<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>科研 on 桑峰</title><link>https://isangfeng.github.io/categories/%E7%A7%91%E7%A0%94/</link><description>Recent content in 科研 on 桑峰</description><generator>Hugo -- gohugo.io</generator><language>zh-cn</language><copyright>© 2026 桑峰</copyright><lastBuildDate>Mon, 25 Sep 2023 00:00:00 +0000</lastBuildDate><atom:link href="https://isangfeng.github.io/categories/%E7%A7%91%E7%A0%94/index.xml" rel="self" type="application/rss+xml"/><item><title>周总结-心理统计学笔记</title><link>https://isangfeng.github.io/posts/2023/09/20230925_weeklynotes/</link><pubDate>Mon, 25 Sep 2023 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2023/09/20230925_weeklynotes/</guid><description>&lt;h2 class="relative group"&gt;单样本设计
 &lt;div id="单样本设计" class="anchor"&gt;&lt;/div&gt;
 
 &lt;span
 class="absolute top-0 w-6 transition-opacity opacity-0 -start-6 not-prose group-hover:opacity-100 select-none"&gt;
 &lt;a class="text-primary-300 dark:text-neutral-700 !no-underline" href="#%e5%8d%95%e6%a0%b7%e6%9c%ac%e8%ae%be%e8%ae%a1" aria-label="锚点"&gt;#&lt;/a&gt;
 &lt;/span&gt;
 
&lt;/h2&gt;

&lt;h3 class="relative group"&gt;单样本的z检验
 &lt;div id="单样本的z检验" class="anchor"&gt;&lt;/div&gt;
 
 &lt;span
 class="absolute top-0 w-6 transition-opacity opacity-0 -start-6 not-prose group-hover:opacity-100 select-none"&gt;
 &lt;a class="text-primary-300 dark:text-neutral-700 !no-underline" href="#%e5%8d%95%e6%a0%b7%e6%9c%ac%e7%9a%84z%e6%a3%80%e9%aa%8c" aria-label="锚点"&gt;#&lt;/a&gt;
 &lt;/span&gt;
 
&lt;/h3&gt;
&lt;p&gt;统计量计算公式：\(z_{obt}=\frac{\overline{X}_{obt}-\mu}{\sigma/\sqrt{N}}\).&lt;/p&gt;</description></item><item><title>《心理统计学》笔记</title><link>https://isangfeng.github.io/posts/2023/08/20230810_statisnotes/</link><pubDate>Thu, 10 Aug 2023 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2023/08/20230810_statisnotes/</guid><description>&lt;p&gt;拒绝零假设不意味着我们了解总体均数之间的差异大小，因为即使一个很小的差异，在足够大的样本量下，依旧可以得到显著的结果。总体均数间的差异大小可以通过构建均数的置信区间或者计算效应量来评估。&lt;/p&gt;</description></item><item><title>典型相关分析CCA</title><link>https://isangfeng.github.io/posts/2023/05/practiceaboutcca/</link><pubDate>Wed, 10 May 2023 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2023/05/practiceaboutcca/</guid><description>&lt;p&gt;典型相关分析（Canonical Correlation Analysis, CCA）可以计算两组变量（每组变量包含多个变量）之间的相关。参考Pearson相关，它只能计算两个变量之间的相关。本文主要介绍笔者在使用CCA的过程中的理解，可能存在不准确的地方。详细的原理，请参考：&lt;a href="https://www.cnblogs.com/pinard/p/6288716.html" target="_blank" rel="noreferrer"&gt;https://www.cnblogs.com/pinard/p/6288716.html&lt;/a&gt;。&lt;/p&gt;</description></item><item><title>论文写作：完美诞生自计划</title><link>https://isangfeng.github.io/posts/2023/04/writeapaper/</link><pubDate>Thu, 13 Apr 2023 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2023/04/writeapaper/</guid><description>&lt;p&gt;本文摘选自《心理学最佳入门》（【美】桑德拉·切卡莱丽 诺兰·怀特著 周仁来等译）。&lt;/p&gt;</description></item><item><title>配准方法示例</title><link>https://isangfeng.github.io/posts/2022/2022-07-07-register/</link><pubDate>Thu, 07 Jul 2022 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2022/2022-07-07-register/</guid><description>&lt;p&gt;配准可以把不同空间中的脑影像进行对齐。典型地，在下面场景中就需要用到配准。&lt;/p&gt;</description></item><item><title>对PET图像进行归中心处理</title><link>https://isangfeng.github.io/posts/2022/2022-03-24-resetorigin/</link><pubDate>Thu, 24 Mar 2022 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2022/2022-03-24-resetorigin/</guid><description>&lt;p&gt;本段代码参考自：https://github.com/DlutMedimgGroup/Chinese-Brain-PET-Template/blob/master/Matlab%20Scripts/Reset_Origin.m&lt;/p&gt;</description></item><item><title>FreeSurfer笔记[2]</title><link>https://isangfeng.github.io/posts/2022/2022-03-15-curvatureoffreesurfer/</link><pubDate>Tue, 15 Mar 2022 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2022/2022-03-15-curvatureoffreesurfer/</guid><description>&lt;h2 class="relative group"&gt;The measures about curvatures
 &lt;div id="the-measures-about-curvatures" class="anchor"&gt;&lt;/div&gt;
 
 &lt;span
 class="absolute top-0 w-6 transition-opacity opacity-0 -start-6 not-prose group-hover:opacity-100 select-none"&gt;
 &lt;a class="text-primary-300 dark:text-neutral-700 !no-underline" href="#the-measures-about-curvatures" aria-label="锚点"&gt;#&lt;/a&gt;
 &lt;/span&gt;
 
&lt;/h2&gt;

&lt;h3 class="relative group"&gt;mris_curvature_stats
 &lt;div id="mris_curvature_stats" class="anchor"&gt;&lt;/div&gt;
 
 &lt;span
 class="absolute top-0 w-6 transition-opacity opacity-0 -start-6 not-prose group-hover:opacity-100 select-none"&gt;
 &lt;a class="text-primary-300 dark:text-neutral-700 !no-underline" href="#mris_curvature_stats" aria-label="锚点"&gt;#&lt;/a&gt;
 &lt;/span&gt;
 
&lt;/h3&gt;
&lt;p&gt;?h.smoothwm.xxx.crv is the the binary-curvature files where xxx is the different measures. Detailed descriptation is as follows:&lt;/p&gt;</description></item><item><title>FreeSurfer笔记[1]</title><link>https://isangfeng.github.io/posts/2022/2022-03-11-freesurfer/</link><pubDate>Fri, 11 Mar 2022 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2022/2022-03-11-freesurfer/</guid><description>&lt;h2 class="relative group"&gt;Outputs
 &lt;div id="outputs" class="anchor"&gt;&lt;/div&gt;
 
 &lt;span
 class="absolute top-0 w-6 transition-opacity opacity-0 -start-6 not-prose group-hover:opacity-100 select-none"&gt;
 &lt;a class="text-primary-300 dark:text-neutral-700 !no-underline" href="#outputs" aria-label="锚点"&gt;#&lt;/a&gt;
 &lt;/span&gt;
 
&lt;/h2&gt;
&lt;p&gt;FreeSurfer首先去除颅骨（stripped skull），生成brainmask.mgz文件，并进一步分出灰质、白质和皮下结构，保存在aseg.mgz文件中。与此同时，得到白质/灰质的初步估计（?h.orig），随后对分界面进行进一步的调整得到?j.white。在?h.white的基础上，分界面继续向外膨胀得到?h.pial，并进一步膨胀得到?h.inflated。?h.sphere为?h.inflated膨胀形成的球面。可以用来与其他空间图像进行配准（例如fsaverage）。&lt;/p&gt;</description></item><item><title>CIFTI文件的读取和可视化</title><link>https://isangfeng.github.io/posts/2022/2022-02-22-readcifti/</link><pubDate>Tue, 22 Feb 2022 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2022/2022-02-22-readcifti/</guid><description>&lt;p&gt;CIFTI (Connectivity Informatics Technology Initiative) 是HCP项目中开发的神经影像存储格式。具体可参考2016年Glasser等人发表的文章(Glasser et al., Nature neuroscience, 2015)。开发者在GitHub上提供了读写的MATLAB工具包，可在此处下载：https://github.com/Washington-University/cifti-matlab。&lt;/p&gt;</description></item><item><title>下载templateflow</title><link>https://isangfeng.github.io/posts/2022/2022-02-18-templateflow/</link><pubDate>Fri, 18 Feb 2022 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2022/2022-02-18-templateflow/</guid><description>&lt;p&gt;templateflow中包含了一些典型的神经影像脑模版，可在fmriprep等工具中使用。本文主要介绍如何下载templateflow。&lt;/p&gt;</description></item><item><title>确定图像中的cluster</title><link>https://isangfeng.github.io/posts/2022/2022-01-19-findcluster/</link><pubDate>Wed, 19 Jan 2022 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2022/2022-01-19-findcluster/</guid><description>&lt;h1 class="relative group"&gt;问题
 &lt;div id="问题" class="anchor"&gt;&lt;/div&gt;
 
 &lt;span
 class="absolute top-0 w-6 transition-opacity opacity-0 -start-6 not-prose group-hover:opacity-100 select-none"&gt;
 &lt;a class="text-primary-300 dark:text-neutral-700 !no-underline" href="#%e9%97%ae%e9%a2%98" aria-label="锚点"&gt;#&lt;/a&gt;
 &lt;/span&gt;
 
&lt;/h1&gt;
&lt;p&gt;我们在对神经影像数据做完统计后（例如ICA），会得到相应的mask二值文件。但是有些情况下，我们还需要进一步对mask中每一个cluster进行分析（例如计算mask中每个cluster之间的功能连接）。所以我们需要从mask文件中得到每一个cluster。由于没有想到有哪个现成的工具包可以解决上述的问题。因此，本文试图用自己的方式去解决上述的问题。&lt;/p&gt;</description></item><item><title>Python for Neuroimage data</title><link>https://isangfeng.github.io/posts/2021/2021-11-20-pythonforneuroimage/</link><pubDate>Sat, 20 Nov 2021 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2021/2021-11-20-pythonforneuroimage/</guid><description>&lt;h2 class="relative group"&gt;DICOM文件
 &lt;div id="dicom文件" class="anchor"&gt;&lt;/div&gt;
 
 &lt;span
 class="absolute top-0 w-6 transition-opacity opacity-0 -start-6 not-prose group-hover:opacity-100 select-none"&gt;
 &lt;a class="text-primary-300 dark:text-neutral-700 !no-underline" href="#dicom%e6%96%87%e4%bb%b6" aria-label="锚点"&gt;#&lt;/a&gt;
 &lt;/span&gt;
 
&lt;/h2&gt;
&lt;p&gt;DICOM格式是医学成像设备输出的统一的文件格式，它包含数据头信息和数据信息两部分。其中头信息包含扫描设备的信息以及被试的信息等，另外还包括其他关于数据的元信息。数据部分是扫描设备采集到扫描物体的信号值。&lt;/p&gt;</description></item><item><title>Toolbox for WMH</title><link>https://isangfeng.github.io/posts/2021/2021-11-07-wmh/</link><pubDate>Sun, 07 Nov 2021 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2021/2021-11-07-wmh/</guid><description>&lt;h2 class="relative group"&gt;介绍
 &lt;div id="介绍" class="anchor"&gt;&lt;/div&gt;
 
 &lt;span
 class="absolute top-0 w-6 transition-opacity opacity-0 -start-6 not-prose group-hover:opacity-100 select-none"&gt;
 &lt;a class="text-primary-300 dark:text-neutral-700 !no-underline" href="#%e4%bb%8b%e7%bb%8d" aria-label="锚点"&gt;#&lt;/a&gt;
 &lt;/span&gt;
 
&lt;/h2&gt;
&lt;p&gt;白质高信号（white matter hyperintensity, WMH）是一种因脑白质病变导致的、在T2 Flari像上表现为高灰质值的现象。在相关研究中，确定白质高信号区域是一个基本的问题。一般认为，由专业的影像科医生或受过培训的人员手动分割的结果是金标准。然而，手动分割费时费力。因而，研究者提出了许多自动半自动的分割工具。本文将对几种常用的白质高信号自动分割工具的用法进行简单介绍。&lt;/p&gt;</description></item><item><title>周总结-GRETNA/CAT12</title><link>https://isangfeng.github.io/posts/2021/2021-08-30-weeksummary/</link><pubDate>Mon, 30 Aug 2021 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2021/2021-08-30-weeksummary/</guid><description>&lt;p&gt;本文记录了上周笔者在使用GRETNA和CAT12中遇到的一些问题和想法。&lt;/p&gt;</description></item><item><title>医学影像技术笔记-01-DICOM文件方向</title><link>https://isangfeng.github.io/posts/2021/2021-06-02-mi-01/</link><pubDate>Wed, 02 Jun 2021 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2021/2021-06-02-mi-01/</guid><description>&lt;p&gt;本文为B站up主&lt;a href="https://space.bilibili.com/475985153?spm_id_from=333.788.b_765f7570696e666f.1" target="_blank" rel="noreferrer"&gt;@智能医学成像-贾广&lt;/a&gt;相关视频的笔记。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;DICOM&lt;/strong&gt; (Digital Imaging and Communications in Medicine) 是医学成像领域通用的数据格式，被广泛应用于各种医学成像设备当中，包括但不限于CT、超声、核磁共振等设备。&lt;/p&gt;</description></item><item><title>R语言基本统计</title><link>https://isangfeng.github.io/posts/2021/2021-05-04-r-basic-statistic/</link><pubDate>Tue, 04 May 2021 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2021/2021-05-04-r-basic-statistic/</guid><description>&lt;p&gt;本文为笔者在学习b站up主@&lt;a href="https://space.bilibili.com/43536169?spm_id_from=333.788.b_765f7570696e666f.1" target="_blank" rel="noreferrer"&gt;学术数据分析及可视化&lt;/a&gt;相关视频的笔记。文中只是笔者个人的理解，描述也只是便于自己理解。在使用相关内容时，还需要进一步查看相关的手册或帮助文档。&lt;/p&gt;

&lt;h2 class="relative group"&gt;相关
 &lt;div id="相关" class="anchor"&gt;&lt;/div&gt;
 
 &lt;span
 class="absolute top-0 w-6 transition-opacity opacity-0 -start-6 not-prose group-hover:opacity-100 select-none"&gt;
 &lt;a class="text-primary-300 dark:text-neutral-700 !no-underline" href="#%e7%9b%b8%e5%85%b3" aria-label="锚点"&gt;#&lt;/a&gt;
 &lt;/span&gt;
 
&lt;/h2&gt;
&lt;p&gt;cor()用于计算两个向量的相关系数。ggm::pcor()用于计算偏相关系数。这两个函数只能计算相关系数。cor.test(), psych::cor.test和psych::pcor.test()分别计算相关系数和偏相关系数及其显著性检验的结果。&lt;/p&gt;</description></item><item><title>什么是效应量？</title><link>https://isangfeng.github.io/posts/2021/2021-04-14-effectsize/</link><pubDate>Wed, 14 Apr 2021 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2021/2021-04-14-effectsize/</guid><description>&lt;p&gt;统计当中，假设检验和P值可以给我们提供关于假设为真的可能性。例如双样本t检验可以报告两组样本所对应总体均值存在差异的可能性。若可能性小于一个比较小的值（通常设置为0.05），那我们认为在&lt;em&gt;一次&lt;/em&gt;试验中，小概率事件不可能发生，所以拒绝零假设成立。但是我们只是知道了这两组有多大的概率相等，并不知道两组具体有多大的差异。因此我们需要引入效应量的概念。&lt;/p&gt;</description></item><item><title>fMRI上广义线性模型建模简述</title><link>https://isangfeng.github.io/posts/2021/2021-04-09-fmriglm/</link><pubDate>Fri, 09 Apr 2021 00:00:00 +0000</pubDate><guid>https://isangfeng.github.io/posts/2021/2021-04-09-fmriglm/</guid><description>&lt;p&gt;在对&lt;strong&gt;fMRI&lt;/strong&gt;数据，尤其是&lt;strong&gt;task-fMRI&lt;/strong&gt;数据进行分析的时候，利用广义线性模型进行建模是很重要的一步。这里简单记录一下自己关于这部分的理解。&lt;/p&gt;</description></item></channel></rss>