introduction: 1. feat 是一种基于模型的fmri数据分析方法. 2. feat 首先使用顺手,至少看起来,比spm漂亮多了. feat是按照正常人的使用方法去设计的. spm 由于matlab的gui库的限制,诶,不说了.还是自己能力不够啊.不够熟练啊. 3. feat 对于单被试,也就是individual的情形,大概需要5到10分钟,能跑出结果,最后,结果在网页进行显示.直接显示了激活图,显示了时间序列和model的拟合情况. 4. feat是基于glm而设计的,也就是基

Source: http://mindhive.mit.edu/node/112 1. What is smoothing? "Smoothing" is generally used to describe spatial smoothing in neuroimaging, and that's a nice euphamism for "blurring." Spatial smoothing consists of applying a small blur

原文地址:http://www.cnblogs.com/minks/p/4889497.html 近年来,血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展,除了与扫描硬件.扫描技术的进步有关外,更得力于以图形图像等计算机科学为核心的相关学科的支持:图像数据的后处理技术成为fMRI中的关键环节 一.功能图像数据的性质 功能磁共振数据

来源: 整理文件的时候翻到的,来源已经找不到了囧感觉写得还是不错,贴在这里保存. 近年来,血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展,除了与扫描硬件.扫描技术的进步有关外,更得力于以图形图像等计算机科学为核心的相关学科的支持:图像数据的后处理技术成为fMRI中的关键环节 一.功能图像数据的性质 功能磁共振数据包括解剖(结构)

fMRI数据分析处理原理及方法 来源: 整理文件的时候翻到的,来源已经找不到了囧感觉写得还是不错,贴在这里保存. 近年来,血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展,除了与扫描硬件.扫描技术的进步有关外,更得力于以图形图像等计算机科学为核心的相关学科的支持:图像数据的后处理技术成为fMRI中的关键环节 一.功能图像数据的性质

1.02年ola是第一个应用cca在fmri激活检测上的学者. <exploratory fmri analysis by autocorrelation maximization> 2.06年川大的那位肖柯硕士论文,几乎是完全基于ola的论文,只是最后最temporal和spatial做了融合.也是用于做激活检测. <基于CCA的fMRI时空模型数据处理方法的研究> 3.02年南理工的yang jian,发表了impca,改变以前基于向量的方式,进行实验,而是直接采用图像矩阵的方

转移性学习对阿尔茨海默病分类的研究 原文链接 摘要 将cv用于研究需要大量的训练图片,同时需要对深层网络的体系结构进行仔细优化.该研究尝试用转移学习来解决这些问题,使用从大基准数据集组成的自然图像得到的预训练权重来初始化最先进的VGG和Inception结构,使用少量的MRI图像来重新训练全连接层.采用图像熵选择最翔实的切片训练,通过对OASIS MRI数据集的实验,他们发现,在训练规模比现有技术小近10倍的情况下,他们的性能与现有的基于深层学习的方法相当,甚至更好 介绍 AD的早期诊断可以通过

原文链接:https://github.com/AlloyTeam/AlloyTouch/wiki/AlloyTouch-FullPage-Plugin 先验货 插件代码可以在这里找到. 注意,虽然是扫码体验,但是AlloyTouch.FullPage特意对鼠标滚轮事件进行了兼容,所以PC上的全屏滚动页面也可以使用它来快速制作. 使用姿势 在设计全屏滚动插件的时候,希望开发者几乎: 不用写任何脚本快速生成精致H5 支持PC滚轮和移动触摸 酷炫的转场动效 灵活的时间轴管理 一切皆可配置 但是不写脚

This article come from HEREARS-L1: Learning Tuesday 10:30–12:30; Oral Session; Room: Leonard de Vinci 10:30  ARS-L1.1—GROUP STRUCTURED DIRTY DICTIONARY LEARNING FOR CLASSIFICATION Yuanming Suo, Minh Dao, Trac Tran, Johns Hopkins University, USA; Hojj

这个方法,很有意思,第一,不用降维:第二,跟ica做比较,竟然说比强大的ica还好: 看来,国防科大的博士,还是很牛的. <OI and fMRI Signal Separation Using Both Temporal and Spatial Autocorrelations > 在这篇论文中,对于将图像数据分析,分为两大类: 一.第一类是基于统计知识的,比如ica.pca等方法: 二.第二类是基于相关关系的,比如cca: —————————————————————————————————

使用姿势 在设计全屏滚动插件的时候,希望开发者几乎: 不用写任何脚本快速生成精致H5 支持PC滚轮和移动触摸 酷炫的转场动效 灵活的时间轴管理 一切皆可配置 但是不写脚本肯定没有灵活性咯?!不是的.这里不仅仅可以通过在HTML配置一些参数,还可通过插件的回调函数进行一些逻辑注入.就拿上面大家扫码看到的例子的部分HTML来分析下AlloyTouch.FullPage的使用姿势: <div id="fullpage"> <div> <div> <d

基于下面这份ppt:Comparing SPM and FSL, by lChris Rorden fsl & spm都是免费的,都很受欢迎.spm更受欢迎. 两者的区别在于何时利用normalise 归一化操作. 二者的头动矫正算法是不同的: spm是基于variance指标,fsl是基于normalised correlation 指标.spm的头动,包含非刚体变换unwarp操作.fsl的会将头动参数传递给feat的统计模型中.spm的头动矫正,sophisticated(好,但是复杂),

Source: http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/MELODIC; https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/MELODIC/FAQ#How_do_I_transform_the_MELODIC_results_from_a_low-resolution_space_to_a_higher-resolution_one.3F Research Overview MELODIC ( Multivariate Explor

Source:http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/DualRegression Research Overview A common need for analyses such as ICA for resting-state FMRI is to run a group-average ICA, and then, for each subject, estimate a "version" of each of the group-leve

1.  MRI analysis tutorials:http://www.mccauslandcenter.sc.edu/CRNL/wp-content/tools/tutorial/index.html 2.  国外关于神经科学的软件库:http://neuro.debian.net/ 3.  spm主站:http://www.fil.ion.ucl.ac.uk/ 4.  fsl主站:http://fsl.fmrib.ox.ac.uk/fsl/fslwiki/ 5. 美国某大学开始的一个公开

传送门 Github地址:https://github.com/AlloyTeam/AlloyTouch 简介 AlloyTouch的本质是运动一个数字,把数字的物理变化映射到你想映射的任何属性上.所以带来了广泛的应用场景.不论实在应用.游戏.操作系统等许多层面,监听用户触摸,给用户真实的运动反馈是很常见的应用场景.如王者荣耀里,旋转用户角色,抽奖程序滚动转盘.页面滚动.局部滚动等. 上面的那些场景,都会使用到下面三种过程之一: 触摸.运动.减速.停止 触摸.运动.减速.回弹.停止 触摸.回弹.

Source: Research gate Stafford Michahial EEG is a very low frequency.. and literature will give us the region where Alpha, Beta, Mu, signals are generated in Brain... and to reduce the complexity and to avoid interference as much as possible.. we go

文章英文原网址: http://www.gamasutra.com/blogs/BrianKehrer/20160125/264161/VR_Distortion_Correction_using_Vertex_Displacement.php 利用顶点位移的VR畸变校正 2016年1月29日 Brian Kehren著 在VR开发的最大挑战之一是对高帧率与高分辨率结合的要求.我们通过把顶点转化为“镜头空间”,删除了需要全屏渲染的纹理,这样就可以大规模提高手机性能. 下面的技术使用谷歌的Card

原始论文在这里 http://www.cse.cuhk.edu.hk/leojia/projects/motion_deblurring/ 一.概述 论文根据以下的基本模糊图像模型建立 其中I是我们观测到的图像,L是真实的图像,f是运动模糊的卷积核,n是观测过程中叠加的噪声 然后从统计角度分析L,f,n服从的分布,从而作为先验,构造能量函数进行优化求解. 二.对已有图像统计得到先验 1.L统计 1)对多幅图像统计的结果,L的梯度在全局上满足如下分布(曲线已经对数化) 曲线拟合表示为 最终的全局先

我理解PCA应该分为2个过程:1.求出降维矩阵:2.利用得到的降维矩阵,对数据/特征做降维. 这里分成了两篇博客,来做总结. http://matlabdatamining.blogspot.com/2010/02/principal-components-analysis.html 英文Principal Components Analysis的博客,这种思路挺好,但是有2处写错了,下面有标注. http://www.cnblogs.com/denny402/p/4020831.html 这个