Análisis de PLS y NPAIs Los PLS (mínimos cuadrados parciales) y NPAIs (no paramétricos, predicción, activación, influencia, reproducibilidad, re-muestreo) Paquete de software Neuroimaging desarrollado en el Instituto de Investigación de Rotman
Descargar ahora

Análisis de PLS y NPAIs Clasificación y resumen

Análisis de PLS y NPAIs Etiquetas

analizar la medida analizador Análisis de Neuroimaging Análisis de NPAIs medir la tarea

Análisis de PLS y NPAIs Descripción

Los PLS (mínimos cuadrados parciales) y NPAIs (no paramétricos, predicción, activación, influencia, reproducibilidad, re-muestreo) Paquete de software Neuroimaging desarrollado en el Instituto de Investigación de Rotman El análisis de PLS y NPAIs es un conjunto de herramientas que se pueden utilizar en fines científicos. Se introdujo por primera vez a la comunidad de neuroimagen en primera vez en 1996 (McIntosh et al., 1996), para medir las respuestas de tareas distribuidas (PLS centrado en el centrado y la tarea no girada por favor). Los PLS también se han aplicado a la medición de los patrones distribuidos que impacten en el rendimiento de la tarea (PLS de comportamiento regular, PLS de comportamiento no rotado y MULTIBLOCK PLS) y, finalmente, a la conectividad regional del estado dependiente de la tarea (McIntosh y la Lobaugh, 2004) .La NPAIs (No paramétrico, predicción, activación, influencia, reproducibilidad, re-muestreo) El paquete se introdujo por primera vez con análisis de variaciones canónicas (es decir, análisis discriminante lineal) y una métrica reproducible (Strothot et al., 1997) seguida de la adición de métricas de predicción ( Strother et al., 2002). NPAIs utiliza una base PCA penalizada (PCA DenOising) adaptada para optimizar la reproducibilidad y las métricas de predicción para CVA. Además de la medición de la tarea distribuida y las respuestas de estado de descanso, NPairs proporciona un marco de remuestreo estadístico con bloques básicos de construcción para la evaluación comparativa y comparar el análisis de preprocesos y el análisis de datos, (es decir,, la tubería de procesamiento) opciones (Strother et al., 2004) .both pls y npairs / CVA ha demostrado ser métodos sólidos para extraer cambios de señal distribuidos relacionados con las demandas de tareas cambiantes en neuroimagen. Sus fortalezas y debilidades relativas se están evaluando actualmente en el Instituto de Investigación Rotor. Requisitos: · Java 1.6 o posterior ¿Qué hay de nuevo en este lanzamiento: · NPAILS GRUPO Partitioning Bug Seamid: ahora funciona incluso en el caso de que la partición grupal proporcional conduce a un número fraccional de objetos en una partición, por ejemplo. Si hay 2 grupos de 5 para ser particionados en mitades divididas (por lo que una simple división proporcional llevaría a 2.5 miembros de cada grupo en cada mitad dividida), ahora un grupo se elige al azar para ser aumentado (a 3) y el otro Decrementado (a 2) y viceversa para la otra mitad dividida. · NPAIR GUI mejoró para ser compatible con más entornos: el campo 'STEP' del rango de PC debería ahora ser visible en Mac OS X y Ubuntu. · Error de Bootstrap Bootstrap de PLS (error de indexación fuera de uno) fijo. · Opción agregada a NPAIs para usar 'Ejecutar' en lugar de 'Session' como 'objeto dividido' (es decir, unidad de división) al remuestreo los datos. Hay un nuevo menú desplegable en la ventana de configuración de análisis, lo que permite al usuario especificar el objeto Split (el valor predeterminado es "Sesión"). Esta función se ha agregado a la GUI, pero aún no está incluida en las herramientas de PLSNPAILS de la línea de comandos (lote). · NPAIR: el número de condición de la matriz de CVA CVA de CVA en su clase ahora siempre se verifica y la advertencia se imprime en el archivo de registro de análisis si cond (W)> 1000. (Condición no. Es la relación de mayor a menor nivel de eigen en la descomposición espectral de W; cuanto mayor sea la condición no., Cuanto más cerca está a la singularidad.) · NPAIRS CVA CVA COMPURACIÓN SQUARED CONVERGENCIA EDICIÓN FIJO: Ahora, si el cálculo del CDF no se converja para los valores de entrada que son demasiado altos (y el valor crítico anterior para el umbral de valor P predeterminado de 0.95), entonces se guarda el valor P de Chi-cuadrado correspondiente en Archivos de salida como 1.0. · Valores CVA R2 de NPAIrs guardados en resultados. Archivo .MAT como: npairs_result.r2_full_data (no. PC Dims Filas x no. CV Dims cols) y Mlcell NPAirs_result.r2_splits: una celda / CV Dim y cada célula que contiene (no. Splits) Filas X (no. PC DIMS) cols. También se guardó como textos con sufijo '.r2'. Los valores R2 se calculan entre las puntuaciones canonicas de CVA para cada CV Dim y los datos de datos de entrada (por ejemplo, PCA Dims) para determinar la bondad de ajuste entre cada dimensión de CV y ​​Dims de entrada (PCA). · Resultados de PLS bloqueados guardados con sufijo _bfmriresult.mat para que coincidan con la sintaxis de salida de MATLAB PLS. Ahora, el visor de resultados reconocerá qué archivos de sesión y datos corresponden a un análisis de PLS bloqueado dado. .

Análisis de PLS y NPAIs Software relacionado