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
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 *’
- find
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]
- 结构:去皮、场不匀校正(磁场不均匀)、对齐到模板
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)
- 回归协变量
- 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
- 降噪参数(nuisance regressor)的选用有不同策略
- (1)平滑
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 ...
最新文章
- LeetCode Sort Characters By Frequency
- face recognition[翻译][深度人脸识别:综述]
- 3520a mmz错误解决方法
- ASP.NET Core 运行原理剖析1:初始化WebApp模版并运行
- selenium获取接口 HAR
- SAP License:SAP系统上线后的预收款处理
- 企业如何选择一个合适的可视化工具
- Jquery Highcharts 选项配置 说明文档
- openpose环境搭建(详细教程CPU/GPU)windows 10+python 3.7+CUDA 11.6+VS2022
- LPDDR4协议规范之 (一)地址映射和容量计算
- 文档服务器 件排名,全国服务器排名
- 19964 [HAOI2006]聪明的猴子
- 谷粒商城-分布式高级篇[商城业务-检索服务]
- 剑指offer每日六题---------day five
- java hgetall_redis的hGetAll函数的性能问题(记Redis那坑人的HGETALL)
- 中国轿车品牌如何突围之思 考
- NEUQ-acm 预备队训练Week5—图论
- ZT:老郭的《闷坐无聊偶感于怀》,力挺老郭
- unity3d开发实战《啪啪三国》技术详解!
- 一文搞定 Linux 设备树
热门文章
- python 美化ppt_用python做ppt服务用于导入图片
- 计算机毕业设计PHP+安卓基于移动群智感知城市轨道交通激励APP(源码+程序+lw+远程调试)
- 即构多人语音聊天室功能解析及搭建方法
- vant使用遇到icon图标不显示,显示为方块□□□□□
- 成功商业模式背后的逻辑
- WiFi也能检测人体3D动作?误差低至2.4厘米
- 【PAT】乙级 1040 有几个PAT (25 分) c++
- Windows下给优盘加密
- 量子光子学新突破!有望开启光学电路新时代
- SQL(面试实战02)