粗体功能磁共振成像数据机器学习的实用工具和工具。
skbold的Python项目详细描述
MVP对象
skbold的主要特性之一是数据结构 mvp (缩写 多体素模式)。这个自定义对象允许一种有效的方法 存储和访问fmri数据的多体素分析所需的数据和元数据。 这个 mvp 对象的一个很好的特性是它们可以轻松地加载数据 (即,nifti文件集)从磁盘中自动组织 ML分析中使用的一种格式(即按特征矩阵的样本)。
因此,在核心,mvp对象只是一个数据集合-一个2d数组 按功能和功能磁共振成像执行所需的特定元数据的样本 定制预处理和特征工程。然而,机器学习 分析,或更普遍的任何类型的多体素类型分析(即MVPA); 可以通过两种基本的方式来完成,这为两种"口味"提供了基础 对象: mvpWithin 和 mvpBetween 之间的 详情如下。
mvpWithin
一种方法是在受试者体内进行分析。这意味着模型是 分别符合每个受试者的数据。在本文中,数据通常指 单一试验数据,其中每个试验公司在我们的数据矩阵中生成一个样本 每个体素的值构成我们的特征。这种分析是 或者称为单次试听解码,通常作为 替代(全脑)单变量分析。
最终,这种类型的分析旨在预测 试验(例如分类分析中的条件/类别成员或一些 回归分析中的连续特征),skbold将其称为 在用特征矩阵训练样本的模型上,skbold调用x。 在获得模型性能分数(例如精确度、F1分数或R平方)后 对于每个受试者,可以在 这些分数。skbold在组级别上不提供任何功能 分析;我们建议研究人员研究Allefeld及其同事的预测推理方法。
MVP之间
随着大样本神经影像数据的增加,另一个 MVPA的类型开始变得可行,我们称之为主题之间的 分析。在这类分析中,单个受试者构成数据的 样本和相应的单个多体素模式构成数据的 特征。多体素模式或"特征集"的类型可以是任何集 体素值的。例如,来自单个第一级对比度的功能 (注:这应该是条件平均对比度,而不是单一试验 对比度在mvpWithin!)可以使用。但是来自vbm,tbss(dti)的体素模式, 双回归图也同样适用。关键是,这个包裹 允许堆叠功能集以使模型适合 同时使用多个数据类型的功能。