Nilearn笔记—无mask的anova-SVM

无Mask的ANOVA-SVM脑影像分析

最新推荐文章于 2021-11-03 00:29:08 发布

原创

最新推荐文章于 2021-11-03 00:29:08 发布 · 510 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#支持向量机 #算法 #机器学习

本文介绍了一种无需特定脑区掩码的ANOVA-SVM方法，用于面部与猫咪图像识别任务的fMRI数据分析。该方法通过基于F分数的特征选择程序筛选出最相关的体素，并使用留一法进行交叉验证，最后展示了分类权重的可视化结果。

上次介绍了有mask的nilearn计算方法。
独特的mask（或者又称为ROI，种子点）是论文的亮点，但是其实有一半的情况下，尤其是对我们学生来说，没有充足的文献积累和前瞻，只是为了能发文章毕业，因此这种时候不要mask的anova-SVM方法更适合些。

方法原理官方解释：
如果我们不从相关区域的掩码开始，就会有大量的体素，并不是所有的体素都对人脸与猫的预测有用。因此，我们添加了一个特征选择程序。这个想法是通过一个简单的基于 F 分数的特征选择（又名 Anova）来选择与任务最相关的k% 体素。

介绍如下：

from nilearn.decoding import Decoder
# Here screening_percentile is set to 5 percent
mask_img = r'D:\jupyter\nilearn\haxby2001\mask.nii.gz'
fmri_filename = r'D:\jupyter\nilearn\haxby2001\subj2\bold.nii.gz'
decoder = Decoder(estimator='svc', mask=mask_img, smoothing_fwhm=4,
                  standardize