Unfold.jl

Schätzung	Visualisierung	Simulation	BIDS-Pipeline	Dekodierung	Statistiken

Toolbox zur Durchführung einer linearen/GAM/hierarchischen/Entfaltungsregression für biologische Signale.

Diese Art der Modellierung ist auch als Kodierungsmodellierung, lineare Entfaltung, zeitliche Antwortfunktionen (TRFs), lineare Systemidentifikation und wahrscheinlich unter anderen Namen bekannt. fMRT-Modelle mit HRF-Basisfunktionen und Pupillenerweiterungsbasen werden ebenfalls unterstützt.

Erste Schritte

?Python-Benutzer?

Wir empfehlen eindeutig Julia – aber Python-Benutzer können juliacall/Unfold direkt von Python aus verwenden!

Julia-Installation

Klicken Sie zum Erweitern

Die empfohlene Methode zur Installation von Julia ist juliaup. Damit können Sie beispielsweise Julia später problemlos aktualisieren, aber auch Alpha-/Beta-Versionen usw. testen.

TL:DR; Wenn Sie die expliziten Anweisungen nicht lesen möchten, kopieren Sie einfach den folgenden Befehl

Windows

AppStore -> JuliaUp, oder winget install julia -s msstore im CMD

Mac & Linux

curl -fsSL https://install.julialang.org | sh in jeder Shell

Unfold.jl-Installation

 using Pkg
Pkg . add ( " Unfold " )

Verwendung

Ausführliche Tutorials, Erklärungen und mehr finden Sie in der Dokumentation!

Tipp zu Dokumenten

Sie können die Dokumente online lesen: - oder die ?fit , ?effects julia-REPL-Funktion verwenden. Um Dokumente zu filtern, verwenden Sie z. B. ?fit(::UnfoldModel)

Hier erhalten Sie einen kurzen Überblick darüber, was Sie erwartet.

Was Sie brauchen

 using Unfold

events :: DataFrame

# formula with or without random effects
f = @formula 0 ~ 1 + condA
fLMM = @formula 0 ~ 1 + condA + ( 1 | subject) + ( 1 | item)

# in case of [overlap-correction] we need continuous data plus per-eventtype one basisfunction (typically firbasis)
data :: Array{Float64,2}
basis = firbasis (τ = ( - 0.3 , 0.5 ),srate = 250 ) # for "timeexpansion" / deconvolution

# in case of [mass univariate] we need to epoch the data into trials, and a accompanying time vector
epochs :: Array{Float64,3} # channel x time x epochs (n-epochs == nrows(events))
times = range ( 0 ,length = size (epochs, 3 ),step = 1 / sampling_rate)

Um zu jedem der Modelle zu passen, bietet Unfold.jl eine einheitliche Syntax:

Überlappungskorrektur	Gemischte Modellierung	Julia-Syntax
		fit(UnfoldModel,[Any=>(f,times)),evts,data_epoch]
X		fit(UnfoldModel,[Any=>(f,basis)),evts,data]
	X	fit(UnfoldModel,[Any=>(fLMM,times)),evts,data_epoch]
X	X	fit(UnfoldModel,[Any=>(fLMM,basis)),evts,data]

Vergleich mit Unfold (Matlab)

Klicken Sie zum Erweitern

Die Matlab-Version wird weiterhin gepflegt, die aktive Entwicklung findet jedoch in Julia statt.

Besonderheit	Entfalten	ungemischt (nicht mehr vorhanden)	Unfold.jl
Überlappungskorrektur	X	X	X
nichtlineare Splines	X	X	X
Geschwindigkeit			⚡ 2-100x
GPU-Unterstützung
Plotwerkzeuge	X		UnfoldMakie.jl
Interaktives Plotten			Bleiben Sie dran – bald verfügbar!
Simulationswerkzeuge	X		UnfoldSim.jl
BIDS-Unterstützung	X		Alpha: UnfoldBIDS.jl)
Gesundheitsprüfungen	X		X
Tutorials	X		X
Unittests	X		X
Alternative Grundlagen z. B. HRF (fMRT)			X
verschiedene Basisfunktionen mischen			X
unterschiedliche Zeitfenster pro Veranstaltung			X
gemischte Modelle		X	X
Item- und Subjekteffekte		(X)	X
Dekodierung			UnfoldDecode.jl
Ausreißer-robuste Passungen			viele Optionen (aber langsamer)
?Python-Unterstützung			über juliacall

Beiträge

Beiträge sind herzlich willkommen. Dies können Tippfehler, Fehlerberichte, Funktionsanfragen, Geschwindigkeitsoptimierung, neue Löser, besserer Code, bessere Dokumentation sein.

So können Sie einen Beitrag leisten

Sie sind herzlich willkommen, Probleme anzusprechen und Pull-Requests zu starten!

Dokumentation hinzufügen

1. Wir empfehlen, ein Literate.jl-Dokument zu schreiben und es in docs/literate/FOLDER/FILENAME.jl zu platzieren, wobei FOLDER HowTo , Explanation , Tutorial oder Reference ist (empfohlene Lektüre in den 4 Kategorien).
2. Literate.jl konvertiert die .jl Datei automatisch in eine .md und platziert sie in docs/src/generated/FOLDER/FILENAME.md .
3. Bearbeiten Sie make.jl mit einem Verweis auf docs/src/generated/FOLDER/FILENAME.md .

Mitwirkende

Judith Schepers ? ✅ ? ️	Benedikt Ehinger ? ✅ ? ️ ? ️ ? ?	René Skukies ? ✅ ?	Manpa Barmann ?	Phillip Alday ?	Dave Kleinschmidt	Saket Saurabh ?
suddha-bpn ?	Wladimir Michejew ?	Carmenamme	Maximilien Van Migem ?

Dieses Projekt folgt der All-Contributors-Spezifikation.

Beiträge jeglicher Art willkommen!

Zitat

Bitte zitieren Sie vorerst

und/oder Ehinger & Dimigen

Danksagungen

Diese Arbeit wurde zunächst durch die Kooperationsgruppe „Statistische Modelle für psychologische und linguistische Daten“ des Zentrums für interdisziplinäre Forschung, Bielefeld (ZiF) gefördert.

Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) im Rahmen der Deutschen Exzellenzstrategie – EXC 2075 – 390740016