silding window+dbn

一

1.窗口的设置

  总的数据为[530 200]*17

 考虑一个人的样本[530 200]，选择窗口宽度为50，步长为1。在530的时间长度中，一共有530-50+1=481个窗口，一个样本的窗口数据组成[50 200 481]的矩阵。

 2数据的处理

  对一个窗口的数据[50 200]进行corr，产生[200 200]的矩阵，矩阵对角线为元素的自相关值为1，对角元素相同，对矩阵取上对角元素组成（200*199）/2=19900维的向量，将其看DBN网络的一个输入，共481*17组输入。

3进行深度学习

    对输入数据进行降维以及标准化，变为[8177,2825]类型的输入。

    训练之后产生一个权重矩阵W=w1*w2=[2825,128],权重矩阵的每一列都代表一个基础连接矩阵（输入的是连接矩阵，学习到的也是连接矩阵，中间的weight矩阵值高的代表某一个连接贡献大，即其的连接紧密，所以对应的一个2825维的就代表大脑的功能连接矩阵，一共有128基础的连接矩阵）然后将2825维的还原到原来的[200,200]维空间中，使用brainnetviewer将其画出，node文件使用的是cc_roi.node,分了200个ROI。

     画功能连接图的时候，需要对weight矩阵进行处理，将元素值小的地方变为零，找出比较重要的功能连接。

二

第一次数据处理不对，当取0.5的阈值的时候会将corr连接矩阵小于0.5的取为0，这时候corr的取值范围就是0.5-1，之后进行dbn学习的时候对其进行zscore变化，变成标准正太分布，本来相关性不大的点就变成了负相关很大的点？重构的时候怎么理解负相关？