Unfold.jl

Perkiraan	Visualisasi	Simulasi	Saluran BIDS	Penguraian kode	Statistik

Toolbox untuk melakukan regresi linier / GAM / hierarki / dekonvolusi pada sinyal biologis.

Pemodelan semacam ini juga dikenal sebagai pemodelan pengkodean, dekonvolusi linier, Fungsi Respons Temporal (TRF), identifikasi sistem linier, dan mungkin dengan nama lain. Model fMRI dengan fungsi berbasis HRF dan basis pelebaran pupil juga didukung.

Memulai

?Pengguna Python?

Kami jelas merekomendasikan Julia - tetapi pengguna Python dapat menggunakan juliacall/Unfold langsung dari python!

Instalasi Julia

Klik untuk memperluas

Cara yang disarankan untuk menginstal julia adalah juliaup. Hal ini memungkinkan Anda, misalnya, dengan mudah memperbarui Julia di lain waktu, tetapi juga menguji versi alfa/beta, dll.

PENJELASAN: DR; Jika Anda tidak ingin membaca instruksi eksplisit, cukup salin perintah berikut

jendela

AppStore -> JuliaUp, atau winget install julia -s msstore di CMD

Mac & Linux

curl -fsSL https://install.julialang.org | sh di cangkang apa pun

Instalasi Unfold.jl

 using Pkg
Pkg . add ( " Unfold " )

Penggunaan

Silakan periksa dokumentasi untuk tutorial ekstensif, penjelasan, dan banyak lagi!

Tip di Dokumen

Anda dapat membaca dokumen secara online: - atau menggunakan fitur ?fit , ?effects julia-REPL. Untuk memfilter dokumen, gunakan misalnya ?fit(::UnfoldModel)

Berikut ini ikhtisar singkat tentang apa yang diharapkan.

Apa yang Anda butuhkan

 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)

Agar sesuai dengan model mana pun, Unfold.jl menawarkan sintaksis terpadu:

Koreksi Tumpang Tindih	Pemodelan Campuran	sintaksis Julia
		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]

Perbandingan dengan Unfold (matlab)

Klik untuk memperluas

Versi matlab masih dipertahankan, namun pengembangan aktif terjadi di Julia.

Fitur	Berkembang	tidak tercampur (tidak berfungsi)	Terungkap.jl
koreksi tumpang tindih	X	X	X
spline non-linier	X	X	X
kecepatan			⚡ 2-100x
dukungan GPU
alat merencanakan	X		TerungkapMakie.jl
Plot interaktif			pantau terus - segera hadir!
alat simulasi	X		BukaSim.jl
dukungan tawaran	X		alfa: UnfoldBIDS.jl)
pemeriksaan kewarasan	X		X
tutorial	X		X
unittest	X		X
Basis alternatif misalnya HRF (fMRI)			X
mencampur fungsi dasar yang berbeda			X
jendela waktu yang berbeda per acara			X
model campuran		X	X
item & efek subjek		(X)	X
penguraian kode			UnfoldDecode.jl
kecocokan yang sangat kuat			banyak pilihan (tetapi lebih lambat)
?Dukungan python			melalui juliacall

Kontribusi

Kontribusi sangat diharapkan. Ini bisa berupa kesalahan ketik, laporan bug, permintaan fitur, optimasi kecepatan, pemecah baru, kode yang lebih baik, dokumentasi yang lebih baik.

Cara Berkontribusi

Anda dipersilakan untuk menyampaikan masalah dan memulai permintaan penarikan!

Menambahkan Dokumentasi

1. Kami merekomendasikan untuk menulis dokumen Literate.jl dan menempatkannya di docs/literate/FOLDER/FILENAME.jl dengan FOLDER menjadi HowTo , Explanation , Tutorial atau Reference (disarankan membaca pada 4 kategori).
2. Literate.jl mengonversi file .jl menjadi .md secara otomatis dan menempatkannya di docs/src/generated/FOLDER/FILENAME.md .
3. Edit make.jl dengan referensi ke docs/src/generated/FOLDER/FILENAME.md .

Kontributor

Judith Schepers ? ✅ ? ️	Benediktus Ehinger ? ✅ ? ️ ? ️ ? ?	René Skukies ? ✅ ?	Manpa Bartender ?	Phillip Alday ?	Dave Kleinschmidt	Saket Saurabh ?
suddha-bpn ?	Vladimir Mikheev ?	carmenamme	Maximilien Van Migem ?

Proyek ini mengikuti spesifikasi semua kontributor.

Kontribusi apa pun diterima!

Kutipan

Untuk saat ini, silakan kutip

dan/atau Ehinger & Dimigen

Ucapan Terima Kasih

Karya ini awalnya didukung oleh Pusat Penelitian Interdisipliner, Kelompok Kerjasama Bielefeld (ZiF) "Model statistik untuk data psikologis dan linguistik".

Didanai oleh Deutsche Forschungsgemeinschaft (DFG, German Research Foundation) di bawah Strategi Keunggulan Jerman – EXC 2075 – 390740016