PyMVPA_manual_6.2.4笔记

6.2.4 fMRI数据的Searchlight

空间探照灯算法的最初思想来源于Kriegeskorte等人的一篇论文。(2006年)，并随后在一些研究中使用。探照灯最常见的用途是计算大脑中每个球状区域(ROI)的交叉验证分析。这种分析产生了一个分类精度的地图(通常)，通常被解释或后处理，类似于GLM统计输出图(例如，随后的分析与推理统计)。在本例中，我们将研究如何在pymvpa中进行这种类型的分析。

和往常一样，我们首先必须导入pymvpa。

from mvpa2.suite import *

由于探照灯分析通常是相当昂贵的计算资源，我们将使一些进展输出来娱乐我们，而我们正在等待。

# enable debug output for searchlight call

if __debug__:

debug.active += ["SLC"]

接下来的几次调用加载一个fMRI数据集，同时为4d时间序列中的每个卷分配关联的类目标和块(实验运行)。其中一个方面值得一提。当使用fMRI_DataSet()加载fMRI数据时，可以通过向add_fa参数提供带有名称和源对的字典来添加附加的特性属性.在这种情况下，我们加载了一个门限zstat-映射的类别选择性对比体素腹颞叶皮质。

# data path

datapath = os.path.join(mvpa2.cfg.get('location', 'tutorial data'), 'haxby2001')

dataset = load_tutorial_data(

roi='brain',

add_fa={'vt_thr_glm': os.path.join(datapath, 'sub001', 'masks',

'orig', 'vt.nii.gz')})

数据集现在被加载，并包含所有的大脑体素作为特征，所有卷作为样本。为了为预期的分析提供这些数据的前提条件，我们必须执行几个预处理步骤(请注意，这些数据已经被运动校正了)。第一步是消除线状趋势，通常是由采集设备造成的。

poly_detrend(dataset, polyord=1, chunks_attr='chunks')

现在，去趋势已经完成，我们可以删除我们不感兴趣的部分时间序列。在这个例子中，我们只考虑在一个刺激块中获取的容量，包括房屋和乱置图片的图像，以及休息时间(目前)。在此选择之前执行去趋势非常重要，否则fMRI卷的等距不再得到保证。

dataset = dataset[np.array([l in ['rest', 'house', 'scrambledpix']

for l in dataset.targets], dtype='bool')]

最后的预处理步骤是数据规范化。这是许多分类算法所必需的步骤。它将所有特征(体素)缩放到大致相同的范围，并去掉平均值。在这个例子中，我们根据实验中与休息时间相对应的体积进行了块化，并计算了z评分的标准差和平均值。由此产生的特征可以解释为与“REST”相关的体素显着性。

zscore(dataset, chunks_attr='chunks', param_est=('targets', ['rest']), dtype=

˓→'float32')

在正常化完成后，我们不再需要‘REST’-样本并移除它们。

dataset = dataset[dataset.sa.targets != 'rest']

但是现在，对于有趣的部分：接下来，我们定义了计算每个球的度量值。理论上，这可以是任何情况，但在这里，我们选择使用线性nu-svm分类器计算完全休假一次交叉验证。

# choose classifier

clf = LinearNuSVMC()

# setup measure to be computed by Searchlight

# cross-validated mean transfer using an N-fold dataset splitter

cv = CrossValidation(clf, NFoldPartitioner())

在这个例子中，我们不想计算全脑精确图，而是将自己限制在一个特定的体素子集上。我们将选择在上面加载的定位器掩码中具有非零z-stats值的所有体素作为探照灯球体的中心坐标。这些球体仍将包括未超过阈值的体素。定位器只定义所有要处理的球的位置。

# get ids of features that have a nonzero value

center_ids = dataset.fa.vt_thr_glm.nonzero()[0]

最后，我们可以运行探照灯。我们将对三个不同的半径进行分析，每次计算每个球体的误差。要实现这一点，我们只需使用sphere_searchlight()类，它接受任何处理对象和半径作为参数。当使用DataSet调用时，处理对象必须计算预期的度量值。sphere_searchlight()对象只会为每个球体生成小数据集，将它们输入处理对象，并存储结果。

在这里，我们实际上通过配置半径来设置球面探照灯，以及我们选择的球心坐标。此外，通过空间参数可以指导探照灯使用特征属性来确定体素邻域。默认情况下，fmri_data()创建一个名为voxel_index的相应属性。使用mapper参数，可以对每个球的计算结果进行后置处理。交叉验证将计算每个折叠的误差值，但在这里，我们只对所有折叠的平均误差感兴趣。最后，在多核机器上，nproc可以通过将其设置为探照灯使用的进程数来启用并行化(默认值npro‘=`no利用所有可用的本地核)。