NS_CPM是本站开发的用于连接组信号进行机器学习分析的GUI工具包。NS_CPM使用一元线性模型、lasso回归或者相关向量回归(rvr)预测连续的行为变量，且搭建好了广泛使用的k-fold交叉验证框架和置换检验。NS_CPM可以输出重叠（Overlapping）的特征，用于特征泛化。NS_CPM提供简明的可视化操作，以及高自由度的脚本操作。其所有功能均支持并行运算，可以快速地在高性能服务器上开展数据分析工作，且已在MATLAB2010a及以上版本(WIN/LINUX)测试通过。
有时候我们会为了吸引被试参与实验，承诺给被试测验报告。当样本量很大的时候，这可能会涉及很大的工作量。
在这里，我提供了一种简易的方法。可以批量输出图文并茂的测验报告，同时可以在线查询。
既然要简单，我们就不整数据库那一套了。这个方法主要是利用HTML格式丰富且易编辑的特点
MRI数据是磁共振设备为大脑拍摄的“照片”，直观的理解它就是很多幅图片。
比如一张结构像：
mask通常是一个二维或者三维的矩阵，它的存在是为了提取某些区域的信息，或者说将关注点聚焦到某些区域。三维的mask可以直接还原到原来的空间。二维的mask通常是做功能连接组分析时输出的结果，它表示选择了某些ROI，或者某些ROI通过了检验等等。为了可视化或者其它原因，可能需要将二维的mask投射回三维空间，输出三维mask。
对于连接组机器学习来说，其特征（也可理解为自变量）就是功能连接矩阵，例如最常见的相关矩阵。
通常，特征以向量形式存在于分析过程中，即一行或者一列数据即为一个特征向量。而相关矩阵显然不满足这个要求，因此我们需要对它进行转换。有时候我们需要计算overlapping的边用于展示或者验证，又需要将特征向量投射回原来的矩阵。
有时候，我们得到的mask并没有标明其ROI节点属于什么区域，例如power264模板。当然我们可以逐个按照坐标查询，也可以用各种viewer逐个的可视化查询。但这种操作也都存在一个问题，即不好处理当ROI跨越多个区域的情况。
因此，我们可以将mask映射到已有label的模板上，例如AAL、brodman等等。
很荣幸在我初进组的时候，得到老师的信任，让我来负责这样一个大型项目的行为数据收集工作。尽管遇到很多困难，但在大家的共同努力下，最终不负使命。离最初开始这个项目已经过去了两年，在这里，简单的记录一下部分工作内容。
贪吃蛇是一个非常经典简单的游戏
小蛇 > 吃东西 > 变大蛇
那怎么变成计算机语言呢？
首先我们来理理这个逻辑
CPM (connectome-based predictive modeling) 是近些年流行的神经影像分析方法之一。研究者通常借助CPM方法，探究某些认知特征背后的神经连接组模式。关于CPM的具体细节在Xilin Shen于2017年在nature protocol上发表文章中有详细阐述。以下为该文章的部分总结，可以供初学者了解。