直接用code说话，如下：
脑网络机器学习工具包NS_CPM
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。
BrainNetClass：一个新兴脑信号分类机器学习工具包
BrainNetClass是一个2020年发布的集网络构建、特征输出、特征选择、交叉验证和支持向量机(libsvm)分类一体的工具包。
BrainNetClass 确实如其初衷一样，非常的便捷！但值得注意的是， BrainNetClass 只能用于分类，而且是二分类，不支持多分类(GUI模式)，不支持回归（除非用batch模式大改）。但是对于做二元分类来说，比如区分疾病与健康被试，是很便捷的。
转录组-影像空间关联分析
背景知识
基因探针（probe）：是一段带有检测标记，且顺序已知的，与目的基因互补的核酸序列(DNA或RNA，单链)。
转录组测序：对细胞内所有转录产物（各种RNA）的集合进行测序（主要技术：RNA-Seq）。不同组织样本的转录产物不同，工程量浩大。
打开黑匣——MRI数据是什么样的？
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：
ROI 和 mask: 脑地图的操作——二维投射到三维
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。
打开黑匣——机器学习特征篇之从矩阵到向量到矩阵
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。
关于全脑信号回归的争议
关键词：GSR；rsfmri；fMRI；预处理；preprocess
The global signal (GS) is a time course obtained by averaging resting-state time series over the entire brain (Desjardins et al., 2001; Macey et al., 2004).
对GSR争论的看法：
ROI 和 mask: 脑地图的操作——救急，我的mask没有labels！
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。