Nilearn：多个被试连接组的组稀疏逆协方差

最新推荐文章于 2025-10-20 12:33:02 发布

原创

最新推荐文章于 2025-10-20 12:33:02 发布 · 890 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#python

该博客介绍了如何使用nilearn库进行神经影像学的数据处理，包括加载MSDL地图集和功能MRI数据，提取ROI时间序列，并计算群稀疏精度矩阵。通过对数据进行稀疏协方差分析，利用GroupSparseCovarianceCV和GraphicalLassoCV估算器，生成了相关性矩阵和功能连接图，展示了不同ROI间的相关性和逆相关性。整个流程涉及数据预处理、模型拟合及结果可视化。

总代码

import numpy as np
from nilearn import plotting
n_subjects = 4  # subjects to consider for group-sparse covariance (max: 40)
def plot_matrices(cov, prec, title, labels):
    """Plot covariance and precision matrices, for a given processing. """
    prec = prec.copy()  # avoid side effects
    # Put zeros on the diagonal, for graph clarity.
    size = prec.shape[0]
    prec[list(range(size)), list(range(size))] = 0
    span = max(abs(prec.min()), abs(prec.max()))
    # Display covariance matrix
    plotting.plot_matrix(cov, cmap=plotting.cm.bwr,
                         vmin=-1, vmax=1, title="%s / covariance" % title,
                         labels=labels)
    # Display precision matrix
    plotting.plot_matrix(prec, cmap=plotting.cm.bwr,
                         vmin=-span, vmax=span, title="%s / precision" % title,
                         labels=labels)

第一步获取数据集

from nilearn import datasets
n_subjects = 4  
msdl_atlas_dataset = datasets.fetch_atlas_msdl()
rest_dataset = datasets.fetch_development_fmri(n_subjects=n_subjects)
# print basic information on