- 博客(105)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 招聘海外博后
主要方向为心理学，偏向认知心理学和精神障碍疾病脑机制雄安英，有相关科研经历都可以申请，欢迎不同背景的博士带来新视野。实验室地点是美国爱荷华州爱荷华大学附属医学院，工资高物价低，很适合科研出成果。帮朋友的导师招聘海外博后~~详情看图片，招聘长期有效。
2024-04-17 11:13:44
483
原创 spm12和nilearnGLM结果比较
对于任务态数据，一般常规用SPM12软件去拟合计算。而nilearn中也有GLM和first level model。于是我对比了下两者计算的结果。
2024-03-05 13:37:22
615
原创 fsck: error 2 (No such file or directory) while executing fsck.ext2 for /dev/xxx
仍然报错“fsck: error 2 (No such file or directory) while executing fsck.ext2 for /dev/nvm0n1p2 ”，后来看到另一个答案提示，发现是O和0写错了，于是重新输入。最近长期使用ubuntu，下班前用google下载了一些文件，也跑了一些程序，然后第二天早上上班就发现电脑息屏了。去网上搜了一些办法，都不行，差点想重装系统了，但是里面有很多软件和资料，还是需要想办法。尝试了一个答案，输入。
2024-01-08 23:38:18
778
原创 病灶的相关处理
具体包括画出病灶，生成二值mask，然后使用命令 (fslswapdim LV_R -x y z LV_L，注意-x代表在x上翻转)翻转二值mask，就得到了对侧legion mask，然后把对侧图象剪切下来再翻转回来，这就是同源信号。然后将根据修复的T1到MNI152的转换矩阵，将legion mask 转换到MNI空间，要注意，这里转化的时候选择邻近值插入，而不是差值/线性插入。第二是把仅仅把病灶翻转，即把对侧正常组织映射到病灶处，然后扣掉对侧正常组织，也就是说仅病灶翻转，全部脑组织不翻转。
2023-11-21 08:26:44
256
原创 high perfermance computer usage
我这大学的每一位学生，可以轻松使用hpc批量跑数据，也可以新建自己的server跑一些local data，后者每个学生账号最大是32核512G的运行内存，体验非常好，只不过只能使用jupyternote book或者R登录，也可以跑bash，总之非常nice。一般来说，fmriprep只有几个步骤能跑满cpu，比如ants，还有一些步骤是跑不满的，所以假设同样8个被试，使用8个核心，一个一个跑，跟使用1个核心，8个一起跑，后者的时间应该是要短很多。其他都是一样的使用。第二个就是hpc节点的使用。
2023-11-13 23:43:24
654
原创 python 数据保存格式的选择
今天发现一个问题，就是有一个数据，很长，几百个被试的fmri数据，有10M+行，使用pandas.to_csv占用的时间特别长，写了20分钟还没写完。于是上网寻找更快的数据保存方式。
2023-10-26 01:03:52
347
原创 置换检验临界值
那么t检验对应的P值是0.02378，而同样统计值为2.3986，置换检验的P值为0.0258，其实查的不多。所以在置换检验中，可以近似使用T检验对应的P=0.05的统计值来作为临界值去筛选结果。例如b为1和2的分类变量，那么Z正值代表1大于2。我们知道t检验的t值换算成P值，是需要自由度的。例如在这个数据中，a是有8个数字，自由度是7。其中这个Z和t检验的t一样，是有大小分别的。置换检验和t检验一样，会有统计值和P值。假设统计值为2.3986，置换检验的统计值记为Z值。
2023-07-02 13:30:39
265
2
原创 Python和R的并行处理
python进行并行处理的分为多线程和多进程，多线程使用thread，多进程使用multiprocessing，还有线程池future。有2个cpu瞬间达到100%，到AntsN4BiasFiledCorrectionFs函数，第3个cpu落后了一些时间，但是后面也达到了100%。但是当我连接远程hpc，跑单核可以到100%，跑多线程时，hpc每个线程最大只能到10%的cpu负载，可能是hpc进行了某种限制。只有1个cpu达到100%，到AntsN4BiasFiledCorrectionFs函数。
2023-06-26 16:10:29
156
原创 R中的并行处理
加载foreach包后，有2种用法，一种是 foreach ( ) %do% {}，另一种是 foreach ( ) %dopar% {}。首先可以看出，foreach的函数格式跟for是一样的。其次，do代表单线程，而dopar才是多线程并行。加载doMC，然后registerDoMC（），输入要使用的核，后面的命令会自动调用这么多核去执行任务。其次还有一个整合性的包，就是doMC，这个只能在linux下使用。R中的并行处理，主要使用foreach包。它的结果输出是一个列表。
2023-05-24 10:21:22
126
原创 igraph的layout布局
一共有上述9种布局。第一种（dh）：可以显示出社区与社区间的关系，缺点是社区多了有点分不清。第二种（drl）：不推荐使用第三种（fr）：我比较喜欢的一个布局，可以看清有多少社区。推荐第四种（gem）：不推荐使用第五种（graphopt）：我比较喜欢的一个布局，大的社区放在中间。推荐第六种（kk）：也还不错，可以作为补充选择。第七种（lgl）：不推荐使用，太凌乱第八种（mds）：是个不错的布局，值得推荐，是根据距离缩放来的，可以看得清社区间的联系。
2023-05-07 18:00:27
1309
3
原创 任务态相关的一些知识总结
静息态的数据处理现在都比较简单了，因为有了fmriprep和qsiprep流程工具，没有特别的难度。而关于任务态，则有一些独特的处理方式，因为最近要做任务态的数据分析，所以学习一下。先学习下R的4个重输出函数：cat , sink, wirteLines, write.table1.cat函数即能输出到屏幕，也能输出到文件.使用方式：cat(… , file = “”, sep = " ", fill = FALSE, labels = NULL,append = FALSE)
2023-05-06 13:36:17
610
原创 TBSS和dpabifiber
如果上一步是-T或者-n，那么这一步可以选择-S，即将所有原始FA图像根据上一步的配准矩阵，变换到目标空间（-T的目标空间是FMRIB58_FA）。生成所有被试的标准空间FA图像，然后把所有标准FA图像合并成all_FA的4D图像，创建stats子目录，并创建所有标准FA图像的平均值，mean_FA.nii.gz，以及均值骨架，mean_FA_skeleton.nii.gz。tbss_4_prestats，对上一步的平均FA骨架进行阈值处理，低于0.2阈值的被归零，留下的体素作为最后可以统计的范围。
2023-05-05 00:04:13
1199
13
原创 freesurfer的小错误
可以看出来，freesurfer确实是标记错了这个地方，也有可能在当初生成地图的时候，这个地方被错误归类了，其实应该人工修复一下。今天突然发现了一个freesurfer的地图aparc.a2009s的一个小错误（可能也不是错误？在我画红线的地方，有一个理应是Medial_wall的地方，出现了颜色，很奇怪。于是我就寻找那个点的坐标。那个点的坐标是102162和102163。两张图对比看，可以看出那个位置确实是有颜色的，但是按理说不应该有颜色。
2023-04-30 11:18:53
207
1
原创 fmriprep2
皮层下分割，mgz2niigz：‘%s parallel -j %g mri_convert %s/freesurfer/{1}/mri/rh.hippoAmygLabels.HBT.FSvoxelSpace.mgz %s/Results/AnatVolu/T1wSpace/{1}/{1}_Subregions_rh.hippoAmygLabels.HBT.FSvoxelSpace.nii.gz ::: %s’, …这个初始估计经过改进，然后保存到名为lh.white和rh.white的文件中。
2023-04-24 12:42:01
1410
8
原创 brainGraph基线测试
brainGraph做图论分析非常方便，远胜过gretna和BCT等软件。但是作者只对braingraph和BCT进行了基线测试，两者结果对比如下：可以说大部分是没有区别的。然而，作者没有对gretna进行测试，毕竟国内人写文章用gretna会稍微多一些。前两天我使用braingraph和gretna的结果对比了一下，发生了一些误会。
2023-04-06 11:51:57
380
原创 R语言中的cor和cov和pcor
由此可以看出，cor算出来的是相关性系数，在【-1， 1】之间变化，而cov是具体的统计量，所以跟原始数据的大小密切相关，所以SF-36&SF-36是371，而PRI&PRI只有22。还有一种半偏相关（semi-partial correlation），就是在计算X1和X2的相关性时，在仅排除X2与其他变量的影响后，去与X1做相关。简单理解，就是cov和cor，都是同一个统计，前者类似于统计量，后者类似于p值（只是简单举例）。cor和cov都是计算的相关性，当我们要计算偏相关时候，我们就需要ppcor包。
2023-03-16 13:39:36
2446
原创 structural covariance network
即：假设某个节点变化，它其实是多维度同步变化的，例如连接它的白质纤维束减少，它的皮层厚度就会降低（突触减少，神经元萎缩），并且它的功能bold信号也会有变化（当然不一定是降低，functional network没办法评估功能活动度降低）。Aaron Alexander-Bloch在他的文献中指出了，建议纳入age和gender去做结构协方差网络，因为皮层厚度与性别和年龄的关系最大（其中年龄为主要因素），因此这样形成的结构协方差网络，就在多个数据集或者多个被试之间具有了可比性。这个我觉得是比较有道理的。
2023-03-14 10:10:22
1474
3
原创 脑网络拓扑属性（二）
global efficiency & nodal efficiency：global efficiency 也是评价网络整合能力的，但是要更真实有效，它评价的是网络内所有子网络系统整体的信息传递效率。degree centrality 只评价连接，不评价质量，例如节点J 具有很高的degree centrality，是因为它的邻接节点具有很多degree而不是它本身。即，有多个功能区域而用很短的路径连接这些功能区域，因此小世界网络是整合的又是分离的。直接相连的两点，连向第3个点后，再连接其他点的概率。
2023-03-13 23:34:35
828
2
原创 对于回归方程和线性回归方程的个人理解
当你有一组数据，你想知道一些因变量（x）和自变量（y）的关系时，就需要建模，这个建模即为建立回归方程。回归方程最常见最简单的就是一元回归，y=βx+b，其中β是系数，b是常数项。β也等于相关性系数。回归的拟合，也就是寻找一个最优β，使得误差平方和最小。一元总是最简单的，而实际应用则更为复杂。一般在医学里，我们不知道Y与哪些X有关系，我们都会纳入多个变量来进行临床建模和统计分析，也就是多元（线性）回归分析，这需要对回归方程理解更为深刻。
2022-11-07 17:05:50
2277
原创 随机森林可视化
今天看到别人的文章，说到了随机森林可视化，于是尝试了下：windows版本安装:1.在下面去下载window的exe安装包，安装graphviz。在路径选项，点击add path to computer，然后后面全部点确定就行。安装好以后，打开powershell,输入dot -version，就可以看到安装成功了。2.安装pygraphviz和pybaobabdt主要是使用Pybaobabdt来绘制决策树。
2022-11-06 22:09:11
23190
12
原创 fsbrain的学习笔记
之前分析皮层数据，基于freesurferformats构建了一套自己的脚本，后来偶然间发现了fsbrain，把这些都封装好了，并且还包括可视化。因此，就抽空来学习学习。
2022-11-01 20:47:11
1169
原创 neuromaps的学习笔记
neuromaps是一款2022年8月刚发布的工具，文章发表在nature method杂志上。近期同事推荐给了我，于是我尝试用了下。首先的话，neuromaps是一款主要用于脑区之间进行比较的工具，使用的是基于空模型的非参数方法-置换检验。
2022-10-31 19:23:31
798
原创 A variance components model for statistical inference on functional connectivity networks
假设我们有一个p长度的时间序列，横跨N个被试。在不丧失一般性的情况下（without loss of generality），假设所有被试的边缘的时间序列都被减少了（the marginal time series across all subjects have been detrended）。为了估计FC强度，我们计算了所有被试每个ROI边缘时间序列的样本相关性，这样的话，每个被试就有q=p(p−1)/2q=p(p-1)/2q=p(p−1)/2。
2022-10-26 21:14:53
520
原创 Diffusion-weighted in MRI 学习笔记
功能像的学习已经差不多了，对功能连接、图论、机器学习方面的知识感觉已经掌握的差不多了，这段时间准备把DTI像给捡起来学习学习。图片引用自FSL官网学习DTI，不能逾越的软件当推FSL，我的学习笔记及部分博文图片也来自于FSL官网教程，仅供学习谈论。概述分析DTI像，主要就是集中于构建白质纤维束，要理解白质纤维束的构建过程，追源溯流，最开始的理论起源于分子的布朗运动。大家都知道，分子处于不断的随机运动中，这种运动被称为布朗运动，也讲作弥散（diffussion）。Diffusion = t
2022-05-18 12:30:02
2974
9
原创 R语言t检验中手动计算t值和p值
R语言中，根据t值求P值是 pt( )，根据P值求t值是 qt( )。但是计算有不准。最准确的方法是：t.value = (mean(data) - 10) / (sd(data) / sqrt(length(data))) p.value = 2*pt(-abs(t.value), df=length(data)-1)
2022-05-10 18:50:43
8794
原创 机器学习读书笔记（二）
介绍机器学习所有算法前，首先介绍两个最基本的算法，即 Perceptron 感知机 和adaptive linear neurons 自适应线性神经元。了解这两个基本算法有助于帮助理解后续的高级算法。机器学习发源于对神经元的模仿，即神经元的反射过程：信号输入–>信号处理–>信号输出。而一个巨大的飞跃，就是Frank Rosenblatt在1957年提出的在上述过程中加入自动学习过程，即 [ 信号输入–>信号处理–>信号输入权重更新 ] —> 信号输出。自动权重更新过程的
2022-05-06 18:55:00
709
原创 机器学习读书笔记（一）
机器学习分类机器学习算法主要分为三种，监督学习（supervised learning）、无监督学习（unsupervised learning）和强化学习（reinforcement learning）。监督学习有标签，用于预测结果或未来。无监督学习无标签，用于寻找数据潜在结构。强化学习有决策过程和奖励系统，用于学习一系列动作。监督学习监督学习是在训练数据和数据标签中进行机器学习，生成模型，然后将该模型用于新的数据去预测其标签。监督学习包括分类预测 classification 和回归预测
2022-05-06 13:16:19
621
原创 机器学习介绍——个人经验
以下为我的个人经验，主要用于分享和讨论，未关注内容的严谨性，仅供讨论和互相学习。什么是机器学习我的理解：机器学习是用于预测和分类的模型。这个模型是一个总称，其中包括监督学习的K近邻、线性回归、逻辑回归、SVN等，无监督学习的K平均、分层聚类、最大期望等。相较于传统的多因素分析而言，机器学习的这些算法对变量分布和特性（线性、独立不相关等）基本无要求，不需要前提假设，而传统多因素分析中则建立在强假设下，要求变量符合正态分布、线性独立等。因此，机器学习的算法要比传统多因素分析算法适应性更广，应用性更广，所
2022-04-20 20:23:05
1710
1
原创 2021总结
今天是上班第一天，早早的来到单位，把办公桌收拾干净，准备迎接新的一年。年前给单位写了年度总结，也看了很多关注单位的年度总结，有进步明显的，也有进步不明显的，也许大家付出的勤奋和努力不无差别，但结果的差强人意，虽有诸多混淆因素的作用，也终归和自己有一定干系，而时序则是人人相同的。我们可以常规在image data上 remove time points，但难以清除人生中的任一point。今天想来写年终总结，不是为了夸赞什么（事实上自己的现实生活过的很惨烈），也不是自卑什么，只是一个描述性的事件记录，给一个
2022-02-07 09:16:43
683
3
原创 记录一次excel汇总和脚本打包的经历
昨天看到同事在手动整理excel报表，记录医师的挂号量，一天一天导出感觉很辛苦。我想着写个程序帮助他，正好也自己对于整理excel相关的库比较感兴趣，游览了一些网址和博客后，决定使用xlrd和xlwt来实现整个过程。其实整个流程很简单，就是从医院系统里下载固定模式的表格，然后把他整理到目标表格里，体现出每个医生每天的挂号率。花了2小时写出来的代码，第一次使用excel相关库，分享给大家：#!/bin/python3# Created by Clancyprint("程序正在运行中，请稍后....
2022-01-12 16:45:37
437
原创 Time New Roman字体
windows下，字体放在：C:\Windows\Fonts其中time new roman包含4个字体，如下：linux下，字体一般可以放在/usr/share/fonts下，也可以使用fc-list列出所有加载的字体.
2021-12-23 12:46:41
1135
原创 R语言相关性分析与偏相关分析
原始数据：结果用R实现：统计学里，比较重要的方法，一个是协方差分析，另一个就是偏相关分析了。协方差分析，就是在回归分析的基础上进行建模，找出去除混杂变量后，两个变量是否有显著关系，在R语言中公式如下：summary(aov(y ~ x1+x2)) # x1是混淆变量，x2是组别。相关性分析的原理也很简单，就是用y~x建立一元回归模型f(x)，然后用实际的x减去模型预测的x，再根据差值分布求得p值。偏相关分析的原理：如上图，如果我们想考察X1和X2的偏相关系数，控制变量为z1, z2
2021-12-19 14:29:45
7993
1
gretna软件讲解中文机翻版.pdf
2019-12-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人