Unfold.jl

Estimativa	Visualização	Simulação	Pipeline de lances	Decodificação	Estatísticas

Caixa de ferramentas para realizar regressão linear/GAM/hierárquica/desconvolução em sinais biológicos.

Este tipo de modelagem também é conhecido como modelagem de codificação, deconvolução linear, Funções de Resposta Temporal (TRFs), identificação de sistema linear e provavelmente sob outros nomes. Modelos de fMRI com funções baseadas em HRF e bases de dilatação da pupila também são suportados.

Começando

?Usuário Python?

Recomendamos claramente Julia - mas os usuários de Python podem usar juliacall/Unfold diretamente do python!

Instalação Júlia

Clique para expandir

A forma recomendada de instalar o julia é juliaup. Ele permite, por exemplo, atualizar facilmente o Julia posteriormente, mas também testar versões alfa/beta, etc.

TL:DR; Se você não quiser ler as instruções explícitas, basta copiar o seguinte comando

Windows

AppStore -> JuliaUp ou winget install julia -s msstore no CMD

Mac e Linux

curl -fsSL https://install.julialang.org | sh em qualquer shell

Instalação do Unfold.jl

 using Pkg
Pkg . add ( " Unfold " )

Uso

Por favor, verifique a documentação para tutoriais extensos, explicações e muito mais!

Dica no Documentos

Você pode ler os documentos online: - ou usar o recurso ?fit , ?effects julia-REPL. Para filtrar documentos, use, por exemplo ?fit(::UnfoldModel)

Aqui está uma rápida visão geral do que esperar.

O que você precisa

 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 se adequar a qualquer um dos modelos, Unfold.jl oferece uma sintaxe unificada:

Correção de sobreposição	Modelagem Mista	sintaxe de Júlia
		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]

Comparação com desdobramento (matlab)

Clique para expandir

A versão matlab ainda é mantida, mas o desenvolvimento ativo acontece em Julia.

Recurso	Desdobrar	não misturado (extinto)	Desdobrar.jl
correção de sobreposição	x	x	x
splines não lineares	x	x	x
velocidade			⚡ 2-100x
Suporte para GPU
ferramentas de plotagem	x		UnfoldMakie.jl
Plotagem interativa			fique ligado - em breve!
ferramentas de simulação	x		UnfoldSim.jl
Suporte a lances	x		alfa: UnfoldBIDS.jl)
verificações de sanidade	x		x
tutoriais	x		x
testes unitários	x		x
Bases alternativas, por exemplo, HRF (fMRI)			x
misturar diferentes funções básicas			x
diferentes janelas de tempo por evento			x
modelos mistos		x	x
efeitos de item e assunto		(x)	x
decodificação			UnfoldDecode.jl
ajustes robustos atípicos			muitas opções (mas mais lentas)
?Suporte Python			via juliacall

Contribuições

Contribuições são muito bem-vindas. Podem ser erros de digitação, relatórios de bugs, solicitações de recursos, otimização de velocidade, novos solucionadores, código melhor, documentação melhor.

Como contribuir

Você é muito bem-vindo para levantar questões e iniciar solicitações pull!

Adicionando Documentação

1. Recomendamos escrever um documento Literate.jl e colocá-lo em docs/literate/FOLDER/FILENAME.jl com FOLDER sendo HowTo , Explanation , Tutorial ou Reference (leitura recomendada nas 4 categorias).
2. Literate.jl converte o arquivo .jl em .md automaticamente e o coloca em docs/src/generated/FOLDER/FILENAME.md .
3. Edite make.jl com uma referência a docs/src/generated/FOLDER/FILENAME.md .

Colaboradores

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

Este projeto segue a especificação de todos os contribuidores.

Contribuições de qualquer tipo são bem-vindas!

Citação

Por enquanto, por favor cite

e/ou Ehinger & Dimigen

Agradecimentos

Este trabalho foi inicialmente apoiado pelo Centro de Pesquisa Interdisciplinar, Bielefeld (ZiF) Grupo de Cooperação "Modelos estatísticos para dados psicológicos e linguísticos".

Financiado pela Deutsche Forschungsgemeinschaft (DFG, Fundação Alemã de Pesquisa) sob a Estratégia de Excelência da Alemanha – EXC 2075 – 390740016