ICA與雙迴歸分析(Dual_Regression)
簡單來講,雙迴歸分析是ICA的一個延伸分析,旨在將ICA的組成分結果映射回單個樣本中,從而計算其組差異。許多針對大腦的功能影像資料研究的文章採用過這種方法,在此不贅述。下面進入實現部分:
一. 軟體準備
1.Linux系統
2.FSL:https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FslInstallation
二.資料準備
1. 資料轉格式dicom >> nii(fMRI / T1)
首先,在轉格式之前,在 dcm2niigui--help--Preferences 設定轉化檔名
Figure 1 設定轉化檔名
注意:
Dcm2nii:rfmri_dicom >> 1 個 4D 檔案
Dcm2nii:T1>>3 個 4D 檔案:*.nii,o*.nii,co*.nii(保留co後續BET)
2. 保留需要檔案
將 rfmri 的 4D 檔案存放到一個資料夾,將 coT1存放到一個資料夾。便於進一步 分析
3. BET—co_T1
Bet co*.nii >> co*_brain.nii.gz
詳細步驟另一篇文章再介紹
4. 檢查
使用Fslview 檢視個體 coT1 的 bet 結果,若腦殼基本剝乾淨,則認為 bet 結果好。否則,需要重新 bet。
5. 獲取資料路徑 txt檔案
T1_path.txt : 所有個體 bet 後 coT1 的檔案路徑
rfmri_path.txt :所有個體靜息態資料的 4D 檔案路徑
注意:兩個 txt 中個體序號一致
這裡可以使用shell:
! bin/sh
for i in /.../*.nii.gz
do echo $i >>/.../t1_input.txt
done
三. 獨立成分分析(FSL:MELODIC ICA)
1.準備
所有被試的 4Drfmri 資料路徑,bet 後的 coT1 路徑:T1_path.txt、rfmri_path.txt
新建資料夾作為 ICA 輸出位置: ic25
2.設定(未宣告則為預設)
》Data:
Inputs:所有人 rfmri 資料(rfmri_path.txt 內容貼上)
Outputs:輸出路徑(自定義)
Delete:4-10 個初始 volumes
TR:2.0 (取決於機器掃描)
Highpass cutoff:150 s = 1/150hz≈0.007Hz(低通濾波器)
》Pre-stats
Slice timing correction:interleaved(根據掃描方式決定,故與資料有關)
Bet:選擇,對功能資料 bet
FWHM:6
Highpass:不選
注:頭動校正設定預設演算法(MCFLIRT)。
》Registration
選擇 main structural image
輸入:所有人 bet 後的 coT1 資料(T1_path.txt 內容貼上)
Linear:normal search 6DOF Standard space:
Mask:MNI152_T1_2mm_brain.nii.gz
Lineal:full search 12 DOF
Resampling resolution:2mm
》stats
設定 output components:25(希望產生的成分數量)
選擇 multi-session temporal/concatenation
3.執行
點選“GO”,則開始 ICA。
會在大路徑》ica》ic25 產生 ic25.gica
rfmri 資料路徑下,產生個體的 subject_ic25.ica,包含預處理後的結果。
瀏覽器跳出 report,顯示 執行狀態。
四.挑選成分
1.初步篩選
所有成分與模板成分做空間相關,相關值越大,則空間重合度越 高,認為該成分對應模板成分。(可不做,只人眼分辨)
2.fslview
人眼核實篩選成分
開啟 fslview:對於每個 PNAS 成分,滑動 melodic_IC 不同 volumes,記錄哪個 volume
成分與模板對應。
3.整理
根據兩次篩選結果,確定每個 PNAS 模板,對應成分。
注:檢視關注的網路,若成分與之對應情況不好,則跑一些別的成分個數。
五. 雙迴歸(Dual Regression)
1.設計矩陣:
終端輸入Glm,或fsl -> Misc -> GLM Setup
選擇 High level/non-timeseries design,two-sample unpaired (配對人數也可選該項), 第一組輸入為單組人數。
Group Group1 Group2
1 1 0
1 1 0
1 1 0
2 0 1
2 0 1
2 0 1
Contrast 部分如下表:
contrast
g1>g2 1 -1
g1<g2 -1 1
“g1>g2”為第一組被試大於第二組被試,“g1<g2”為第一組被試小於第二組被
試。
新建資料夾 DUAL 作為雙迴歸結果存放位置。將矩陣存放到 DUAL,並以 glm 命名:DUAL/glm。理論上,該矩陣可用於本組資料的每次 ica 的雙迴歸,使用時修改好路徑就可以啦。
注:設計矩陣時,分組以及資料排列順序 要與 txt 中功能資料,要保持一致。
2.產生data_all.txt
將 rfmri 路徑下每個人的 ic25.gica 下 reg_standard 下 filtered_func_data.nii.gz 功能資料路徑寫入data_all.txt。
shell如下:
#! bin/sh
for i in /home/dell2/Desktop/gene_new/run3/*25.ica
do echo $i/reg_standard/filtered_func_data.nii.gz >> /.../data_all2.txt
done
3.執行雙迴歸
在 DUAL 下開啟終端(或終端 cd 到矩陣路徑) 輸入:
dual_regression /.../*.gica/groupmelodic.ica/melodic_IC.nii.gz 1 glm.mat glm.con 5000 dual_results `cat /.../data_all.txt`
注:在終端中輸入dual_regression檢視具體釋義,產生結果每個成分的雙迴歸結果,stage3*IC*corrp*stats*
六.檢視雙迴歸結果
1.結合挑選出的網路,整理對應雙迴歸結果
mask 》 複製挑選出的 10 個成分
g1_g2》 10 個成分對應的*corrp*stats1
g2_g1》 10 個成分對應的*corrp*stats2
2.將挑選出的[2.33,10]為閾值的網路,作為模板,得到有用區域的雙迴歸結果dual_mask_corr.mat
3.檢視雙迴歸結果
mask 》複製挑選出的 10 個成分
g1_g2》10 個成分對應的 stats1
g2_g1》10 個成分對應的 stats2
after 》g1_g2、g2_g1》十個雙迴歸結果,順序與 mask 對應。
使用 fslview檢視每個mask,add after下兩個對應成分的雙迴歸結果,閾值 0.95-1
相關推薦
ICA與雙迴歸分析(Dual_Regression)
簡單來講,雙迴歸分析是ICA的一個延伸分析,旨在將ICA的組成分結果映射回單個樣本中,從而計算其組差異。許多針對大腦的功能影像資料研究的文章採用過這種方法,在此不贅述。下面進入實現部分: 一. 軟體準備 1.Linux系統 2.FSL:http
機器學習演算法的Python實現 (1):logistics迴歸 與 線性判別分析(LDA)
本文為筆者在學習周志華老師的機器學習教材後,寫的課後習題的的程式設計題。之前放在答案的博文中,現在重新進行整理,將需要實現程式碼的部分單獨拿出來,慢慢積累。希望能寫一個機器學習演算法實現的系列。 本文主要包括: 1、logistics迴歸 2、線性判別分析(LDA) 使
工作流引擎JFlow與activiti 對比分析(一)5種基本控制流模式的對比
為了更好的說明activiti 與jflow的兩款工作流引擎的特點與區別,我們按照如下幾個方面做一次全面的、客觀的對比。 首先activiti是國外的一款開源的工作流程引擎,在國際上影響比較深遠與廣泛,解決了BPM領域的很多問題,值得我們讚賞。他
JDBC介面講解與底層實現分析(上)
一、JDBC為什麼需要資料庫驅動? 資料庫是一個產品,想要訪問它,就得通過它定義的方式去訪問。你可能覺得平時操作時好像並沒有按照什麼協議訪問呀,就是敲了下SQL命令,就有返回結果了。但你記得你是在什麼環境下訪問的嗎?你在cmd終端下輸入mysql啟動的就是mysql cli
Hadoop與Spark演算法分析(四)——PageRank演算法
PageRank是用於解決網頁重要性排序的關鍵技術之一,其基於網頁之間連結關係構建一個有向圖結構,實現各個網頁級別的劃分。一個網頁的PageRank值(後面簡稱PR值),取決於其他網頁對該網頁的貢獻和,以公式形式表示為,其中U表示所有網頁指向網頁b的網頁集合,L
案例27:室內消火栓系統檢測與驗收案例分析(一)
情景描述 系統圖 默寫 默畫 工作原理 消防水池設定 最優設定 保障性更高的方案 但是不經濟 消防水泵的設定
案例27:室內消火栓系統檢測與驗收案例分析(二)
.com nbsp 方式 ima inf http 圖片 alt bsp 增穩壓設施設置 消防水泵接合器設置 給水形式 十分重要 室內消火栓給水系統及給水方式 案例27:室內消火栓系統檢測與驗收案例分析(二)
案例27:室內消火栓系統檢測與驗收案例分析(三)
17. png .com 驗收 alt 技術分享 bubuko ima 圖片 室內消火栓設計要求 管網設計要求 室內消火栓系統的控制與操作 分析題 案例27:室內消火栓系統檢測與驗收
案例29:氣體滅火設施檢測與驗收案例分析(一)
ima 系統 工作原理 nbsp mage .com 設置 com image 案例說明 案例 系統工作原理 系統設計要求 防護區的劃分 系統組件設置 案例29:氣體滅火設施檢測與驗收案例
python 二元Logistics Regression 迴歸分析(LogisticRegression)
綱要 boss說增加專案平臺分析方法: T檢驗(獨立樣本T檢驗)、線性迴歸、二元Logistics迴歸、因子分析、可靠性分析 根本不懂,一臉懵逼狀態,分析部確實有人才,反正我是一臉懵 首先解釋什麼是二元Logistic迴歸分析吧 二元Logistics迴歸 可以用來做分類,迴歸更多的是用於
Spring 框架的設計理念與設計模式分析(2)
下面再看看 Spring 是如何呼叫攔截器的,下面是這個過程的時序圖: 圖 20.Spring 呼叫攔截器 以上所說的都是 Jdk 動態代理,Spring 還支援一種 CGLIB 類代理,感興趣自己看吧。 Spring 中使用的設計模式也很多,比如工廠模式、單例模
Spring框架的設計理念與設計模式分析(一)
Spring 的骨骼架構 Spring 總共有十幾個元件,但是真正核心的元件只有幾個,下面是 Spring 框架的總體架構圖: 圖 1 .Spring 框架的總體架構圖 從上圖中可以看出 Spring 框架中的核心元件只有三個:Core、Context 和 B
迴歸分析(三)——多項式迴歸解決非線性問題
【將線性迴歸模型轉換為曲線——多項式迴歸】之前都是將解釋變數和目標值之間的關係假設為線性的,如果假設不成立,可以新增多項式選項,轉換為多項式迴歸。【sklearn實現多項式迴歸】1、PoltnomialFeatures實現二項迴歸# quadratic 二項迴歸 from
關於pyinstaller與Xbash系列分析(續)
魔術 就會 啟動 dba nal 覆蓋 模塊 case forms 前言:?《Xbash部分樣本分析》一篇博客之後,研究了一下關於pyc字節碼格式與pyinstaller。雖然相關資料比較少,但是不影響去學習,不得不說pyinstaller是Xbash系列跨平臺危害罪魁禍首
EXCEL實戰技巧與數據分析(三)函數1
error 都是 number origin not 一定的 適合 空格 rep 在第二部分學習了excel數據透視表的諸多技巧,此篇來熟悉excel常用的75給公式 第二部分鏈接:EXCEL實戰技巧與數據分析(二)數據透視表 - 數據科學探路者的文章 - 知乎 http
【原始碼】主成分分析(PCA)與獨立分量分析(ICA)MATLAB工具箱
本MATLAB工具箱包含PCA和ICA實現的多個函式,並且包括多個演示示例。 在主成分分析中,多維資料被投影到最大奇異值相對應的奇異向量上,該操作有效地將輸入訊號分解成在資料中最大方差方向上的正交分量。因此,PCA常用於維數降低的應用中,通過執行PCA產生資料的低維表示,同時,該低維表
系統分析與設計學習筆記(一)
學習 掌握 應該 溝通 基本 最終 表示 對象 毫無 為什麽要學習這門課程? “擁有一把錘子未必能成為建築師”。 這門課程學習的是面向對象分析和設計的核心技能的重要工具。對於使用面向對象技術和語言來,創建設計良好、健壯且可維護的軟件來說,這門課程所
java與javax的區別分析(轉)
mes ges 歷史 java虛擬機 虛擬 over 問題 c語言 enc Java是一種受C語言影響的編程語言。Java和Javax本質上是與Java編程語言的上下文一起使用的包。實際上Java和Javax沒有區別。這只是不同的名字。 Java是一種編程語言,受到C語言
【雲安全與同態加密_調研分析(3)】國內雲安全組織及標準——By Me
pac 調研 通信 bsp group 移動 網絡通信 body 中興 ◆3. 國內雲安全組織及標準◆ ◆雲安全標準機構(主要的)◆ ◆標準機構介紹◆ ◆相關標準制定◆ ◆建立的相關模型參考◆ ◆備註(其他參考信息)◆ ★中國通信標準化協會(CCSA
【雲安全與同態加密_調研分析(6)】雲計算及雲安全主流體系架構與模型——By Me
不同的 同態 示意圖 提供者 nis 管理 ati 分享 style 雲計算及雲安全的主流體系架構與模型 1. 雲計算主流安全參考模型 1.1 雲計算安全參考模型