Nilearn教程系列(4)-fMRI解码入门教程(一)

最新推荐文章于 2024-06-01 23:05:18 发布

脑机接口社区

最新推荐文章于 2024-06-01 23:05:18 发布

阅读量1.3k

点赞数

文章标签：机器学习人工智能 python 数据分析深度学习

本文链接：https://blog.csdn.net/zyb228/article/details/121026798

版权

这是使用Nilearn解码的教程，它以Haxby 2001研究中猫辨别任务的数据为基础。

fMRI解码入门教程

功能性磁共振成像（FMRI，functional magnetic resonance imaging）是一种新兴的神经影像学方式，其原理是利用磁振造影来测量神经元活动所引发之血液动力的改变。由于fMRI的非侵入性、没有辐射暴露问题与其较为广泛的应用，从1990年代开始就在脑部功能定位领域占有一席之地。目前主要是运用在研究人及动物的脑或脊髓。

主要内容包括：

1.从Haxby研究中检索并加载fMRI数据

2.利用SVM解码

3.使用交叉验证测量预测分数

4.检查模型权重

下载数据

from nilearn import datasets
import warnings
warnings.filterwarnings("ignore")
"""
调用fetch_haxby()下载Haxby研究数据集，
如果数据集已经存在本地了，就直接加载本地的，
否则会从网上下载
"""
haxby_dataset = datasets.fetch_haxby()
#由于数据集有很多组，我们只是用其中一组
fmri_filename = haxby_dataset.func[0]
# 打印数据集的基本信息
print('First subject functional nifti images (4D) are at: %s' %
      fmri_filename)  # 4D data

将fMRI数据转换为数据矩阵

"""
以受检者的解剖图像为背景对其进行可视化
"""
mask_filename = haxby_dataset.mask_vt[0]
from nilearn import plotting
plotting.plot_roi(mask_filename, bg_img=haxby_dataset.anat[0],
                 cmap='Paired')

"""
利用 nilearn.input_data.NiftiMasker来提取mask上的fMRI数据，
并将其转换为数据序列
"""
from nilearn.input_data import NiftiMasker
masker = NiftiMasker(mask_img=mask_filename, standardize=True)

# 根据 filename检索二维数据
fmri_masked = masker.fit_transform(fmri_filename)

# 打印frmi_masked
print(fmri_masked)

# 查看其形状
print(fmri_masked.shape)

(1452, 464)

加载行为标签

行为标签存储在csv文件中，用空格分隔，这里用pandas将其排列成一个数组

import pandas as pd
# 加载行为信息
behavioral = pd.read_csv(haxby_dataset.session_target[0], sep=" ")
print(behavioral

conditions = behavioral['labels']
print(conditions

只对猫和面孔脸部进行分析

根据上面的labels可以看出，有多种条件，本次实验只需猫和脸部的数据

"""
只需要face和cat数据
"""
condition_mask = conditions.isin(['face', 'cat'])

fmri_masked = fmri_masked[condition_mask]
# 打印其形状
print(fmri_masked.shape)

(216, 464)

conditions = conditions[condition_mask]
print(conditions.shape

(216,)

利用SVM进行解码

我们使用scikit-learn机器学习工具对fmri_masked数据进行分析。

这里使用线性核的支持向量机分类器。

"""
创建线性核的SVM
"""
from sklearn.svm import SVC
svc = SVC(kernel='linear')
print(svc

"""
训练数据
训练集：fmri_masked
标签为：conditions
"""
svc.fit(fmri_masked, conditions)

"""
预测数据
对fmri_masked数据进行预测，
得到其对应的标签
"""
prediction = svc.predict(fmri_masked)
print(prediction)

文章仅用于学术交流，不用于商业行为，

若有侵权及疑问，请后台留言，管理员即时删侵！

更多阅读

美国“脑计划”取得重大进展，从小鼠到猴子再到人类

深圳大学梁臻博士提出EEGFuseNet高维脑电图

混合无监督深度特征表征与融合模型及其在情绪识别中的应用

用于情绪识别的生物信号数据集汇总

临港实验室、上海脑科学与类脑研究中心脑机接口平台联合招聘公告

你的每一次在看，我都很在意！