Actflow

大腦活動流工具箱(Brain Activity Flow Toolbox，簡稱Actflow)。該工具箱有助于將大腦連接與任務(wù)誘發(fā)活動以及相關(guān)的認(rèn)知和行為功能聯(lián)系起來。主要重點是活動流映射及其相關(guān)方法?；顒恿饔成涫且粋€高度靈活的框架，通過更好的連接方法和創(chuàng)造性地使用該方法來更好地了解大腦功能。例如，活動流映射可用于推斷是否涉及一個或多個大腦連接以產(chǎn)生特定功能。該方法還可用于將多個任務(wù)誘發(fā)的激活相互關(guān)聯(lián)（例如，從另一個神經(jīng)群體的活動中預(yù)測一個神經(jīng)群體的活動）。一般說來，活動流映射可以被認(rèn)為是創(chuàng)建網(wǎng)絡(luò)編碼模型，這是一種經(jīng)驗約束的神經(jīng)網(wǎng)絡(luò)模型。工具箱中包含的其他方法（可以選擇與活動流映射一起使用）是靜息態(tài)功能連接和任務(wù)態(tài)功能連接的高級版本。目前主要應(yīng)用于fMRI數(shù)據(jù)，但原則上這些方法可以應(yīng)用于任何類型的神經(jīng)數(shù)據(jù)。此代碼存儲庫由羅格斯大學(xué)的Cole神經(jīng)認(rèn)知實驗室創(chuàng)建：http://www.colelab.org/。

網(wǎng)址：https://colelab.github.io/ActflowToolbox/

參考文章：Protocol for activity flow mapping of neurocognitive computations using the Brain Activity Flow Toolbox.

PyMVPA

將神經(jīng)活動的模式解碼到認(rèn)知狀態(tài)是功能性腦成像的核心目標(biāo)之一。標(biāo)準(zhǔn)的單變量fMRI分析方法將認(rèn)知和知覺功能與血氧水平依賴（BOLD）信號相關(guān)聯(lián)，已被證明可以通過認(rèn)知和知覺任務(wù)期間的信號增加來識別解剖區(qū)域。然而，目前許多研究證明，新的多變量技術(shù)比標(biāo)準(zhǔn)的單變量分析更靈活，更可靠，更靈敏。但很少有軟件包可以促進fMRI數(shù)據(jù)的多變量模式分類分析。這里將給大家介紹一個基于Python的跨平臺和開源軟件工具箱--PyMVPA，用于將基于分類器的分析技術(shù)應(yīng)用于fMRI數(shù)據(jù)集。PyMVPA利用Python訪問各種編程語言和計算環(huán)境編寫的庫的能力，從而與大量現(xiàn)有的機器學(xué)習(xí)包進行交互。

網(wǎng)址：https://github.com/PyMVPA/PyMVPA

參考文章：PyMVPA: a Python Toolbox for Multivariate Pattern Analysis of fMRI Data.

Edge-centric time series analysis

邊緣時間序列越來越多地用于腦成像，以最佳時間分辨率研究節(jié)點功能連接（nFC）動態(tài)。神經(jīng)成像時間序列的邊緣中心分析解釋了為什么一些高振幅共波動能夠驅(qū)動數(shù)據(jù)集之間的nFC，從而可以解釋邊緣FC矩陣，邊緣群落，大型共波動和相應(yīng)空間模式中的大多數(shù)變化。

網(wǎng)址：https://github.com/LNov/eFC

參考文章：A mathematical perspective on edge-centric brain functional connectivity.

Nilearn

Nilearn是一個Python模塊，用于快速、輕松地對神經(jīng)成像數(shù)據(jù)進行統(tǒng)計學(xué)習(xí)。支持基于一般線性模型（GLM）的分析，并利用scikit-learn Python工具箱進行多變量統(tǒng)計，應(yīng)用程序包括預(yù)測建模、分類、解碼或連接分析等。Nilearn現(xiàn)在包括了Nistats功能，相應(yīng)網(wǎng)址如下，大家感興趣的話，不妨打開看看。

網(wǎng)址：https://nilearn.github.io/stable/index.html

Nistats網(wǎng)址：https://nistats.github.io/

參考文章：A mathematical perspective on edge-centric brain functional connectivity.

Neuropredict

Neuropredict能夠執(zhí)行交叉驗證，以增加后續(xù)的統(tǒng)計比較效能；追蹤錯誤分類率(針對每個特征的類別和被試)；測量特征重要性；預(yù)測性能的統(tǒng)計比較；直觀的可視化；支持分類和回歸工作流；以及允許在嵌套CV中處理協(xié)變量和混淆因素。

網(wǎng)址：https://github.com/raamana/neuropredict

參考文章：Neuropredict: easy machine learning and standardized predictive analysis of biomarkers.

BrainIAK

BrainIAK是一個用于高級機器學(xué)習(xí)方法和高性能計算的開源Python軟件包，可用于分析神經(jīng)成像數(shù)據(jù)。BrainIAK中目前包含了多種技術(shù)：主體間相關(guān)(ISC)和主體間功能連接(ISFC)，通過共享響應(yīng)模型(SRM)的功能對齊，全相關(guān)矩陣分析(FCMA)，貝葉斯版本的表征相似性分析(BRSA)，使用隱馬爾可夫模型的事件分割，地形因子分析(TFA)，反向編碼模型(IEMs)，實時動態(tài)磁共振成像，使用真實數(shù)據(jù)噪聲特征的fMRI數(shù)據(jù)模擬器(fmrisim)，以及一些新興方法。這些方法都有一個用戶友好的教程（https://brainiak.org/tutorials/），從而更好地進行大腦和高級fMRI分析。

網(wǎng)址：https://brainiak.org/

參考文章：BrainIAK: The Brain Imaging Analysis Kit.

BrainStat

BrainStat是一個進行神經(jīng)成像數(shù)據(jù)的統(tǒng)計分析和上下文解碼的開源工具箱，該工具箱可在Python和MATLAB中實現(xiàn)?？捎糜诨隗w積和基于表面的腦成像數(shù)據(jù)集中的單變量和多變量線性模型，并與BigBrain圖譜，Allen人腦圖譜和Nimare數(shù)據(jù)庫相連。BrainStat能夠靈活地處理表面、體素等數(shù)據(jù)格式，并提供一系列交互式的可視化功能。

網(wǎng)址：https://github.com/MICA-MNI/BrainStat

參考文章：BrainStat: a toolbox for brain-wide statistics and multimodal feature associations.

The Decoding Toolbox (TDT)

TDT是一個易于使用、快速且通用的Matlab工具箱，用于對功能和結(jié)構(gòu)MRI數(shù)據(jù)進行多變量分析。它包含探照燈，感興趣區(qū)域和全腦分析，以及許多特征選擇和參數(shù)選擇方法，包括遞歸特征消除。新版本的TDT還允許快速有效地進行表征相似性分析。該工具箱針對SPM或AFNI的使用進行了優(yōu)化，可以在較少或沒有編程經(jīng)驗的情況下使用。

網(wǎng)址：https://sites.google.com/site/tdtdecodingtoolbox/

參考文章：The Decoding Toolbox (TDT): a versatile software package for multivariate analyses of functional imaging data.

PRoNTo

PRoNTo（Pattern Recognition for Neuroimaging Toolbox）是一個基于模式識別技術(shù)的軟件工具箱，用于神經(jīng)成像數(shù)據(jù)的分析。統(tǒng)計模式識別是機器學(xué)習(xí)中的一個領(lǐng)域，它涉及通過使用計算機算法自動發(fā)現(xiàn)數(shù)據(jù)中的規(guī)律，并利用這些規(guī)律來采取行動，例如將數(shù)據(jù)分類成不同的類別。在PRoNTo中，大腦掃描被視為空間模式，統(tǒng)計學(xué)習(xí)模型被用于識別數(shù)據(jù)的統(tǒng)計屬性，這些屬性可用于區(qū)分實驗條件或組別(分類模型)，或者預(yù)測連續(xù)測量(回歸模型)。PRoNTo是由Janaina Mourao-Miranda教授領(lǐng)導(dǎo)的國際研究團隊開發(fā)的。

網(wǎng)址：http://www.mlnl.cs.ucl.ac.uk/pronto/index.html

參考文章：PRoNTo: Pattern Recognition for Neuroimaging Toolbox.

RSA

RSA（Representational Similarity Analysis，表征相似性分析）是一個基于Matlab的工具箱。該工具箱支持同時由數(shù)據(jù)和假設(shè)驅(qū)動的分析方法，旨在幫助將各種計算模型集成到由現(xiàn)代功能成像和神經(jīng)元記錄技術(shù)提供的多通道大腦活動測量的分析中，使用非參數(shù)推理方法對模型進行統(tǒng)計檢驗和比較。該工具箱支持基于探照燈的RSA，以連續(xù)映射測量的大腦體積，并搜索具有特定幾何形狀的神經(jīng)元集群編碼。

網(wǎng)址：https://github.com/rsagroup/rsatoolbox

參考文章：A Toolbox for Representational Similarity Analysis.

PCM

PCM（Pattern component modeling toolbox，模式成分建模工具箱）是一種評估表征模型的似然方法，模型指定神經(jīng)活動的復(fù)雜模式如何與視覺刺激、運動動作或抽象思想相關(guān)。與編碼模型類似，PCM評估模型預(yù)測新大腦活動模式的能力。然而，與編碼模型不同的是，單個體素在各種條件（活動配置文件）中的活動不是直接擬合的。相反，PCM 集成了所有可能的活動配置文件，并計算由表征模型指定的活動配置文件分布下數(shù)據(jù)的邊際似然。通過使用邊際似然的解析表達式，PCM 能夠靈活地擬合表征模型，其中可以從數(shù)據(jù)中估計不同特征集的相對強度和形式。

網(wǎng)址：https://github.com/jdiedrichsen/pcm_toolbox

參考文章：Pattern component modeling: A flexible approach for understanding the representational structure of brain activity patterns.

cvMANOVA

cvMANOVA（cross-validated MANOVA，MVPA的交叉驗證MANOVA）是由Carsten Allefeld和John-Dylan Haynes創(chuàng)建的，該方法基于Matlab實現(xiàn)，是基于探照燈的fMRI多體素模式交叉驗證MANOVA分析。

網(wǎng)址：https://github.com/allefeld/cvmanova

參考文章：Searchlight-based multi-voxel pattern analysis of fMRI by cross-validated MANOVA.

CBP tools

基于連接的區(qū)域分割工具(CBP)是一種通過遠(yuǎn)程連接進行區(qū)域映射的過程，揭示了感興趣區(qū)域(ROI)內(nèi)的大腦組織。該過程根據(jù)ROI體素/頂點與一組目標(biāo)體素/頂點連接強度的相似性來對ROI體素/頂點進行聚類。每個ROI體素/頂點的連接配置文件反映了該體素/頂點與目標(biāo)空間的連接情況。CBP tools是一款開源軟件，目前支持兩種神經(jīng)成像模式：靜息態(tài)BOLD時間序列（通常用于測量任務(wù)無關(guān)的功能連通性），以及概率性纖維示蹤成像（用于估計解剖纖維連通性）。

網(wǎng)址：https://pypi.org/project/cbptools/

參考文章：CBPtools: a Python package for regional connectivity-based parcellation.

TAPAS

TAPAS（Translational Algorithms for Psychiatry-Advancing Science）是由轉(zhuǎn)化神經(jīng)建模部門（TNU，蘇黎世）及其合作者開發(fā)的算法和軟件工具集合，包括回歸動態(tài)因果建模（rDCM）和ODE方法的連續(xù)擴展（ceode），以模擬有效連接和誘發(fā)反應(yīng)。

DeepMReye

DeepMReye是一種卷積神經(jīng)網(wǎng)絡(luò)（CNN），可以從眼球的磁共振信號解碼注視位置。它可以執(zhí)行無攝像頭眼動追蹤，適用于訓(xùn)練數(shù)據(jù)很少且掃描范圍廣泛的掃描協(xié)議。關(guān)鍵是，它甚至可以在現(xiàn)有數(shù)據(jù)集和閉上眼睛的情況下正常工作，被解碼的眼球運動也解釋了網(wǎng)絡(luò)范圍內(nèi)的大腦活動。DeepMReye強調(diào)了眼動追蹤對fMRI結(jié)果解釋的重要性，主要包括眼球定位，體素提取，模型訓(xùn)練和測試，以及基本性能測量等。

網(wǎng)址：https://github.com/DeepMReye/DeepMReye

參考文章：Magnetic resonance-based eye tracking using deep neural networks.

參考文獻：

Carrisa V. Cocuzza, Ruben Sanchez-Romero, Michael W. Cole,. Protocol for activity flow mapping of neurocognitive computations using the Brain Activity Flow Toolbox.?Volume 3, Issue 1, 2022, 101094, ISSN 2666-1667. https://doi.org/10.1016/j.xpro.2021.101094

Hanke, M., Halchenko, Y.O., Sederberg, P.B. et al. PyMVPA: a Python Toolbox for Multivariate Pattern Analysis of fMRI Data. Neuroinform 7, 37–53 (2009). https://doi.org/10.1007/s12021-008-9041-y

Novelli, L., Razi, A. A mathematical perspective on edge-centric brain functional connectivity. Nat Commun 13, 2693 (2022). https://doi.org/10.1038/s41467-022-29775-7

Raamana, P. R. (2017). Neuropredict: easy machine learning and standardized predictive analysis of biomarkers. November. https://doi. org/10.5281/zenodo, 1058993.

Kumar, M. , Anderson, M. J. , Antony, J. W. ,? Baldassano, C. , &? Norman, K. A. . (2020). BrainIAK: The Brain Imaging Analysis Kit.

Reinder Vos de Wael,??eyma Bayrak, Oualid Benkarim, Peer Herholz, Sara Larivière, Raul Rodriguez-Cruces, Casey Paquola, Seok-Jun Hong, Bratislav Misic, Alan C. Evans, Sofie L. Valk, Boris C. Bernhardt. BrainStat: a toolbox for brain-wide statistics and multimodal feature associations. bioRxiv 2022.01.18.476795; doi: https://doi.org/10.1101/2022.01.18.476795

Hebart, M. N. , Kai, G. , &? John-Dylan, H. . (2014). The decoding toolbox (tdt): a versatile software package for multivariate analyses of functional imaging data. Frontiers in Neuroinformatics, 8.

Schrouff, J., Rosa, M.J., Rondina, J.M. et al. PRoNTo: Pattern Recognition for Neuroimaging Toolbox. Neuroinform 11, 319–337 (2013). https://doi.org/10.1007/s12021-013-9178-1

Hamed, Nili, Cai, Wingfield, Alexander, & Walther, et al. (2014). A toolbox for representational similarity analysis. PLoS Computational Biology, 10(4), e1003553.

Diedrichsen, J. , Yokoi, A. , &? Arbuckle, S. A. . (2017). Pattern component modeling: a flexible approach for understanding the representational structure of brain activity patterns. Neuroimage, S1053811917306985.

Allefeld, C., & Haynes, J. D.. (2014). Searchlight-based multi-voxel pattern analysis of fmri by cross-validated manova. Neuroimage, 89(4), 345-357.

Reuter N, Genon S, Kharabian Masouleh S, Hoffstaedter F, Liu X, Kalenscher T, Eickhoff SB, Patil KR. CBPtools: a Python package for regional connectivity-based parcellation. Brain Struct Funct. 2020 May;225(4):1261-1275. doi: 10.1007/s00429-020-02046-1. Epub 2020 Mar 6. PMID: 32144496; PMCID: PMC7271019.

Fr?ssle S, Lomakina EI, Razi A, Friston KJ, Buhmann JM, Stephan KE. Regression DCM for fMRI. Neuroimage. 2017 Jul 15;155:406-421. doi: 10.1016/j.neuroimage.2017.02.090. Epub 2017 Mar 1. PMID: 28259780.

Frey, M., Nau, M. & Doeller, C.F. Magnetic resonance-based eye tracking using deep neural networks. Nat Neurosci 24, 1772–1779 (2021). https://doi.org/10.1038/s41593-021-00947-w

小伙伴們點個“在看”，加

(星標(biāo))關(guān)注茗創(chuàng)科技，將第一時間收到精彩內(nèi)容推送哦～