从普适计算的角度出发，探索不同时空尺度的神经元组件之间的有效连通性是人脑研究中的重要问题。 同时，网络主题在网络分类和结构网络特性分析中发挥作用。 本文开发了一种通过使用网络图案来分析功能磁共振成像（fMRI）数据的有效连通性的方法。 首先，基于格兰杰因果关系分析（GCA）分析了功能磁共振成像时间序列之间的有向相互作用，从而建立了复杂的网络以揭示不同大脑区域之间的因果关系。 然后用多种网络图案描述了复杂网络中的有效连通性，并根据网络图案拓扑参数表征了fMRI数据的统计特性。 最后，实验结果表明，该方法在测试和测量fMRI数据的有效连通性方面是可行的。

tt变换matlab代码MID处理流水线 该存储库具有在货币激励延迟 (MID) 任务期间通过拟合单主题 GLM 和绘制 VOI 时间课程来预处理和分析功能性磁共振成像 (fmri) 数据的代码。 我们将分析来自 2 个科目的数据。 每个受试者在 2 次扫描运行中执行 MID 任务，并提供以下信息： 6 个条件（0,1,5 增益/损失试验） 每个条件 15 次试验，所以总共 90 次试验 试用时间： 0-2 秒：中间演示 4.25-5 s：目标“窗口”（即目标将出现在此时间窗口内的某个时间） 6-8 秒：结果展示 试验间隔 (ITI) 为 2、4 或 6 秒，所有试验平均为 4 秒 入门 软件要求 （仅用于保存和绘制 ROI 时间课程） （仅用于其 niftiRead() 函数将 nifti 文件加载到 matlab 中以保存时间课程） 权限 确保用户有权执行脚本。 从终端命令行，cd 到包含这些脚本的目录。 然后输入： chmod 777 *sh chmod 777 *py 能够执行它们。 这只需要运行一次。 功能磁共振成像管道 检查原始数据 原始 fMRI 和解剖数据应该在这里，相

mfBox是Matlab工具箱，用于对多变量数据集执行无模型分析。 它还插入了SPM，用于分析多变量脑部记录，例如fMRI，SPECT和PET数据集。 该项目正在寻找新的维护者！

ADNI_rs-fMRI数据预处理过程_matlab.docx

fMRI_Data_Analyses ： 与fMRI图像处理原理相关的代码，包括， 和 ： 涵盖了最广泛使用的当前统计方法的代码，用于在Matlab SPM中分析fMRI数据。

扩散MRI（dMRI） 这些Jupyter笔记本包括弥散MRI数据分析以计算弥散张量成像（DTI） ，弥散峰度成像（DKI） ，神经突取向弥散和密度成像（NODDI） ，单壳3组织约束球面反褶积（SS3T-CSD）以及多壳多组织约束球面反褶积（MSMT-CSD）模型化参数图。 Jupyter笔记本电脑的预处理包括使用DIPY进行数据去噪，使用FSL TOPUP进行磁化率引起的畸变校正以及使用FSL EDDY进行涡流引起的畸变和运动校正。 注意：DKI，NODDI和MSMT-CSD建模参数图的估计需要至少两个b值（例如1000、2000）获得的扩散加权MRI数据。 依存关系 使用这些Jupyter笔记本的依赖项为： DIPY（ ） Nipype（ ） FSL（ ） AMICO（ ） MRtrix3（ ） 引文 Messinger，A.，Sirmpilatze，N.，

bspm 这是我用来预处理和分析fMRI数据的代码，并且主要依赖于的例程。 bspm_某些函数是用于直接调用SPM函数的包装器（例如， bspm_checkreg大多数从spm_check_registration ），但是大多数函数旨在matlabbatch在SPM批处理系统中为各种模块构建matlabbatch结构的过程。 我认为我应该将其设为开源，因为，我相信开源，而且实际上，该存储库中的大部分内容都来自其他人的开源软件。 但是，由于这不是为公众编写的，因此我无法保证所有内容都可以在您的计算机上运行。 但是，如果您确保使用时，除thirdparty以外的所有文件夹和子文件夹都在您的M

毕业设计一深度学习之MRI数据集预处理（合并，裁剪以及重命名等操作）-附件资源

fMRI数据揭示了视觉信息处理机制

MRI数据是MATLAB自带的，程序包括轮廓线绘制，三维表面可视化，三维剖切等。