Unfold.jl

Оценка	Визуализация	Моделирование	Конвейер предложений	Декодирование	Статистика

Набор инструментов для выполнения линейной/GAM/иерархической/деконволюционной регрессии биологических сигналов.

Этот вид моделирования также известен как моделирование кодирования, линейная деконволюция, функции временного отклика (TRF), идентификация линейной системы и, возможно, под другими названиями. Также поддерживаются модели фМРТ с функциями HRF и расширения зрачков.

Начиная

?Пользователь Python?

Мы определенно рекомендуем Джулию, но пользователи Python могут использовать juliacall/Unfold прямо из Python!

Юля инсталляция

Нажмите, чтобы развернуть

Рекомендуемый способ установки Julia — juliaup. Это позволяет вам, например, легко обновлять Julia позднее, а также тестировать альфа/бета-версии и т. д.

ТЛ: ДР; Если вы не хотите читать явные инструкции, просто скопируйте следующую команду

Окна

AppStore -> JuliaUp или winget install julia -s msstore в CMD

Мак и Линукс

curl -fsSL https://install.julialang.org | sh в любой оболочке

Установка Unfold.jl

 using Pkg
Pkg . add ( " Unfold " )

Использование

Пожалуйста, ознакомьтесь с документацией, где вы найдете подробные руководства, объяснения и многое другое!

Типп в Документах

Вы можете прочитать документацию онлайн: - или использовать функцию ?fit , ?effects julia-REPL. Чтобы фильтровать документы, используйте, например ?fit(::UnfoldModel)

Вот краткий обзор того, чего ожидать.

Что вам нужно

 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)

Чтобы соответствовать любой из моделей, Unfold.jl предлагает унифицированный синтаксис:

Коррекция перекрытия	Смешанное моделирование	синтаксис Джулии
		fit(UnfoldModel,[Any=>(f,times)),evts,data_epoch]
х		fit(UnfoldModel,[Any=>(f,basis)),evts,data]
	х	fit(UnfoldModel,[Any=>(fLMM,times)),evts,data_epoch]
х	х	fit(UnfoldModel,[Any=>(fLMM,basis)),evts,data]

Сравнение с Unfold (matlab)

Нажмите, чтобы развернуть

Версия Matlab все еще поддерживается, но в Julia ведется активная разработка.

Особенность	Развернуть	несмешанный (несуществующий)	Развернуть.jl
коррекция перекрытия	х	х	х
нелинейные сплайны	х	х	х
скорость			⚡ 2-100х
Поддержка графического процессора
инструменты для построения графиков	х		РазвернутьMakie.jl
Интерактивное построение графиков			следите за обновлениями - скоро!
инструменты моделирования	х		РазвернутьSim.jl
Поддержка БИДС	х		альфа: UnfoldBIDS.jl)
проверки работоспособности	х		х
обучающие программы	х		х
юнит-тесты	х		х
Альтернативные основания, например, HRF (фМРТ)			х
смешивать разные базисные функции			х
разные временные окна для каждого события			х
смешанные модели		х	х
Эффекты предметов и предметов		(х)	х
декодирование			РазвернутьDecode.jl
очень устойчивые подгонки			много вариантов (но медленнее)
?Поддержка Python			через Джулиаколл

Взносы

Взносы очень приветствуются. Это могут быть опечатки, отчеты об ошибках, запросы функций, оптимизация скорости, новые решатели, лучший код, лучшая документация.

Как внести свой вклад

Добро пожаловать, чтобы поднимать вопросы и начинать запросы на включение!

Добавление документации

1. Мы рекомендуем написать документ Literate.jl и поместить его в docs/literate/FOLDER/FILENAME.jl , где FOLDER будет иметь HowTo , Explanation , Tutorial или Reference (рекомендуется прочитать по 4 категориям).
2. Literate.jl автоматически преобразует файл .jl в .md и помещает его в docs/src/generated/FOLDER/FILENAME.md .
3. Отредактируйте файл make.jl, указав ссылку на docs/src/generated/FOLDER/FILENAME.md .

Авторы

Джудит Шеперс ? ✅ ? ️	Бенедикт Эхингер ? ✅ ? ️ ? ️ ? ?	Рене Скукиес ? ✅ ?	Манпа Бармен ?	Филипп Алдей ?	Дэйв Кляйншмидт	Сакет Саураб ?
шуддха-бпн ?	Владимир Михеев ?	Карменамма	Максимилиан Ван Мигем ?

Этот проект соответствует спецификации всех участников.

Любой вклад приветствуется!

Цитирование

А пока, пожалуйста, процитируйте

и/или Эхингер и Димиген

Благодарности

Первоначально эта работа поддерживалась Центром междисциплинарных исследований Билефельдской группы сотрудничества «Статистические модели психологических и лингвистических данных».

Финансируется Deutsche Forschungsgemeinschaft (DFG, Немецкий исследовательский фонд) в рамках стратегии превосходства Германии – EXC 2075 – 390740016