精华内容
下载资源
问答
  • BCT(Brain connectivity Toolbox)谁会用这个脑连接工具箱,求在线教
    千次阅读 热门讨论
    2019-04-26 08:59:32

    BCT(Brain connectivity Toolbox)脑连接工具箱计算小世界属性,应该怎么用啊,求大神指教~

    更多相关内容
  • 用于结构和功能大脑连接数据的复杂网络分析的工具箱。
  • matlab脑网络连接 代码部分
  • Rubinov 2013年12月版BCT。用于MATLAB复杂网络分析,不局限于大脑神经元网络,其他复杂网络也适用。
  • Brain Connectivity Toolbox是一个MATLAB工具箱, 可以对结构和功能脑组织数据集进行复杂网络(图)分析. 网址1:http://www.nitrc.org/projects/bct 网址2:http://www.brain-connectivity-toolbox.net/ 【网络的统计...

    Brain Connectivity Toolbox 是一个MATLAB工具箱, 可以对结构和功能脑组织数据集进行复杂网络(图)分析.

    网址1: http://www.nitrc.org/projects/bct
    网址2: http://www.brain-connectivity-toolbox.net/

    【网络的统计描述和结构】
    assortativity_bin: 二元网络(binary network,即无权网络)的同配系数
    assortativity_wei: 有权网络的同配系数
    betweenness_bin: 无权网络的介数(betweenness)
    betweenness_wei: 有权网络的介数
    edge_betweenness_wei: 有权网络的边介数
    edge_betweenness_bin: 无权网络的边介数
    breadthdist: 返回无权(有向/无向)网络的可达性矩阵, 以及两点的最短距离
    breadth: breadthdist的子函数
    clustering_coef_wd: 有权有向网络的聚类系数(cluster coefficient)
    clustering_coef_wu: 有权无向网络的聚类系数(权应介于0-1之间)
    clustering_coef_bd: 有向无权网络的聚类系数
    clustering_coef_bu: 无向无权网络的聚类系数
    clustering_coef_wu_sign: 有权无向网络的聚类系数(包括3中不同定义)
    charpath: 计算特征路径长度(平均路径长度), 网络效率, 离心率, 半径, 直径
    consensus_und: 一致性系数(Consensus clustering). Ref: Lancichinetti & Fortunato (2012). Consensus clustering in complex networks. Scientific Reports 2, Article number: 336.
    core_periphery_dir: 网络核心/边缘识别. Ref1: Borgatti and Everett (2000) Soc Networks 21:375鈥�95.; Ref2: Newman (2006) Phys Rev E 74:036104, PNAS 23:8577-8582.; Ref3: Rubinov, Ypma et al. (2015) PNAS 112:10032-7
    cycprob: Cycle probability
    degrees_dir: 出/入度
    degrees_und: 度
    density_dir: 有向网络密度
    density_und: 无向网络密度
    jdegree: 联合度分布(有向网络)
    kcore_bd: k-核分解(有向)
    kcore_bu: k-核分解(无向)
    kcoreness_centrality_bu: 核数
    kcoreness_centrality_bd: 核数
    diffusion_efficiency: 传播效率(定义为ij之间首次到达时间的倒数)
    efficiency_bin: 无权网络的效率(定义为最短距离的倒数的平均)
    efficiency_wei: 有权网络的效率
    distance_bin: 无权网络的点间距离
    distance_wei: 点间距离(Dijkstra's algorithm)
    distance_wei_floyd: 点间距离(Floyd-Warshall algorithm)
    edge_nei_overlap_bd: 邻接节点的重合邻居数量(有向网络). Ref: Easley and Kleinberg (2010) Networks, Crowds, and Markets. Cambridge University Press, Chapter 3
    edge_nei_overlap_bu: 邻接节点的重合邻居数量(无向网络).
    eigenvector_centrality_und: 无向网络的特征向量中心性
    erange: 无权网络的捷径(定义为显著减少平均路径长度的边)
    findwalks: 给定距离后, 找到两点间路径数量
    flow_coef_bd: 无权有向网络flow coefficient(定义类似介数) Ref: Honey et al. (2007) PNAS
    get_components: 找到无向网络的所有连通子图



    [网络模型]
    generative_model: 产生一个人工网络. Ref: Reference: Betzel et al (2016) Neuroimage 124:1054-64.
    evaluate_generative_model: 对比两个网络的差异性.
    generate_fc: Generation of synthetic functional connectivity matrices

    [社区发现]
    clique_communities: 重叠社区发现clique percolation算法. Ref: Palla et al. (2005) Nature 435, 814-818.
    community_louvain: 基于优化的社区发现算法. (Ref1: Blondel et al. (2008) J. Stat. Mech. P10008.; Ref2: Reichardt and Bornholdt (2006) Phys. Rev. E 74, 016110.; Ref3: Ronhovde and Nussinov (2008) Phys. Rev. E 80, 016109; Ref4: Sun et al. (2008) Europhysics Lett 86, 28004.; Ref5: Rubinov and Sporns (2011) Neuroimage 56:2068-79.)
    diversity_coef_sign: 基于香农熵的多样性系数. Ref: Rubinov and Sporns (2011) NeuroImage.
    gateway_coef_sign: Gateway coefficient
    gtom: Generalized topological overlap measure(相似的m步邻居). Ref1: Yip & Horvath (2007) BMC Bioinformatics 2007, 8:22; Ref2: Ravasz et al (2002) Science 297 (5586), 1551.

    [网络可视化]
    adjacency_plot_und: 快速的可视化工具
    backbone_wu: 提取网络的骨架(基于最小生成树)
    grid_communities: 社区

    agreement: Agreement matrix from clusters
    agreement_weighted: Weights agreement matrix
    align_matrices: Alignment of two matrices

    转载出自:https://site.douban.com/280054/widget/notes/192041543/note/603765374/

    展开全文
  • SCoT—a source connectivity toolbox for Python 该文章使用MVARICA方法实现了盲源分解和连通性估计的例程。 背景知识 量化大脑区域之间的相互作用是神经科学中重要且有用的工具。 在空间上分开的大脑区域形成动态...

    学习一个使用python可以可视化脑波的运动轨迹
    SCoT—a source connectivity toolbox for Python
    该文章使用MVARICA方法实现了盲源分解和连通性估计的例程。

    背景知识
    量化大脑区域之间的相互作用是神经科学中重要且有用的工具。
    在空间上分开的大脑区域形成动态大规模网络,这些网络通过功能和有效的连通性来描述。
    虽然功能连通性可以衡量同步激活,但有效连通性可以解释区域之间的因果关系。

    可以通过使用VAR模型从多通道EEG推导连接性。
    估算源活动的常用方法包括原定位技术和独立成分分析(ICA)。ICA无需依赖头部模型即可执行EEG通道的盲分解。从ICA获得的源信号可以解释为源自皮层偶极子。

    **MVARICA **

    EEG–> PCA–>VAR–> ICA
    首先通过应用主成分分析(PCA)对EEG进行转换:yn = Cxn = CMsn
    yn中的信号包含PCA转换后的EEG
    修剪PCA转换矩阵C以除去对总EEG方差贡献最小的成分。 此步骤减小了后续处理的维数,并限制了MVARICA发现的光源数量。
    其次,将具有系数A(k)和残差过程rn的VAR模型拟合为yn:yn = p k = 1 A(k)yn-k + rn
    将拟合到yn的VAR模型与描述源激活的VAR模型相关联:A(k) = (CM)B(k) (CM) −1 ;
    rn = (CM)en
    在第三步中,用ICA对残差进行分解,以获得对变换CMˆ的估计
    通常,MVARICA适用于多重试验数据。 可以采用不同的策略来获得VAR残差r,具体取决于数据上的平稳性假设。

    CSPVARICA
    EEG–> CSP–>VAR–> ICA
    MVARICA通过丢弃对总EEG方差贡献最小的主成分来降低输入维数。但是,感兴趣的EEG组件通常具有较低的信噪比。因此,PCA可能会删除此类组件,同时保留较高方差的噪声。
    建议使用通用空间模式(CSP)代替PCA
    以上内容参考于这篇论文,感兴趣的小伙伴可以阅读:
    Billinger, M., Brunner, C., & Müller-Putz, G. R. (2014). SCoT: a Python toolbox for EEG source connectivity. Frontiers in Neuroinformatics, 8. doi:10.3389/fninf.2014.00022

    下边是实现方法

    def main():
        # Read EEG data
        raweeg, times, fs, ch_names = dataset.read_file('E:/ffmpeg-latest-win64-static/ERP/result/video_1/210113_0006_EEG.edf')#eeg信号保存到edf中
        #eeg.shape(18, 319500)
        triggers = np.linspace(int(0), int(319500), 320)#将信号2秒分为一段,共分为320段信号
        triggers = triggers[:-1]#去掉最后一段
        print(triggers)
        classes = np.random.randint(0,2,319)#取0或者1两个分组
        cltrans = {1: "empathy", 0: "no-empathy"}#分成共感和非共感两个类别
        classes = np.array([cltrans[c] for c in classes])
        locs = [[-0.5, 0.7,0], [0.5, 0.7,0], [-0.7, 0.4,0], [-0.3, 0.4,0], [0, 0.4,0], [0.3, 0.4,0], [0.7, 0.4,0],
                 [-0.8, 0,0], [-0.4, 0,0], [0.4, 0,0], [0.8, 0,0], [-0.7, -0.4,0], [-0.3, -0.4,0], [0, -0.4,0], [0.3, -0.4,0], [0.7, -0.4,0], [-0.5,-0.7,0], [0.5,-0.7,0]]
    #18个信号对于头部的位置,(x,y,z)
        #triggers = [      0.     500.    1000.    1500.    2000.    2500.    3000.    3500....]
        data = scot.datatools.cut_segments(raweeg, triggers, 1 * fs, 2 * fs)#对数据进行处理通过datatools这个liabray
        # Set up analysis object
        #
        # We simply choose a VAR model order of 30, and reduction to 4 components.#VAR是自回归分析模型,独立成分为4
        ws = scot.Workspace({'model_order': 30}, reducedim=4, fs=fs, locations=locs)
    
        # Configure plotting options
        ws.plot_f_range = [18, 30]  # 显示 beta脑波:18-30 Hz
        ws.plot_diagonal = 'S'  # put spectral density plots on the diagonal
        ws.plot_outside_topo = True  # plot topos above and to the left
    
        # Perform MVARICA
        ws.set_data(data, classes)
        ws.do_mvarica()
        fig1 = ws.plot_connectivity_topos()
        ws.set_used_labels(['empathy'])
        ws.fit_var()
        ws.get_connectivity('ffDTF', fig1)
        ws.set_used_labels(['no-empathy'])
        ws.fit_var()
        ws.get_connectivity('ffDTF', fig1)
        fig1.suptitle('MVARICA')
    
        # Perform CSPVARICA
        ws.set_data(data, classes)
        ws.do_cspvarica()
        fig2 = ws.plot_connectivity_topos()
        ws.set_used_labels(['empathy'])
        ws.fit_var()
        ws.get_connectivity('ffDTF', fig2)
        ws.set_used_labels(['no-empathy'])
        ws.fit_var()
        ws.get_connectivity('ffDTF', fig2)
        fig2.suptitle('CSPVARICA')
    
        ws.show_plots()
    
    
    
    if __name__ == '__main__':
        main()
    
    展开全文
  • MATLAB复杂网络工具箱--Brain Connectivity Toolbox (BCT)
  • Brain Connectivity Toolbox 是一个MATLAB工具箱
  • PS:(1)BCT工具包里自带的函数名称解释见 MATLAB复杂网络工具箱--Brain Connectivity Toolbox (BCT)函数简介_nice_evil的博客-CSDN博客_brain connectivity toolbox (2)没有BCT工具包的可以私聊 (3)图论的...

    以下内容一定漏洞百出[求饶.jpg]...作为渣渣小白,一点一点摸索怎么使用BCT工具包,目前只会计算几个参数,原理神马的也没太明白呢。接下来的任务就是从原理公式入手,再对逐个参数的计算代码进行理解...所以内容会不断改进和补充。有错误请尽管指出,感谢~

    一、计算聚类系数、特征路径长度、小世界参数

    大概思路:功能连接矩阵 ---> 去除虚假连接的矩阵 ---> 加权矩阵 ---> 计算图论参数

    1. 功能连接矩阵 ---> 去除虚假连接的矩阵

    首先,拿出你计算过功能连接的矩阵,再根据计算功能连接的指标说明进行“筛选”。比如我是用HERMES工具包中的correlation指标进行功能连接计算,这个指标取[-1,1],-1代表两两关系相反,0代表没有关联,1代表关联性最强。所以我保留功能连接矩阵中的(0,1)的值。代码如下:

    A = load('E:\...\A.mat');  % 加载功能连接矩阵A,此处路径省略性标注
    matrix = A.data; 
    for i=1:32                 % 32通道,矩阵是32*32
        for j=1:32
            if matrix(i,j) <= 0
                matrix(i,j) = 0;
            end
            if matrix(i,j) >= 1
                matrix(i,j) = 0;
            end
        end
    end
    save(['E:\...\A','.mat'],'matrix'); 

    2. 去除虚假连接的矩阵 ---> 加权矩阵

    调用BCT自带的weight_conversion.m,这个函数可以把矩阵“加权”。“权重”可以是二进制的、0~1范围的、长度值的。

    还要调用BCT自带的计算聚类系数的函数,这里我调用的是“无向加权”相应的函数代码。即clustering_coef_wu.m。

    调用上面两个函数进行聚类系数计算的代码如下:

    %% 把功能连接矩阵变为加权矩阵,这里我转变成了binarize的权
    A = load('E:\...\open1.mat');  % 加载去除虚假连接后的矩阵
    W = weight_conversion(A.matrix, 'binarize'); % 两个参数,weight_conversion.m代码里有说明
    save(['E:\...\open1','.mat'],'W'); % 保存加权矩阵
    
    %% 用加权矩阵计算聚类系数
    B = load('E:\...\open1.mat'); % 加载上面算好的加权矩阵
    C = clustering_coef_wu(B.W);  % 聚类系数,32*1 
    
    C_real = mean(C); % 最终的聚类系数取平均。先了解图论基本公式。

    PS:(1)BCT工具包里自带的函数名称解释见 MATLAB复杂网络工具箱--Brain Connectivity Toolbox (BCT)函数简介_nice_evil的博客-CSDN博客_brain connectivity toolbox

    (2)没有BCT工具包的可以私聊

    (3)图论的基本公式见基于图论的复杂脑网络分析中的常用指标_悦影科技的博客-CSDN博客_图论分析

    (4)BCT里的函数代码有非常详细的注释、输入输出参数都是什么等说明。这里没有拷贝那些代码,所以可能看着不是十分明白易懂。还是得多看看里面自带的代码,就会好很多。

    3. 加权矩阵 ---> 计算图论参数

    1)计算聚类系数就看上一步的代码后半段,调用一下clustering_coef_wu.m就行了

    2)计算特征路径长度,首先要把加权矩阵再转化为距离矩阵[捂脸笑]。这个调用BCT里的distance_bin.m或distance_wei.m都行,我上一步加权矩阵用的是二进制的,所以这一步调用distance_bin.m。然后,再调用CHARPATH.m。代码如下:

    A = load('E:\...\open1.mat'); % 加载无向加权矩阵
    D=distance_bin(A.W);  % 调用distance_bin.m得到距离矩阵
    
    [lambda,efficiency,ecc,radius,diameter] = charpath(D,0,1);  % 调用CHARPATH.m计算特征路径长度
    
    L_real = lambda; % 特征路径长度就是第一个拉姆达...其他四个结果参数先不看

    4. 计算小世界系数

    经过计算,可以在工作区看到C_real = 0.6848,L_real = 1.6492。

    小世界系数=(C_real/C_rand)/(L_real/L_rand),所以还得计算一个随机网络的C_rand和L_rand。

    随机网络的生成可以调用BCT工具包里的randmio()相关的函数。我把功能连接矩阵输入进这个函数,产生了一个随机的功能连接矩阵,然后再对这个矩阵进行去除虚假连接、转为加权矩阵,再计算图论参数(重复上面步骤罢了)C_rand和L_rand。

    展开全文
  • BRAIN CONNECTIVITY ORIGINAL ARTICLESVolume 4, Number 10, 2014ª Mary Ann Liebert, Inc.DOI: 10.1089/brain.2014.0253Dyna...
  • convert_gpickle2mat_func.py:此函数将gpckle输出从connectomemapper转换为可以用基于matlab的Brain Connectivity Toolbox处理的mat文件。 3.dti.sh:通过使用16个随机种子,角度为60度,FA阈值为0.15以及种子掩码
  • 第9行,用一个字符串替换'/Users/me/analysis/toolboxes/BCT'到安装Brain Connectivity Toolbox的目录中。 第10行,将'/Users/me/analysis/toolboxes/GenLouvain-2.1'替换为安装通用Louvain代码的目录的字符串。 第...
  • matlab解析法代码适用于Python版本0.5.2的Brain Connectivity Toolbox 作者:罗恩·拉普randint(Roan LaPlante) 已针对python 2.7和3.5+进行了测试。 版权信息 该程序严格遵守原教旨主义大乘佛教的风格。 严格禁止...
  • 图理论分析是使用Brain Connectivity Toolbox(访问:2017年1月15日)完成的(Rubinov和Sporns,2010年)。 可以通过xDF.m估算此类相关矩阵的Pearson相关性,Z得分和p值的方差。 该脚本是一个独立的函数,可以使用...
  • Toolbox,MATLAB版本: 目录结构 Master分支包含4个主要文件夹: code/包含文件夹,每个文件夹包含特定于某些分析的脚本,即“ code / clustering”包含准备和执行聚类的代码,而“ code / assesscluster”包含处理...
  • Toolbox(BCT)和MIT的Matlab网络分析工具。 感谢David Legland的功能“ double2rgb.m”。 数据集摘自Chennu等人的论文。 al。 PlosOne(2016)。 由于使用了Matlab图形工具包,因此代码在Matlab:registered:R2018a...
  • 称呼: C = getCommunityMatrix(cs) 给定一个社区隶属向量 cs(从某种模块化或例如,Brain Connectivity Toolbox [1] 中的社区检测代码), 大小为 1×N,代码返回一个 N×N 矩阵,其中节点对属于同一社区的被赋予...
  • 我们到了! 主要思想是我们如何从 EEG ... 在这里,我们使用 Sporns 等人的 Brain Connectivity Toolbox (BCT),麻省理工学院的 Matlab 网络分析工具。 感谢 David Legland 的函数“double2rgb.m”。 数据集是从 Chen
  • Toolbox,Mucha等人(2010年)的多层社区检测工具箱以及Bassett等人的多层网络分析工具箱。等人,(2013年)。 因此,在运行我在此处上传的代码之前,我建议您下载这些toolobox并添加到Matlab路径中。 如果您在运行...
  • DPABI: a toolbox for Data Processing &... Analysis for Brain ImagingDPABI is a GNU/GPL* toolbox for Data Processing & Analysis of Brain Imaging, evolved from DPARSF (Data Processing Assistant for...
  • FieldTrip is the MATLAB software toolbox for MEG and EEG analysis that is being developed at the Donders Institute for Brain, Cognition and Behaviour in Nijmegen, the Netherlands together with ...
  • 邻接矩阵应该是主对角线元素为0的对称矩阵, 如果是无权重的邻接矩阵,矩阵中不为零的元素都是1 它的每一行或者每一列的元素的和就是对应行或列的节点的度 脑网络中,可用Matlab-brain connectivity toolbox包计算...
  • The Brain Connectivity Toolbox (brain-connectivity-toolbox.net) is a MATLAB toolbox for complex-network analysis of structural and functional brain-connectivity data sets.
  • 这项研究中,使用Brain Connectivity Toolbox中的findwalks.m函数为每个被试生成SFC。在梯度映射分析中,使用相同的阈值矩阵作为输入。当SFC的程度随着步数的增加呈指数级增长时,作者通过减去SFC图的整个大脑平均值...
  • Functional connectivity in the motor cortex of resting human brain usingecho-planar MRI. doi: 10.1002/mrm.1910340409 2. Exploring the brain network: a review on resting-state fMRI ...
  • 所有的图论指标由Brain Connectivity Toolbox进行计算。根据Dosenbach等人的研究,该研究将160个感兴趣区分为默认网络、额顶网络、前岛扣带网络、感觉运动网络、视觉网络和小脑。该研究首先计算了每个节点的参与...
  • 参考资料 度 (图论) - 维基百科,自由的百科全书 (wikipedia.org) ↩︎ List of measures - Brain Connectivity Toolbox (google.com) ↩︎ 小世界网络 - 维基百科,自由的百科全书 (wikipedia.org) ↩︎ 集聚系数 ...
  • 请点击上面“思影科技”四个字,选择关注我们,思影科技专注于脑影像数据处理,涵盖(fMRI,结构像,DTI,ASL,EEG/ERP,FNIRS,眼动)等,希望专业的内容可以给关注者带来帮助,欢迎留言讨论,也欢迎参加思影科技的其他课程...
  • ) - This toolbox equips MATLAB with a new multiple precision floating-point numeric type and an extensive set of mathematical functions that are capable of computations with arbitrary precision. ...

空空如也

空空如也

1 2 3 4 5
收藏数 96
精华内容 38
关键字:

brain connectivity toolbox

友情链接: K-Network.rar