sta@ma@brain
从事核磁共振脑科学研究,在Nature communications等权威期刊发表磁共振相关研究成果。熟练掌握磁共振成像数据处理方法(T1w, fMRI, dWI)和统计检验方法。本博客以记录学习中的点滴,着重记录从影像数据处理软件安装,数据处理步骤,以及分析方法(图论,矩阵理论,统计检验方法,回归分析,机器学习等),希望对志同道合的有一定的帮助。
展开
-
Workbench Command——cifti格式操作
在可视化过程中,经常遇到Workbench自带的颜色不满足自己的需求,需要自定义自己的colorbar, 解决办法是制作一个新的label.gii文件即可解决。原创 2022-10-10 16:06:19 · 1934 阅读 · 0 评论 -
大脑默认网络的组成部分—— PFC前额叶皮层,岛叶,顶下小叶,LTC外侧颞叶皮层,PCC后扣带/压后皮质, 海马结构, dMPFC背内侧前额叶皮层, vMPFC腹内侧前额叶皮层。
近年来,大脑的默认网络受到了广泛的关注。默认网络,如图1所示,是一组在休息状态的受试者中活跃的大脑区域,与他们执行吸引人的外部导向任务相比。"默认"这个词来源于在空闲时期发现网络的活跃度增加,这意味着当没有提供外部导向的任务时,人们的大脑默认使用该网络。然而,这个词是一个误称。默认网络在有向任务中也是活跃的,比如回忆过去或思考未来可能发生的事情。通过检查在被动个体中活跃的区域,我们可能偶然发现了负责内部认知模式的核心网络。一个工作假设是,默认网络的主要功能是支持内部的心智模拟,这些模拟可以适应性地使用。原创 2024-03-11 22:11:22 · 297 阅读 · 1 评论 -
最全总结Jordan 标准型、Jordan分解、Jordan 标准型的计算方法
Jordan 标准型、Jordan分解、Jordan 标准型的计算方法原创 2021-04-02 17:36:24 · 30419 阅读 · 5 评论 -
R语言如何实现主成分分析(PCA),最全详细教材
R语言也有“一步到位”的函数,如prcomp()和princomp(),基本上都是输入数据直接出结果。为了理解PCA的原理,我们利用自编函数的方法进行学习。主成分分析详解主成分分析过程分解1.数据标准化2.计算相关系数(协方差)矩阵3.求解特征值和相应的特征向量4.计算主成分得分5.绘制主成分散点图6 自编函数实现PCA总代码使用现成函数完成主成分分析1.prcomp()函数2.princomp()函数3.PCA结果可视化主成分分析过程分解1.数据标准化为了统一数据的量纲并对数据进行中心化,在主成原创 2021-04-05 18:47:29 · 46771 阅读 · 33 评论 -
python绘制箱线图boxplot——用于多组数据的比较, 异常值检测
本文系统详解利用python中seaborn.boxplot绘制箱图boxplot。seaborn.boxplot是atplotlib.pyplot.boxplot的封装版,更个性化的设置请研究matplotlib.pyplot.boxplot箱线图(Box-plot)是利用数据中的五个统计量:第一四分位数、第三四分位数、中位数、上边缘、下边缘来描述数据的方法。判断异常依据:在Q3+1.5IQR(四分位距)和Q1-1.5IQR处画两条与中位线一样的线段,这两条线段为异常值截断点,称其为内限;原创 2023-12-02 22:08:07 · 1397 阅读 · 0 评论 -
神经影像和人类基因组关联分析的实践过程
现代全脑转录图谱为研究脑组织的分子相关性提供了前所未有的机会,可以使用无创神经成像进行量化。然而,将神经影像学数据与转录组测量相结合并不是直截了当的,需要仔细考虑才能做出有效的推断。在本文中,我们回顾了最近的研究工作,探讨了不同的方法选择如何影响成像转录组学分析的三个主要阶段,包括1)转录图谱数据的处理;2)将转录测量与独立衍生的神经影像学表型相关联;3)通过基因富集分析评估鉴定的关联的功能意义。我们的目标是为这个快速发展的领域促进标准化和可复制方法的发展。原创 2023-11-30 16:11:41 · 1331 阅读 · 3 评论 -
脑影像独立成分分析(ICA)的自动化流程
我们提供了一个工具箱来完成建议程序的第二步,并通过生成与“运动功能”及其他九个脑功能系统相对应的ICA模板来演示我们的流程,从而产生与脑的灰质/白质边界非常吻合的ICA图。我们的工具箱以两种不同的文件格式生成数据:基于体积(Volumetric-based)的(NIFTI)和结合表面/体积(surface/volumetric)的文件(CIFTI)。与现有的10个模板相比,我们的程序输出的成分图在9/10的情况下至少有2倍的灰质对ICA z值的贡献,相对于白质体素。原创 2023-09-10 15:47:13 · 773 阅读 · 0 评论 -
神经影像脑网络图、brain map可视化汇总
神经影像可视化构成了科学结果解释和交流的核心,也是数据质量控制的基石。通常,这些图像和图形是通过手动更改图形用户界面 (GUI) 上的设置来生成的。现在存在许多有据可查的基于代码的大脑可视化工具,允许 5 个用户直接在 R、Python 和 MATLAB 环境中以编程方式生成可供发布的图形。在这里,我们通过强调相对于基于 GUI 的工具在适用性、灵活性和集成方面的相应优势,为广泛采用代码生成的大脑可视化提供了理由。然后,我们提供实用指南,概述生成这些基于代码的大脑可视化所需的步骤。原创 2023-08-06 16:35:04 · 1050 阅读 · 0 评论 -
如何对两个相关系数进行差异显著性检验 (两个样本中构造的相关性是否不同)——diffcor,Fisher‘s z-Tests
关于相关性之间差异的 Fisher z 检验的计算。diffcor.one() 测试预期值是否与观察值不同,例如在构造验证中。diffcor.two() 测试两个研究/样本中两个构造之间的相关性是否不同。diffcor.dep() 检查两个构造 (r12) 之间的相关性是否与第一个构造与第三个构造 (r13) 之间的相关性显着不同,考虑到比较构造 (r23) 的相互相关性。所有输出均提供比较相关性、z 单位的检验统计量和 p 值。原创 2023-08-06 15:51:19 · 851 阅读 · 0 评论 -
脑网络通信:概念、模型与应用——Brain network communication: concepts, models and applications
神经元素之间的信号传递和信息传输渗透到大脑功能的每一个方面和空间尺度:**从神经元到神经元的突触传输,到神经元群体之间的交互,到整个大脑的区域共激活模式。**理解控制神经信号灵活调节的机制是现代神经科学的持久挑战之一。为了解决这个问题,研究方向多种多样,包括但不限于神经编码,神经振荡的同步性和相干性,区域间通信子空间,以及神经动力学的计算模型。因此,通信这个主题既广泛又是神经科学探究的核心。在过去的二十年里,连接组学和网络神经科学已经成为关注神经系统结构和功能的重要领域。原创 2023-08-01 20:22:40 · 458 阅读 · 0 评论 -
逐步功能连接 stepwise functional connectivity 详解和代码实现
作为 SFC 分析的输入,我们首先通过计算预处理的 BOLD 图像中每个体素与每个其他体素时间过程的 Pearson R 相关性,计算每个参与者全脑网络的个体关联矩阵(见图 1 B)。在我们的框架中,步长是指属于将节点连接到种子(或目标)区域的路径的链接(边)的数量。然而,我们更喜欢使用链接步骤,以避免与分析节点对时使用的平均路径长度和最短路径的图论术语混淆。在SFC分析中,给定步长l和种子区域i(图1C,Djil)的体素j的逐步连接程度是根据(1)连接体素j和中的任何体素的所有路径的计数计算的。原创 2023-07-09 20:52:08 · 553 阅读 · 0 评论 -
计算多元回归模型变量的相对贡献率——calc.relimp 函数解析
Calc.relimp为线性模型计算了几个相对重要的度量。calc.relimp函数是R语言中relaimpo包中的一个函数,用于计算相对重要性(Relative Importance)的指标。原创 2023-05-23 19:10:31 · 2033 阅读 · 0 评论 -
如何获取不同分区模板的基因表达矩阵,abagen: Allen 大脑图谱遗传数据工具箱的使用笔记
基因表达从根本上塑造了人类大脑的结构和功能结构。像Allen人脑图谱这样的开放获取转录组数据集提供了前所未有的能力来检查这些机制。abagen工具箱,这是一个用于处理转录组学数据的开放获取软件包,并使用它来检查方法可变性如何影响使用Allen人脑图谱的研究结果。原创 2023-05-15 15:59:26 · 1827 阅读 · 0 评论 -
特征值与特征向量几何意义
定义:设AAA是nnn阶矩阵QQQ,如果数λ\lambdaλ和nnn维非零向量xxx使关系式AxλxAxλx成立,那么,这样的数λ\lambdaλ称为矩阵AAA的特征值,非零向量xxx称为AAA的对应于特征值λ\lambdaλA−λEx0A−λEx0如果想求出矩阵对应的特征值和特征向量就是求式 (2) 的解了。原创 2023-04-28 20:55:04 · 844 阅读 · 0 评论 -
从矩阵理论角度理解偏最小二乘回归,以及在脑科学中(脑影像与行为、基因表达的关系)的应用举例
偏最小二乘法 (PLS) 是一种多元数据驱动的统计技术,旨在提取表示最大大脑行为关联的潜在变量(或潜在成分 latent components [LC])。原创 2023-03-28 16:00:56 · 591 阅读 · 0 评论 -
总结磁共振成像的脑龄预测的人工智能模型
一个人的大脑的脑龄是多少?这个看似简单的问题隐藏着一个极其复杂的系统,其中不同类型的内生变量和外生变量以一种未知的方式相互作用。在本文中,作者旨在通过关注一个具体的案例来提供一些见解:解释神经成像衍生的内表型对脑龄确定的影响,即大脑的“大脑特征”或“指纹”,同时利用XAI揭示主导该过程的主要因素。原创 2023-03-04 16:14:51 · 1175 阅读 · 0 评论 -
病例对照研究中,如何对年龄、性别、教育程度进行频数匹配?
我经常遇到的数据情形是,有两组被试,一组是病人组,一组是对照组,想研究的问题是两组被试在神经影像特征上的差异,以揭示疾病与大脑结构功能之间的关联。最近学习了一下使用MatchIt包(R环境)来匹配样本,发现匹配样本在理论上是一个比较复杂的问题,所以这里只是介绍一点很基础的内容,更详细的介绍见参考1。一类是分类匹配(stratum matching),根据协变量进行分类,然后把具有相同类别的被试进行匹配,比如根据年龄每一岁一个类别,属于同一个类别的被试就是匹配的,精确匹配(exact)方法就是属于这一类。原创 2023-02-20 14:51:33 · 2943 阅读 · 1 评论 -
如何比较两个相关系数的显著性?——cocor package
相关性的显著性检验背景1. 独立样本的两个相关系数的比较2. 不独立样本的两个相关系数的比较3.检查线性独立性:差为04. 与非 0 固定值的相关性差异5. 相关性的两侧置信区间的计算6. Fisher Z 变换7. 列联表 Phi 相关系数 rPhi 的计算8. 相关平均9. 效应大小测量值 r、d、η2(Eta 平方)和优势比的转换10. 相关性计算推荐2个网站:比较相关性网站1 http://comparingcorrelations.org/比较相关性网站2 https://www.psy.原创 2021-09-26 21:01:47 · 1241 阅读 · 1 评论 -
图傅里叶变换的推导和理解
把传统的傅里叶变换以及卷积迁移到Graph上来,核心工作其实就是把拉普拉斯算子的特征函数e−iωte^{-i\omega t}e−iωt 变为Graph对应的拉普拉斯矩阵的特征向量。傅立叶变换与拉普拉斯矩阵的关系:传统傅立叶变换的基,就是拉普拉斯矩阵的一组特征向量。最开始是2013年发表于IEEE Signal Processing Magazine期刊的论文《The Emerging Field of Signal Processing on Graphs: Extending High-Dimens原创 2023-02-11 16:15:48 · 756 阅读 · 0 评论 -
拉普拉斯矩阵的定义,常见的几种形式以及代码实现?
拉普拉斯矩阵(Laplacian matrix) 也叫做导纳矩阵、基尔霍夫矩阵或离散拉普拉斯算子,主要应用在图论中,作为一个图的矩阵表示。对于图 G=(V,E),其Laplacian 矩阵的定义为 L=D-A,其中 L 是Laplacian 矩阵, D=diag(d)是顶点的度矩阵(对角矩阵),d=rowSum(A),对角线上元素依次为各个顶点的度, A 是图的邻接矩阵。频域卷积的前提条件是图必须是无向图,只考虑无向图,那么L就是对称矩阵。原创 2023-02-11 16:03:02 · 1429 阅读 · 0 评论 -
详解非负矩阵分解(NMF)及其在脑科学中的应用
非负矩阵分解在脑科学中的应用原创 2022-11-26 21:43:02 · 1983 阅读 · 2 评论 -
使用brainconn工具绘制的大脑连接数据,比BrainNet更方便和灵活
brainconn 软件包的目的是允许在 Rstudio 内灵活、编程和交互式地绘制大脑连接数据 - 无需切换到其他可视化工具,并允许将可视化与用 R 编写的分析脚本进行可重现的集成。和。这些函数的主要用户输入是连接矩阵。预装了几个大脑图谱,用户还可以提供自定义图谱。brainconn() 函数允许用户输入可以根据 MNI 坐标绘制的二进制/加权和有向/无向(即对称)连接矩阵。brainconn3D() 允许用户输入二进制和无向连接矩阵,该矩阵使用 plottly 以 3D 和交互式方式绘制。原创 2022-11-13 19:47:32 · 2154 阅读 · 1 评论 -
统计学中,Z值与T值怎么换算 T-score transform Z-score
统计参数映射(SPM, Frackowiak, Friston, Frith, Dolan,和Mazziotta 1997)评估一组图像的每一个体素上的统计假设,这些图像已经注册到一个公共坐标系。根据被检验假设的形式,统计量可以用具有已知自由度数的T分布来描述。将这些T变量转换Z变量以作进一步分析通常是很方便的。原创 2022-11-04 22:38:47 · 3476 阅读 · 0 评论 -
R语言如何绘制散点图和相关图,并且使散点颜色渐变
【代码】R语言如何绘制散点图和相关图,并且使散点颜色渐变。原创 2022-10-23 22:37:12 · 1227 阅读 · 0 评论 -
使用 ggsegExtra 对大脑分区统计结果进行可视化,如在Glasser360分区模板,Yeo2011模板,Schaefer分区模板上统计结果可视化
人们越来越重视以更直观的方式可视化神经影像结果。用于传播这些结果的常用统计工具(例如条形图)缺乏神经影像数据固有的空间维度。在这里,我们为统计软件 R 提供了两个包,它们集成了这个空间组件。ggseg 和 ggseg3d 包分别将预定义的大脑分割可视化为 2D 多边形和 3D 网格。这两个包都与其他成熟的 R 包集成在一起,具有很大的灵活性。在本教程中,我们描述了用于脑图谱可视化的 ggseg 和 ggseg3d 包中的主要数据和函数。突出显示的函数能够在 R 中显示大脑分割图。原创 2022-10-23 22:16:45 · 1674 阅读 · 3 评论 -
使用 ggseg 对大脑分区统计结果进行可视化,如对皮层厚度差异T值进行可视化
下面介绍如何使用 ggseg 包对分区统计结果进行可视化的基本方法。ggseg 是ggsegmentation 的缩写。ggseg 包适用于那些需要轻松绘制结果或分段数据概述的人。在神经影像学中,我们经常进行分析,根据不同类型的分类图谱将大脑分割成不同的区域。首先,我们专注于来自流行软件 Freesurfer 的两个图谱,即 Desikan-Killany 皮质图谱 (dk) 和皮层下分割图谱 (aseg)。原创 2022-10-23 21:03:41 · 2098 阅读 · 0 评论 -
空间零模型的显著性检验 surface-level(顶点,脑区),volumetric -level(体素,脑)校正——Spatial nulls for significance testing
有四个可用的空模型可用于voxel- and vertex-wise 数据,还有八个可用的空模型可用于parcellated 数据。原创 2022-10-22 21:35:48 · 439 阅读 · 2 评论 -
neuromaps——多模态、多尺度脑科学数据综合分析的利器 的使用
神经图谱旨在提供一套可复制的工具,用于处理和分析大脑地图(或“注释”)。作者介绍了一个开放访问的Python工具箱,neuromaps,以使研究人员能够系统地共享、转换和比较脑图(图1)。neuromaps软件工具箱在neuromaps上可用,在PyPi、Zenodo上,它作为Docker容器存在,文档可以在GitHub页面上找到(https://netneurolab.github.io/neuromaps)。原创 2022-10-22 20:55:31 · 1467 阅读 · 0 评论 -
neuromaps: structural and functional interpretation of brain maps 多模态、多尺度脑科学数据综合分析的利器
介绍了一个开放访问的Python工具箱,neuromaps,以使研究人员能够系统地共享、转换和比较脑图。neuromaps软件工具箱在[neuromaps](https://github.com/netneurolab/neuromaps)上可用原创 2022-10-22 16:33:29 · 611 阅读 · 0 评论 -
Matlab如何绘制小提琴图?
关于小提琴图的更多信息,请阅读"Violin plots: a box plot-density trace synergism" by J. L. Hintze and R. D. Nelson in The American Statistician, vol. 52, no. 2, pp. 181-184, 1998 (DOI: 10.2307/2685478).小提琴图是box plot 的一种易于阅读的替代品,它用数据的核密度估计替换box plot ,并可选地覆盖数据点本身。原创 2022-10-19 10:09:43 · 2639 阅读 · 3 评论 -
如何计算2个矩阵的相似性?
把结构矩阵或者功能连接矩阵的上三角矩阵提取出来,然后利用squeeze把上三角矩阵转化为一列,然后计算相关性。如下图所示,如何计算功能连接和结构连接的矩阵相似性?比如以上2个矩阵的相关性可以直接调用函数。原创 2022-10-12 19:52:11 · 3245 阅读 · 0 评论 -
Linking Structure and Function in Macroscale Brain Networks——从宏观尺度脑网络的角度看结构--功能关系
结构-功能关系是自然界中许多系统的基本原则。然而,网络神经科学研究表明,大脑的结构连接和功能连接之间的联系不是完美对应的。**在这篇**文章中,作者总结了从宏观脑网络角度来研究结构和功能关系的现状,讨论了评估结构功能关系的不同模型。总的来说,作者认为目前的模型没有包含生物学细节,这不利于更好地预测功能网络(FC)。**在结构网络(SC)重建中,加入局部分子信息和细胞的元数据,并考虑功能和属性的细微表征**,可以为真正了解结构-功能关系提供了巨大的可能。......原创 2022-07-30 20:02:38 · 592 阅读 · 0 评论 -
R语言网络图可视化——igraph, forceatlas2的使用
根据连接矩阵,绘制网络图,如下所示:该图中对每个子网络赋予相同的颜色,并且利用forceatlas2来布局。好了,下面直接给出详细的步骤:Step2:读取连接矩阵和节点信息从准备好的数据创建基本网络非常简单:首先,我们使用read.csv()分别读取节点和边其中文件nodes_358.csv存储的是358个节点的子网络标签其中文件links_358.csv存储的是358个节点的连接矩阵然后,我们将边数据传递给名为graph_from_data_frame()的命令。我们告诉这个函数,关联的节点(原创 2022-07-07 09:45:12 · 1605 阅读 · 0 评论 -
Network neuroscience——网络神经科学综述
尽管最近取得了实质性的进展,但我们对复杂大脑功能和认知的原理和机制的理解仍然不完全。网络神经科学的提出解决了这些持久的挑战。网络神经科学从一个明确的综合视角来研究大脑的结构和功能,寻求新的方法来绘制、记录、分析和建模神经生物学系统的元素和相互作用。两个平行的趋势推动了这种方法:新的经验工具的可用性,以创建全面的地图和记录分子、神经元、大脑区域和社会系统之间的动态模式;以及现代网络科学的理论框架和计算工具。经验和计算进展的融合打开了科学探索的新前沿,包括网络动力学、大脑网络的操作和控制,以及跨时空域的网络过程翻译 2022-06-28 10:47:52 · 2627 阅读 · 0 评论 -
大脑中的不同网络:突显网络、听觉网络、基底神经节网络、高级视觉网络、视觉空间网络、默认模式网络、语言网络、执行网络、楔前叶网络、初级视觉网络、感觉运动网络
大脑中的不同网络有:突显网络、听觉网络、基底神经节网络、高级视觉网络、视觉空间网络、默认模式网络、语言网络、执行网络、楔前叶网络、初级视觉网络、感觉运动网络等下图显示了使用基于种子的分析获得的大脑网络。1、突显网络Salience network**突显网络由背前扣带皮层、双侧岛叶和前辅助运动区组成。**该网络的功能障碍会扰乱其他网络的功能,因为它在调节其他网络的动态变化中起着关键作用。此外,该网络在快速变化的行为中是必不可少的。也就是说,**下一步做什么或不做什么是由网络的适当运作决定的。**因原创 2022-03-13 11:53:37 · 5215 阅读 · 0 评论 -
如何利用gretna软件计算脑网络全局属性(聚类系数,小世界属性,最短路径),局部属性指标(度,度分布,节点效率),如何理解网络稀疏度
grena工具箱被设计用于fMRI数据的图论网络分析。它是一套MATLAB函数和基于MATLAB的接口,用于常规的fMRI预处理,用于计算和统计分析最常用的网络指标,如小世界参数、效率、度、间性、关联性、层级性、同步性和模块化。......原创 2022-06-04 19:53:46 · 6986 阅读 · 8 评论 -
Review: Structure and function of complex brain networks——复杂大脑网络的结构和功能
越来越多的理论和实证研究从网络角度探讨了人脑的功能。通过开发新的成像采集方法,开发图论和动力系统的新工具,使大脑网络的分析变得可行。本文调查了其中一些方法学进展,并总结了最近关于结构和功能脑网络的发现。对结构连接组的研究表明,几个模块或网络社区通过枢纽(hub)区域相互连接,介导模块之间的通信过程。最近的网络分析表明,网络hubs形成了一个紧密相连的集体,称为“富人俱乐部(rich club)”,位于吸引和分散信号流的中心位置。......原创 2022-06-04 17:22:09 · 634 阅读 · 0 评论 -
脑科学研究中复杂网络测量使用和解释——图论指标详解
脑网络研究中的图论指标详解最全图论指标汇总(1)度(node degree)(2)节点强度(3)节点核心(4)富人俱乐部系数(rich club coefficient)(5)同配系数(6)特征路径长度(7)全局和局部效率(8)偏心率和直径,半径(9)介数中心性(10)特征向量中心性(11)最优群落结构(12)参与系数(13)集聚系数(14)转移性大脑连接数据集包含解剖束或功能关联所连接的大脑区域网络。复杂网络分析是研究复杂系统的一种新的多学科方法,旨在通过少量的神经生物学有意义且易于计算的措施来表征这些原创 2021-01-03 16:39:03 · 6965 阅读 · 5 评论 -
详解不同模态脑网络的五种构建方式:功能脑网络、结构脑网络、白质纤维束网络、加权脑网络、二值网络
(1)功能脑网络首先,获取了每个脑区的信号序列。其次,计算任意两个信号序列间的相关(皮尔逊相关)。把脑区视为节点,相关值视为边,连接边和节点就构造好了功能网络。(2)结构脑网络的2种构建方式:方式1:假定我们有100名被试,计算出红色脑区和蓝色脑区的平均灰质密度值(GMV),得到了100个红区的GMV和100个蓝区的GMV。把红区的100个GMV值和蓝区的100个GMV值做相关,就得到了红区和蓝区的相关值,也就是红区和蓝区的连边。当我们把所有脑区间的GMV相关计算出来后,就得到了所谓的结构共变原创 2021-01-18 18:59:33 · 5751 阅读 · 3 评论 -
大脑结构和功能复杂网络的图论分析——回顾复杂大脑网络的各种实验方法(包括人类的结构和功能MRI,扩散张量成像,磁脑图和脑电图),介绍图论的基本原理
复杂大脑网络:结构和功能系统的图论分析文章Complex brain networks: graph theoretical analysis of structural and functional systems摘要| 基于图论的复杂网络定量分析的最新进展已迅速转化为大脑网络组织的研究。 大脑的结构和功能系统具有复杂的网络功能,例如小世界拓扑,高度连接的中心和模块性,无论是在人类神经成像的全脑范围内,还是在非人类动物的细胞范围内。 在本文中,我们回顾了研究复杂的大脑网络的各种实验方法(包括人类的结构原创 2021-01-20 17:25:24 · 5163 阅读 · 2 评论