数）。通过这种方式获得的新的坐标轴，可以发现，大部分方差都包含在前面k个坐标轴中，后面的坐标轴所含的方差几乎为0。PCA中，最后降维得到的每个新特征的分数就是数据在所有先前选出来的能够最大化方差的坐标轴上的投影。5. 将原始数据投影到新空间：Z=X′W。
2026-04-05 21:18:31
56
原创 脑网络分析基础3A——CCA
仍然是要最大化典型变量之间相关（或者是获得第二大相关的典型变量），但是增加约束条件，就是同组内（X或者Y）第二典型变量和第一典型变量协方差为零 这样第二对典型变量就不会能覆盖解释第一对典型变量可以解释的信息。将一组变量与另一组变量之间单变量的多重线性相关性，转换为少数几对综合变量之间的简单线性相关，这集对变量所包含的线性相关性的信息几乎覆盖了原变量组所包含的信息。P^(-1)AP=B，则A和B相似，特征值完全一样，也就是A能特征值分解，B也能），N也能特征值分别，并且特征值和M一样。
2026-04-03 11:54:27
177
原创 基于泊松过程的事件发生时间序列
，而如果P(x>t) 和 t存在上述指数关系，则P(x<=t) = 1 - e^(-λt)为t的累积分布函数，自然t的概率密度函数为λe^(-λt)，和上面的方法等价。1.可以直接从事件出现时间的指数分布中抽样（也就是基于上面的概率密度函数f(t) = λe^(-λt)去抽样每个事件的发生事件）大量抽样之后，得到的P(x>t)和t会存在P(x>t) = e^(-λt)这样的指数关系（CDF的导数也就是概率密度函数f(t) = dP/dt = λe^(-λt)，f(t)就是在某个t上出现事件的概率密度。
2026-03-26 17:25:30
368
原创 脑网络通信指标——扩散策略的流图指标
向节点i的概率流流入项：∑j （random walk 在节点j的概率*random walk从节点j跳出去的速率*random walk选择跳到i的概率）从节点i流出去的概率流项：∑j δij*ri*pj = ri*pi，也就是random walk处于节点i的概率，乘以从节点i跳出去的速率。个人的理解是，一个随机游走者在系统中随机走，走到j节点后，再经历时间t跳了几步，这几步正好是走在j和i之间的概率，就是。ri是单位时间从节点i跳出去的速率，δij即当i=j时δij = 1，否则为0，
2026-03-26 00:51:46
383
原创 DiCER方法
也有观点认为GSR 会改变大脑区域信号相关性的分布，可能诱发假性负相关、移除真实的神经信号，而且GSR 能处理单相全脑广泛信号偏移（WSDs），但对双相WSDs（一半脑区信号上升、一半下降，这样均值就是0）几乎无效。这一步就可以处理双相WSD，不会一半升一半降导致均值为0，后面回归的时候也能正确处理升或者降的信号偏移（回归的时候可以正确估计这个均值信号的系数是正还是负，这样就可以得到合理的残差）。4.2定义体素权值，也就是簇内每个体素和质心体素的相关符号，如果相关为正就是1，相关为负就是-1。
2026-03-23 16:57:05
163
原创 离散傅里叶逆变换
这里的X[k]就是k*fs/N （fs是采样频率） 这个频率的信号分量和正交基的相关。X[k]的模就是这个频率对应的信号的幅值，arctan(-虚部/实部）= 相位。又d是整数，所以r^N = 1, 所以S = 0。注：因为n最大为N-1，所以r只有当n = m时r才等于1。不用担心分母为零情况。= N (因为无论取何值，复指数都为1；设d = n - m，原式可以理解为一个等比数列求和，这样可以把频域转换为时域。
2026-03-18 22:39:12
54
原创 希尔伯特变换
xj(t) = r(t)cos(θj(t)), H(xj(t)) = r(t)sin(θj(t))，不难看出进行希尔伯特变换之后就可以得到相位，也就是arctan(虚部/实部)这里相当于是希尔伯特变换 把原始信号和h(t) = 1/Πt进行卷积。正频率相移-Π/2，负频率相移Π/2。把负频谱的能量集中到了正频谱上。
2026-03-16 22:58:04
51
原创 脑网络通信模型——扩散策略的平均首达时间
(I - P + W)(I - W) = I - P + W - W - PW - W^2, W^n = W, 等式有(I - P + W)(I - W) = I - P + W - W + PW - W = I - P - PW - W, 又PW = W，所以等式有 (I - P + W)(I - W) = I - P = Z^-1(1-W) = I - P。因为 (I - P)M = C - D, wP = w, wI = w, 则w(I - P) = 0, 进而有wC - wD = 0。
2026-03-11 19:10:24
366
原创 hopf分岔模型与代码
a是分岔参数，a<0系统会处于围绕稳态 (z = 0) 的噪声波动状态，a>0则进入以脑区内部震荡频率进行规律震荡的状态（极限环），a = 0则处于噪声驱动和规律震荡状态之间，是模拟静息态脑网络的最佳参数。xn这个实部信号是对应扫描仪可以观测到的每个脑区的BOLD信号；yn是虚部信号，是隐藏态只能间接影响BOLD信号的模拟，不用于直接计算BOLD信号。w是角速度，w = 2pai*f，f就是每个脑区内部震荡的频率，如果研究fMRI静息态的话，可以代入真实数据中每个脑区的峰值频率（幅值最大的频率）。
2026-03-04 16:48:53
277
原创 基于雅可比矩阵特征值判断系统稳态及研究应用
又当t = 0时，e^(0*a) = 1，则有δ(0) = A，也就是扰动的初始状态δ(0)*e^(at)等于扰动的t时刻的状态。F(x,y,z)是x的时间导数，在均衡点x*处引入扰动δ，同样泰勒展开保留常数和线性项，得到F(x* + δx, y* + δy, z* + δz) = F(x*, y*, z*) (这项等于0) + Fx'(x, y, z)*δx + Fy'(x, y, z)*δy + Fz'(x, y, z)*δz。注：F(x, y, z) = d(x+δx)/dt = dδx/dt。
2026-03-02 13:36:27
426
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人