FreeSurfer皮层分割软件初学者学习必看内容 1、linux书籍和笔记 可见附件中，推荐学习linux的视频为：linux初学者必看这个视频我认为对于初学者是很好的，学习周期大概2到3天即可。 2、freesurfer皮层分割的软件参考官网：FreeSurfer官方网站，这个官网详细介绍了从安装到使用的详细教材。 3、freesurfer中文的安装教材推荐博客：Ubuntu18.04如何安装最新版本FreeSurfer软件 4、freesurfer同时可以看看B站的视频：影像炼金第一弹：我们如何开始？从原材料开始批处理_哔哩哔哩_bilibili，这个对于初学者也是很好的 5、还可以看看...

VBM_DARTEL算法对灰质变化的计算 根据一些文献得知，VBM目前比较新的算法是DARTEL算法，这一算法被集成在SPM里，这里记录一下做法。VBM是对T1像进行分割得到灰质等。所以要有结构T1加权像数据。整个流程应该是这样： 1.手动调整前联合（AC） 首先就是需要我们自己手动调整一下结构像，打开SPM，spm首页有PET&VBM，还有一个fMRI，亲测选哪个都可以。总之选了之后就是下面这个页面，然后点Display。 然后就选择自己的数据里的T1结构像。 一个这样的页面，我们可以看到一个蓝色的十字线，这个线的交叉点就是我们要调整的地方，手动将交叉点放在大概下图这个位置（就是...

【Matlab】Matlab读取dcm图像的函数 Matlab版本：2020a一、dicomread函数Matlab读取dcm图像的函数是dicomread，根据dicomread的帮助文档，该函数有四种参数输入方式： X=dicomread(filename);%根据文件名直接读取 X=dicomread(info);%根据构造的info结构体读取 X=dicomread(___,‘frames’,f);%仅从图像中读取f指定的帧 X=dicomread(___,Name,Value);%使用Name,Value对组读取DICOM图像数据来配置解析器 这里主要介绍的是前两种方式，后两种只...

从零起步在Mac上优雅配置python环境 1.Anaconda 1.1什么是Anaconda Python语言的强大之处就在于有各种各样的功能包。如果把功能包比喻成各种各样的【小商品】，那么Anaconda就是一个免费、开源、标准化的【商店】，可以便捷地获取并管理各种功能包，便捷的搭建Python所依赖的编程环境。 1.2Anaconda在Mac端下载及安装 进入官网下载(https://www.anaconda.com/download)。根据Mac版本选择对应版本。 下载后按指引一路安装即可。安装完成后，打开图标，可进入到Anaconda导览界面。简答介绍一下。 Home，各类相关...

产生的一系列文件中： https://www.bilibili.com/video/BV1U5411s7kg?p=3  严老师视频 （1）头动矫正 其中FD_Jenkinson最好    下面这个是很早以前用来排除被试的，现在不用了，现在都用meanFD排除    HeadMotion.tsv:显示最大或平均头动，meanFD,...一般使用meanFD后面做统计分析   （2）ReonentFun和ReonentT1用于质量控制，调整位置到前联合（空间的原点）   自己可以打分 ...

freesurfer下载安装，常用术语和recon-all命令 1基础知识 1.1简介 freesurfer是一个分析和可视化大脑结构成像和功能成像的工具包，可以处理MRI、fMRI数据，进行大脑解剖学数据测量等。 1.2安装freesurfer 目前该软件包仅支持Linux和MacOS系统，且官方推荐下载最新版本。官网下载指南 STEP1:以unbuntu22为例，在该页面选择下载： STEP2:将下载数据移动到"/usr/local"文件夹下，并解压。 sudomv上面下载的压缩包名/usr/local cd/usr/local sudotarxzvf上面下载的压缩包名 STEP3:...

装双系统出现错误：Invalidsignuaturedetected.Ifthiserrorpersists.seektechnicalassistance 1）出现InvalidSignaturedetectedCheckSecureBootPolicy错误，是因为bios中设置不对。 2）重启电脑，按f1进入bios设置（或者delete，esc.....）,然后找到Security里面的SecureBoot选项，回车键进入，SecureBoot选择Disabled，按f10保存，重启。【注意将所有关于secureboot的选项全关闭】 3）这样不会再次出现刚才的错误。 参考链接：htt...

train_test_split函数介绍 在机器学习中，我们通常将原始数据按照比例分割为“测试集”和“训练集”，从sklearn.model_selection中调用train_test_split函数  简单用法如下： X_train,X_test,y_train,y_test=sklearn.model_selection.train_test_split(train_data,train_target,test_size=0.4,random_state=0,stratify=y_train)train_data：所要划分的样本特征集 train_target：所要划分的样本结...

keras中to_categorical函数解析 1.to_categorical的功能简单来说，to_categorical就是将类别向量转换为二进制（只有0和1）的矩阵类型表示。其表现为将原有的类别向量转换为独热编码的形式。先上代码看一下效果： fromkeras.utils.np_utilsimport 类别向量定义 b=[0,1,2,3,4,5,6,7,8] 调用to_categorical将b按照9个类别来进行转换 b=to_categorical(b,9) print(b) 执行结果如下： [[1.0.0.0.0.0.0.0.0.] [0.1.0.0.0.0.0.0.0.] [...

jupyternotebook介绍 1.In[]状态 1.1.前面无In[]，说明为非python状态 1.2 In[]编号为空,表示该cell尚未被执行  1.3In[]中的数值为该cell的执行顺序,不是编写顺序 1.4 In[]中的星号(),表示该cell正在执行 1.5 同一个cell被执行多次,In[]编号随之自增 意在交流学习，欢迎点赞评论，并关注微信公众号：弈介布衣；

Keras实现简单BP神经网络 BP神经网络的简单实现 fromkeras.modelsimportSequential导入模型 fromkeras.layers.coreimportDense导入常用层 train_x,train_y训练集 test_x,text_y测试集 model=Sequential()初始化模型 model.add(Dense(3,input_shape=(32,),activation='sigmoid'，init='uniform')))添加一个隐含层，注：只是第一个隐含层需指定input_dim model.add(Dense(1,activation='s...

PythonKeras报错AttributeError:'Sequential'objecthasnoattribute'predict_classes'解决方法 本文文要介绍Python中，使用Keras执行yhat_classes=model.predict_classes(X_test)代码报错：AttributeError:'Sequential'objecthasnoattribute'predict_classes'解决方法。 示例代码： model=Sequential() model.add(Dense(24,input_dim=13,activation='relu')) ...

%matplotlibinline的作用 %matplotlibinline是一个魔术命令（magiccommand），用于在JupyterNotebook或IPython环境中显示matplotlib图形的内嵌设置。当使用%matplotlibinline命令时，它会告诉Python在生成的图形直接嵌入到Notebook中的输出单元格中，而不是作为弹出窗口显示。这使得图形能够在Notebook中保持可见，并且在执行代码块后能够进行交互式探索。这个命令通常在绘制图形之前调用，并且只需要调用一次。在其他代码单元格中，只要没有重新定义%matplotlib命令，图形将继续以内嵌方式显示。例如，使用...

【译】理解LSTM（通俗易懂版） 循环神经网络（RecurrentNeuralNetworks） 人对一个问题的思考不会完全从头开始。比如你在阅读本片文章的时，你会根据之前理解过的信息来理解下面看到的文字。在理解当前文字的时候，你并不会忘记之前看过的文字，从头思考当前文字的含义。 传统的神经网络并不能做到这一点，这是在对这种序列信息（如语音）进行预测时的一个缺点。比如你想对电影中的每个片段去做事件分类，传统的神经网络是很难通过利用前面的事件信息来对后面事件进行分类。 而循环神经网络（下面简称RNNs）可以通过不停的将信息循环操作，保证信息持续存在，从而解决上述问题。RNNs如下图所示 1....

Word2Vec Word2Vec是google在2013年提出的词向量模型，通过Word2Vec可以用数值向量表示单词，且在向量空间中可以很好地衡量两个单词的相似性。 简述 我们知道，在使用神经网络处理数据的时候，神经网络只能处理数字向量或者矩阵，他不可能理解文本、图像本身。那么，图像是用像素表示的，这个在最早显示图像的时候就已经和神经网络的使用不谋而合，但是文本是人类自然产生的，没有办法直接映射成数据。 当然了，也可以简单的映射，one-hot编码就可以了，这也是神经网络在处理数据时，遇到非数字信息的特征常用的方案，比如男女映射成0/1.但是简单的用one-hot编码肯定存在很大的问题，其...

【词向量基础】：one-hot 词向量（wordvector），也叫词嵌入（wordembedding），是一种词表征形式，将词从符号形式映射为向量形式，渐渐演变成了一种知识表示的方法。将词语从符号表示形式转换为了向量表示形式，方便了机器对自然语言的计算，因此，词向量几乎成为了所有自然语言处理和理解的下游任务的基础。 one-hot是最为简单也是比较常用的文本特征表示方法。在词语特征表示上，其本质直接将词语在词语集合中的下标作为改词的表示。 例如存在词语集合： ，则这几个单词的one-hot表示为： i:[1,0,0,0,0] you:[0,1,0,0,0] like:[0,0,1,0,0]...

问题：删掉对称矩阵中的NaN，对角线为1 如下图矩阵A所示： 解决办法： B=A+diag(NaN+zeros(1,length(A))); %将对角线改为NaNB(all(isnan(B),2),:)=[];%删除所有行为NaNB(:,all(isnan(B),1))=[];%删除所有列为NaNB(find(isnan(B)))=1;%再将对角线值改为1 结果新矩阵B如图：  

对称关系，反对称关系，非对称关系 对称关系，symmetric：对所有的a,b:如果(a,b)∈R，则(b,a)∈R,矩阵里主对角线以外的所有1关于主对角线对称，主对角线上的0，1可以随便取，不影响对称关系,可以写作即 反对称关系，antisymmetric：如果(a,b)∈R，且(b,a)∈R，则a=b，矩阵里主对角线以外的所有1关于主对角线对称的位置都是0，对角线上的0，1可以随便取，不影响反对称关系 非对称关系，asymmetric：对所有的a,b:如果(a,b)∈R，则(b,a) R，矩阵里主对角线以外的所有1关于主对角线对称的位置都是0，主对角线上都是0 非主对角线上全是0的矩阵：既...

BP神经网络模型：深入探究与应用 导言BP神经网络模型（BackpropagationNeuralNetwork）是一种广泛应用于机器学习和人工智能领域的神经网络模型。它以其强大的非线性拟合能力和适应性而备受关注。1.BP神经网络模型原理1.1神经网络基础在深入探讨BP神经网络模型之前，我们先来了解一些神经网络的基础概念。   神经元（Neuron）：神经网络的基本单元，模拟人类神经系统中的神经元。每个神经元接收来自前一层神经元的输入，并产生一个输出。   权重（Weight）：神经元之间的连接强度，用于调节输入信号的重要性。&nbs...

统计相关系数简介   由于使用的统计相关系数比较频繁，所以这里就利用几篇文章简单介绍一下这些系数。   相关系数：考察两个事物（在数据里我们称之为变量）之间的相关程度。   如果有两个变量：X、Y，最终计算出的相关系数的含义可以有如下理解： (1)、当相关系数为0时，X和Y两变量无关系。 (2)、当X的值增大（减小），Y值增大（减小），两个变量为正相关，相关系数在0.00与1.00之间。 (3)、当X的值增大（减小），Y值减小（增大），两个变量为负相关，相关系数在-1.00与0.00之间。   相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，...