NeuroRA：一个用于多模态神经数据表征分析的Python工具包
行上行下2021-01-03 14:01
作者：路子童
在认知神经科学领域的研究中，多元模式分析（multivariate pattern analysis, MVPA）比传统的单变量分析提供了更丰富的信息，因而在最近十几年中得到了广泛的应用。
表征相似性分析（representational similarity analysis, RSA）作为MVPA方法的一种，通过计算不同条件下大脑中不同表征之间的相似度，已经成为一种有效的用于解码神经数据的方法。
此外，RSA适用于研究人员比较来自不同模态、甚至不同物种之间的数据。然而，传统用于计算RSA的工具包都存在各种局限性，且易用性不足。为解决这些问题，心理学系库逸轩教授团队基于Python开发了一个全新且易于使用的表征分析工具包——NeuroRA。
图1：NeuroRA功能总览
NeuroRA旨在从多模态神经数据（例如脑电EEG、脑磁MEG、近红外fNIRS、核磁fMRI和其他神经生理数据）、行为数据以及计算模拟数据中进行跨模态的数据分析。与其他传统工具包相比，该工具包更加全面且强大。
使用NeuroRA，用户不仅可以计算反映不同任务条件之间表征相似性的表征不相似矩阵（representational dissimilarity matrix, RDM），还可以对不同RDM进行表征分析以进行跨模态比较。
而且，用户还可以利用NeuroRA计算神经模式相似度（neural pattern similarity, NPS）、时空模式相似度（spatiotemporal pattern similarity, STPS）、被试间相关性（inter-subject correlation, ISC）等。
此外，NeuroRA还为用户提供了对分析结果进行统计分析、存储与可视化的功能。
图2：NeuroRA中的RDM计算实现
图3：E/MEG数据RSA计算示例
图4：fMRI数据RSA计算示例
图5：NeuroRA绘图功能示例
相较其他工具包，用户通过NeuroRA能够完成从数据输入到表征分析结果可视化的全流程分析。
此外，NeuroRA是一个开源、免费且跨平台的工具包。关于该工具包中各模块与函数的详细信息（包括输入数据的格式、参数选择以及输出），用户可以参考相关论文与教程。
同时，为了进一部分理解NeuroRA中每个函数的具体实现，用户也可以直接阅读源码。如在使用过程中遇到任何问题或困难，欢迎大家在GitHub平台上提问，或给开发人员（路子童）发送邮件（邮箱：zitonglu1996@gmail.com）。
排版：华华
作者：路子童
校对：喵君姐姐
举报/反馈
0
0
收藏
分享
