一、关于shell

1、环境变量

env|grep xx # 查找环境变量中包含xx的环境变量
PATH 各种路径
- 路径之间用：隔开
- PATH=……：$PATH
- 命令是在PATH中寻找的

2、补充一些常用命令

在文件夹中搜索包含特定字符的文件
- find
  - find 路径 -name ‘* 字符 *’
echo 输出
ls -l dir # 查看权限
ls -v 自然排序
ls -a 显示所有（包括隐藏）
grep （global search regular expression(RE) and print out the line，全面搜索正则表达式并把行打印出来）是一种强大的文本搜索工具，它能使用正则表达式搜索文本，并把匹配的行打印出来。用于过滤/搜索的特定字符。可使用正则表达式能配合多种命令使用，使用上十分灵活。

二、核磁数据分析

1、预处理

1、预处理在做什么
- 结构：去皮、场不匀校正（磁场不均匀）、对齐到模板
  - 皮层重建：vertex-based会把沟的褶皱打开，平滑时会基于真实的距离，所以比volume-based更精准【皮层重建什么时候做？次序】
  - VBM（基于体素的形态学分析）的权衡【具体的trade-off是什么？】
- 功能：
  - distortion
  - 对齐
    - 一步对齐：功能像–>EPI template
    - 两步对齐：功能像–>结构像–>标准模板(【better】a.同一个人的大脑结构相同，只需要做纺射变换；b.结构像的分辨率更高，对齐到模板更准)
  - 时间校正【ER设计要做，Block设计可不做】
    "SliceTiming":[0,1.00,0.25,1.25……] #[标记每个slice扫描的开始时间]
2、fMRIprep没有进行的预处理
- （1）平滑
  - 平滑核的确定（半高全宽FWHM，高斯平滑核峰值半高两边对应的差值）
  - MVPA不需要平滑
  - 静息态功能连接在降噪后再进行平滑；任务态先GLM再平滑
- （2）降噪
  - 降噪参数（nuisance regressor）的选用有不同策略
    - 策略比较链接
  - 降噪方法
    - 回归协变量
      - 功能连接时，对头动很敏感，降噪会回归掉更多的变量（头动6，平方项6，导数12+白质+脑脊液），否则会有很多虚报
    - ICA分离【不损失自由度】
      - (a)ICA-FIX(FSL-based，半自动，文献中常见——若受试人群有特殊人群（小孩、老人、患者）可选用)
      - (b)ICA-AROMA(FSL-based，全自动)
  - 任务态拟合GLM时包含降噪
  - 时间滤波（静息态在降噪时做，任务态在GLM低阶分析中做）
    - 低频噪声scanner drift：数据随着时间缓慢变化
    - 高通滤波——先做傅立叶变换，时域转频域，再把低频滤掉

2、GLM

基本原理

HRF（血液动力学函数）：a. initial dip；b. peak(plateau)；c.fall；d.undershoot
用自变量、混淆变量卷积HRF函数，逐个体素上拟合其随时间变化的实际BOLD曲线。
GLM的前提：
a.自变量独立
b.自变量线性
c.残差符从多元球形分析（残差独立同分布于一个平均数为0的正态分布）

GLM在做什么？

额外工作？prewhitening？precoloring？
一阶GLM输出结果——被试水平
- 参数估计结果（pe）：自变量+混淆变量的β值
- contrast ：相当于配对样本t检验

pybids package——索引文件

dicom转换完的文件夹——code、derivativeas、subxx
- derivatives 放衍生文件
- 做完fMRIprep以后和glm分析生成的文件存在derivatives文件夹
  - fmeiprep,freesurfer,glm,mriqc,net……（每个被试文件夹——func和anal文件夹）

pybids在python里面是bids

layout = BIDSLayout（BIDS文件夹，derivatives = TRUE）
#derivatives = TRUE -> 索引derivatives文件夹的bids格式文件
#layout是返回的筛选出的满足的对象layout.get（  run，task，……）# 引用特定被试的预处理后的数据  scope  = deriatives

tutorial——教程链接

susan——平滑

先安装niflow——pipx install niflow-nipype1-workflows
看一下nipype的interface/Node/Workflow/input/output 链接
```
smooth = create_susan_smooth( )
```

三、一些快捷键

shell快捷键

option + 左右键
control + A 最左
control + E 最右
command + C 复制
control + C 终止

jupyter快捷键

enter 编辑状态
- enter 后按M——markdown
- enter 后按Y——code
esc 查看状态
查看状态下 a——在上面加一个cell
查看状态下 b——在下面加一个cell
shift+ enter——运行一个cell
dd——删除一个cell

四、相关资料链接

pybids pybids教程链接
nipype nipype教程链接
zim+powerlevel 10k+一些插件可以增强zsh的功能链接
spaceVIM（增强vim）链接
安装homebrew 链接
一个git的很好的教程链接
fMRI数据分析python_code【from seven】链接
一个做文献查文献的好工具【connectedpapers】链接
FSL培训课件【中文版】链接
FieldMap讲解视频链接

sth else

conda——python的隔离环境
好用的终端——iterm

空间形变最敏感的是相位编码（phase-encode）
相位编码——y轴方向，前-后/后-前
梯度编码——z轴方向
频率编码——x轴方向，左-右

核磁数据分析学习笔记[02_预处理、GLM相关]相关推荐

核磁数据分析学习笔记[01_Linux基础]
一.人与计算机的交互方式两种交互方式 GUI(Graphic User Interface)图形用户界面指采用图形方式显示的计算机操作用户界面.允许用户使用鼠标等输入设备操纵屏幕上的图标或菜单选项 ...
Python数据分析学习笔记01：安装相关软件、导入扩展模块与集成开发环境
目录一.安装Anaconda 1.下载Anaconda 2.安装Anaconda 3.启动Anaconda命令行 (1)启动Anaconda Prompt
数据分析学习笔记——数据可视化
数据分析学习笔记系列--数据可视化总第45篇 ▼ 写在前面: 本篇来源于书籍<数据之美-一本书学会可视化设计>的学习后整理所得.全篇主要围绕数据可视化的5个步骤展开,其中重点内容是第三步 ...
Python数据分析学习笔记：计算相关系数
Python数据分析学习笔记:计算相关系数 1.相关系数概念相关系数,或称线性相关系数.皮氏积矩相关系数(Pearson product-moment correlation coefficient ...
数据分析学习笔记（二）数据分析三思维七技巧
数据分析学习笔记(二) What 三种核心思维结构化公式化业务化 Why 数据分析的思维技巧象限法多维法假设法指数法二八法对比法漏斗法总结 How 如何在业余时间锻炼分析能力好 ...
Python数据分析学习笔记：使用SciKit-Learn进行数据规范化
Python数据分析学习笔记:使用SciKit-Learn进行数据规范化数据规范化是数据挖掘的一项基础工作.不同评价指标往往具有不同的量纲,数值见的差别可能很大,不进行处理可能会影响到数据分析的结果 ...
Python数据分析学习笔记：计算向量夹角
Python数据分析学习笔记:计算向量夹角通过计算两个向量夹角了解两个向量之间的相关性. # 计算向量夹角import numpy as npdef included_angle(a, b):a_n ...
Python数据分析学习笔记05：用户画像
Python数据分析学习笔记05:用户画像一.用户画像用户画像是指根据用户的属性.用户偏好.生活习惯.用户行为等信息而抽象出来的标签化用户模型.通俗说就是给用户打标签,而标签是通过对用户信息分析而 ...
python客户画像_Python数据分析学习笔记05：用户画像
Python数据分析学习笔记05:用户画像一.用户画像用户画像是指根据用户的属性.用户偏好.生活习惯.用户行为等信息而抽象出来的标签化用户模型.通俗说就是给用户打标签,而标签是通过对用户信息分析而 ...

核磁数据分析学习笔记[02_预处理、GLM相关]

一、关于shell

1、环境变量

2、补充一些常用命令

二、核磁数据分析

1、预处理

2、GLM

三、一些快捷键

shell快捷键

jupyter快捷键

四、相关资料链接

sth else

核磁数据分析学习笔记[02_预处理、GLM相关]相关推荐

最新文章

热门文章