相关性分析代码片段2

简介:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
%% 参考BLOCK
reference_stimulus =[
     0  0  0  0  0  0  0  0  0  0  ...
     1  1  1  1  1  1  1  1  1  1  ...
     0  0  0  0  0  0  0  0  0  0  ...
     1  1  1  1  1  1  1  1  1  1  ...
     0  0  0  0  0  0  0  0  0  0  ...
     1  1  1  1  1  1  1  1  1  1  ...
     0  0  0  0  0  0  0  0  0  0
];
 
%% 原始数据
datacell_4d   = load_untouch_nii( 'C:\Users\Administrator\Desktop\workspace\phycaa_plus_2104_03_27\func_4d.nii' );
 
 
%% 两个数据,经过生理噪声预处理和未经过生理噪声预处理
ldcca_tms = img_To_4D_array( 'C:\Users\Administrator\Desktop\contrast\2014-05-26-20-00.img' );
spm_tms = img_To_4D_array( 'C:\Users\Administrator\Desktop\contrast\no_phycaa.img' );
 
mask_ldcca_tms = ldcca_tms >  0 ;
inv_mask_ldcca_tms = ~mask_ldcca_tms;
 
mask_spm_tms = spm_tms >  0 ;
inv_mask_spm_tms = ~mask_spm_tms;
 
tmp_spm = spm_tms .* inv_mask_ldcca_tms;
mask_big_left_spm_tms = tmp_spm> 0 ;
 
tmp_ldcca = ldcca_tms .* inv_mask_spm_tms;
mask_big_left_ldcca_tms = tmp_ldcca >  0 ;
 
%% 被去除的体素
ldim = size(datacell_4d.img);
substruct_fullMsk = repmat( mask_big_left_spm_tms, [ 1 , 1 , 1 ,ldim( 4 )] );
substruct_spm_tms_2d = reshape( datacell_4d.img(substruct_fullMsk> 0 ), [], ldim( 4 ) );
 
%% 留下的体素集合
left_fullMsk =  repmat( mask_spm_tms.*(~mask_big_left_spm_tms), [ 1 , 1 , 1 ,ldim( 4 )] );
left_spm_tms_2d = reshape( datacell_4d.img(left_fullMsk> 0 ), [], ldim( 4 ) );
 
%% 新增加的点集合
add_fullMsk = repmat( mask_big_left_ldcca_tms, [ 1 , 1 , 1 ,ldim( 4 )] );
add_spm_tms_2d = reshape( datacell_4d.img(add_fullMsk> 0 ), [], ldim( 4 ) );
 
figure( 2 );
 
% 统计被去除的点的相关系数,强度
substruct_corr_spms=[];
for  i =  1 :size(substruct_spm_tms_2d, 1 )
    
     substruct_corr_spms(i)= corr2(reference_stimulus ' , substruct_spm_tms_2d(i,:)' );
 
end
 
% plot(substruct_corr_spms, 'Color' , 'red' );
 
% hold on;
 
% 统计增加的点的相关系数,强度
add_corr_spms=[];
for  i =  1 :size(add_spm_tms_2d, 1 )
     
     add_corr_spms(i)= corr2(reference_stimulus ' , add_spm_tms_2d(i,:)' );
 
end
 
% plot(add_corr_spms, 'Color' , 'black' );
% hold on;
 
% 统计剩下的点的相关系数,强度
left_corr_spms=[];
for  i =  1 :size(left_spm_tms_2d, 1 )
     
     left_corr_spms(i)= corr2(reference_stimulus ' , left_spm_tms_2d(i,:)' );
 
end
 
% plot(left_corr_spms, 'Color' , 'blue' );
% hold on;
 
 
figure( 1 );
boxplot(substruct_corr_spms);
figure( 2 );
boxplot(add_corr_spms);
figure( 3 );
boxplot(left_corr_spms);

  本文转自二郎三郎博客园博客,原文链接:http://www.cnblogs.com/haore147/p/3795814.html,如需转载请自行联系原作者

相关文章
|
2月前
|
数据挖掘 数据处理
R语言统计基本概念:探索描述性统计与推断统计的奥秘
【8月更文挑战第30天】描述性统计与推断统计是R语言统计分析中的两大基石。描述性统计帮助我们直观地了解数据的分布特征和基本属性,而推断统计则允许我们基于样本数据对总体进行推断和预测。在数据分析的实际应用中,两者相辅相成,共同构成了数据分析的完整框架。掌握这两大概念及其在R语言中的实现方法,对于提升数据分析能力和决策效率具有重要意义。
|
5月前
|
机器学习/深度学习
R语言使用 LOWESS技术图分析逻辑回归中的函数形式
R语言使用 LOWESS技术图分析逻辑回归中的函数形式
|
5月前
|
机器学习/深度学习 运维 算法
【视频】检测异常值的4种方法和R语言时间序列分解异常检测
【视频】检测异常值的4种方法和R语言时间序列分解异常检测
|
5月前
|
数据可视化 数据挖掘
Seaborn中的分类图:直观展示分类数据的差异
【4月更文挑战第17天】Seaborn是数据分析中的利器,尤其在展示分类数据差异方面。本文介绍了5种主要图表类型:1) 使用`barplot`创建条形图,便于比较不同分类的数值差异;2) `boxplot`生成箱线图,展示数据分布和离散程度;3) `stripplot`和`swarmplot`显示单个观测值分布,理解分类内变异性和差异;4) `scatterplot`结合`hue`参数,呈现分类在连续变量关系中的差异;5) 自定义分类图,调整样式以满足特定需求。通过这些图表,可以更深入地分析和传达分类数据的特性。
|
5月前
|
机器学习/深度学习 数据挖掘 BI
【数据挖掘】回归分析定义、概念、分类、过程讲解(图文解释 超详细)
【数据挖掘】回归分析定义、概念、分类、过程讲解(图文解释 超详细)
239 0
|
5月前
SPSS两变量相关性分析
SPSS两变量相关性分析
99 0
|
10月前
|
机器学习/深度学习 数据挖掘 Python
统计回归模型中的一些概念解释
统计回归模型中的一些概念解释
112 0
|
12月前
|
数据采集 机器学习/深度学习 数据处理
类别数据处理:你必须知道的技巧与方法
类别数据处理:你必须知道的技巧与方法
116 0
|
机器学习/深度学习 算法 数据挖掘
书写自动智慧文本分类器的开发与应用:支持多分类、多标签分类、多层级分类和Kmeans聚类
书写自动智慧文本分类器的开发与应用:支持多分类、多标签分类、多层级分类和Kmeans聚类
书写自动智慧文本分类器的开发与应用:支持多分类、多标签分类、多层级分类和Kmeans聚类
|
数据采集 机器学习/深度学习 自然语言处理
实现文本数据数值化、方便后续进行回归分析等目的,需要对文本数据进行多标签分类和关系抽取
实现文本数据数值化、方便后续进行回归分析等目的,需要对文本数据进行多标签分类和关系抽取
186 0