Unfold.jl
v0.7.7
| Estimación | Visualización | Simulación | Canal de ofertas | Descodificación | Estadística |
|---|---|---|---|---|---|
Caja de herramientas para realizar regresión lineal/GAM/jerárquica/deconvolución en señales biológicas.
Este tipo de modelado también se conoce como modelado de codificación, deconvolución lineal, funciones de respuesta temporal (TRF), identificación de sistemas lineales y probablemente con otros nombres. También se admiten modelos de resonancia magnética funcional con funciones basadas en HRF y bases de dilatación de pupila.
Recomendamos claramente a Julia, ¡pero los usuarios de Python pueden usar juliacall/Unfold directamente desde Python!
La forma recomendada de instalar julia es juliaup. Le permite, por ejemplo, actualizar fácilmente Julia en un momento posterior, pero también probar las versiones alfa/beta, etc.
TL: DR; Si no desea leer las instrucciones explícitas, simplemente copie el siguiente comando
AppStore -> JuliaUp, o winget install julia -s msstore en CMD
curl -fsSL https://install.julialang.org | sh en cualquier caparazón
using Pkg
Pkg . add ( " Unfold " )¡Consulte la documentación para obtener tutoriales completos, explicaciones y más!
Puede leer los documentos en línea: - o utilizar la función ?fit , ?effects julia-REPL. Para filtrar documentos, utilice, por ejemplo ?fit(::UnfoldModel)
Aquí hay una descripción general rápida de qué esperar.
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)Para adaptarse a cualquiera de los modelos, Unfold.jl ofrece una sintaxis unificada:
| Corrección de superposición | Modelado Mixto | sintaxis de julia |
|---|---|---|
fit(UnfoldModel,[Any=>(f,times)),evts,data_epoch] | ||
| incógnita | fit(UnfoldModel,[Any=>(f,basis)),evts,data] | |
| incógnita | fit(UnfoldModel,[Any=>(fLMM,times)),evts,data_epoch] | |
| incógnita | incógnita | fit(UnfoldModel,[Any=>(fLMM,basis)),evts,data] |
La versión de Matlab aún se mantiene, pero el desarrollo activo ocurre en Julia.
| Característica | Desplegar | sin mezclar (desaparecido) | Desplegar.jl |
|---|---|---|---|
| corrección de superposición | incógnita | incógnita | incógnita |
| splines no lineales | incógnita | incógnita | incógnita |
| velocidad | ⚡2-100x | ||
| Soporte de GPU | |||
| herramientas de trazado | incógnita | UnfoldMakie.jl | |
| Trazado interactivo | estad atentos, ¡próximamente! | ||
| herramientas de simulación | incógnita | UnfoldSim.jl | |
| Soporte de ofertas | incógnita | alfa: UnfoldBIDS.jl) | |
| controles de cordura | incógnita | incógnita | |
| tutoriales | incógnita | incógnita | |
| pruebas unitarias | incógnita | incógnita | |
| Bases alternativas, por ejemplo, HRF (fMRI) | incógnita | ||
| mezclar diferentes funciones básicas | incógnita | ||
| diferentes ventanas de tiempo por evento | incógnita | ||
| modelos mixtos | incógnita | incógnita | |
| efectos de elementos y sujetos | (incógnita) | incógnita | |
| descodificación | UnfoldDecode.jl | ||
| ajustes atípicos-robustos | muchas opciones (pero más lentas) | ||
| ?Soporte de Python | vía juliacall |
Las contribuciones son muy bienvenidas. Estos podrían ser errores tipográficos, informes de errores, solicitudes de funciones, optimización de velocidad, nuevos solucionadores, mejor código, mejor documentación.
¡Eres bienvenido a plantear problemas e iniciar solicitudes de extracción!
docs/literate/FOLDER/FILENAME.jl siendo FOLDER HowTo , Explanation , Tutorial o Reference (lectura recomendada en las 4 categorías)..jl a .md automáticamente y lo coloca en docs/src/generated/FOLDER/FILENAME.md .docs/src/generated/FOLDER/FILENAME.md . Judith Schepers ? ✅ ? | Benedikt Ehinger ? ✅ ? | René Skukies ? ✅ ? | Manpa Barman ? | Felipe Alday ? | David Kleinschmidt | Saket Saurabh ? |
suddha-bpn ? | Vladimir Mijeev ? | carmename | Maximilien Van Migem ? |
Este proyecto sigue la especificación de todos los contribuyentes.
¡Se aceptan aportes de cualquier tipo!
Por ahora, por favor cite
y/o Ehinger & Dimigen
Este trabajo contó inicialmente con el apoyo del Grupo de Cooperación "Modelos estadísticos para datos psicológicos y lingüísticos" del Centro de Investigación Interdisciplinaria de Bielefeld (ZiF).
Financiado por Deutsche Forschungsgemeinschaft (DFG, Fundación Alemana de Investigación) bajo la Estrategia de Excelencia de Alemania – EXC 2075 – 390740016
