cat12工具箱。将主要关注基于体素的形态计量学(VBM)分析工具箱

基于体素的形态学分析voxel-based morphometry (VBM)，将结构磁共振图像分割为灰质，白质，脑脊液

VBM8工具箱，用途：将T1图像归一化到模板空间，分割为灰质(GM)、白质(WM)和脑脊液(CSF)

vbm8工具箱在spm8中运行。也就是说，需要将spm8安装到您的 安装vbm8工具箱之前的matlab搜索路径(参见http://www.fil.ion.ucl.ac.uk/spm/和http://en.wikibooks.org/wiki/SPM)。 预处理步骤： （1）T1图像归一化到模板空间，分割为灰质(GM)、白质(WM)和脑脊液(CSF)。预处理参数可以通过预估写入模块进行调整。 （2）在预处理完成后，强烈建议进行质量检查。这可以通过模块“显示所有图像的一片”和“使用协方差检查样本同质性”来实现。两个选项都位于“vbm8检查数据质量”下。 （3）在将gm图像输入统计模型之前，需要对图像数据进行平滑处理。值得注意的是，这个步骤并没有在vbm8工具箱中实现，而是通过标准spm模块“Smooth”实现的。

提取fMRI的时间序列，构建功能连接矩阵的matlab代码

在图论分析中从fMRI中提取复杂网络的主要步骤。 步骤一： 对采集的功能磁共振成像数据进行许多预处理步骤，包括切片之间的时间校正、重新对准、图像配准、基于分割的归一化和空间平滑。需要注意的是预处理步骤的选择和顺序可能会影响最终图指标测量的范围。 预处理步骤可以参考：DPABI详细使用教材——数据准备、预处理流程、数据分析流程 步骤二： 为了探索大规模的大脑网络，应用了适当的分割方案，例如解剖学自动标记图谱，将整个大脑划分为几个皮质和皮质下的解剖单元。 步骤三： 通过平均该特定区域内的所有体素的时间进程平均作为该脑区的时间序列。 步骤四 ： 执行在前面部分中回顾的连通性方法之一，诸如相关分析，以确定大脑不同脑区间的时间序列的成对关联。 步骤五 ： 通过对相关矩阵的值进行阈值处理来获得二进制连通性矩阵(即邻接矩阵)。 步骤六 ： 可以使用大脑连接工具箱获得表征大脑网络连接的局部和整体架构的关键拓扑属性。

做相关性分析时，如何排除奇异值Outliers，以增加相关分析的准确性

异常值可以扭曲 Pearson 相关性，那么做相关性分析时，如何排除奇异值Outliers，以增加相关分析的准确性

已知差异脑区MNI坐标，如何将MNI坐标转化为AAL分区和布罗得曼分区Brodmann area名称

已知差异脑区MNI坐标，如何将MNI坐标转化为AAL分区和布罗得曼分区Brodmann area名称

AAL3模板名称以及MNI坐标

AAL3模板名称以及MNI坐标, AAL3模板提供了170个脑区，本表格提供了相应的全称，简称，以及MNI坐标。

fMRI如何将4D-nii文件转化为3D-nii文件工具箱

fMRI如何将4D-nii文件转化为3D-nii文件工具箱。操作流程可参考博客：https://blog.csdn.net/xj4math/article/details/123854657 第一步，下载该工具箱，双击dcm2niigui.exe打开页面 第二步，点击输出格式（Output Format）为：SPM8(3D NIFTI nii) 第三步，把fMRI的4D-nii文件拖到打开的工具箱中即可完成格式的转换

BP神经网络模型在汽车保有量中的预测

汽车行业的迅速发展，将面临有利和不利因素，如何正确地制定有效的方案调控汽车行业的发展前景。汽车保有量数据具有非线性和随机性的特点，科学、准确地对汽车保有量进行预测具有挑战性。为此，发展一套高效的汽车保有量的预测方法对制定科学决策具有重要意义。本文利用 BP 神经网络模型对汽车保有量进行预测，并对比了多元线性回归、Lasso 回归的预测结果。其结果表明：BP 神经网络模型相比多元线性回归模型和 Lasso 模型具有更好的表现能力。BP 神经网络模型对非线性数据预测具有很好的适应能力，为汽车保有量的预测提供了一种强有力的方法。

总结了回归分析课程的知识点，包括概率统计，回归分析，假设检验等知识。

总结了回归分析课程的知识点，包括概率统计，回归分析，假设检验等知识。

MRtrix3用于弥散成像追踪的python代码

Step 1: Denoise Step 2: Gibbs ringing removal Step 3: Distortion correction Step 4: Bias field correction Step 5: Generate a brain mask for DWI Step 6: Generate an FA image Step 7: Estimate response functions for spherical deconvolution Step 8: Perform spherical deconvolution Step 9: Perform brain extraction and bias field correction on the T1 image Step 10: Generate target images for T1->DWI registration Step 11: Perform T1->DWI registration Step 12: Generate 5TT image for ACT