Actflow
大脑活动流工具箱(Brain Activity Flow Toolbox，简称Actflow)。该工具箱有助于将大脑连接与任务诱发活动以及相关的认知和行为功能联系起来。主要重点是活动流映射及其相关方法。活动流映射是一个高度灵活的框架，通过更好的连接方法和创造性地使用该方法来更好地了解大脑功能。例如，活动流映射可用于推断是否涉及一个或多个大脑连接以产生特定功能。该方法还可用于将多个任务诱发的激活相互关联（例如，从另一个神经群体的活动中预测一个神经群体的活动）。一般说来，活动流映射可以被认为是创建网络编码模型，这是一种经验约束的神经网络模型。工具箱中包含的其他方法（可以选择与活动流映射一起使用）是静息态功能连接和任务态功能连接的高级版本。目前主要应用于fMRI数据，但原则上这些方法可以应用于任何类型的神经数据。此代码存储库由罗格斯大学的Cole神经认知实验室创建：http://www.colelab.org/。
网址：https://colelab.github.io/ActflowToolbox/
参考文章：Protocol for activity flow mapping of neurocognitive computations using the Brain Activity Flow Toolbox.
PyMVPA
将神经活动的模式解码到认知状态是功能性脑成像的核心目标之一。标准的单变量fMRI分析方法将认知和知觉功能与血氧水平依赖（BOLD）信号相关联，已被证明可以通过认知和知觉任务期间的信号增加来识别解剖区域。然而，目前许多研究证明，新的多变量技术比标准的单变量分析更灵活，更可靠，更灵敏。但很少有软件包可以促进fMRI数据的多变量模式分类分析。这里将给大家介绍一个基于Python的跨平台和开源软件工具箱--PyMVPA，用于将基于分类器的分析技术应用于fMRI数据集。PyMVPA利用Python访问各种编程语言和计算环境编写的库的能力，从而与大量现有的机器学习包进行交互。
网址：https://github.com/PyMVPA/PyMVPA
参考文章：PyMVPA: a Python Toolbox for Multivariate Pattern Analysis of fMRI Data.
Edge-centric time series analysis
边缘时间序列越来越多地用于脑成像，以最佳时间分辨率研究节点功能连接（nFC）动态。神经成像时间序列的边缘中心分析解释了为什么一些高振幅共波动能够驱动数据集之间的nFC，从而可以解释边缘FC矩阵，边缘群落，大型共波动和相应空间模式中的大多数变化。
网址：https://github.com/LNov/eFC
参考文章：A mathematical perspective on edge-centric brain functional connectivity.
Nilearn
Nilearn是一个Python模块，用于快速、轻松地对神经成像数据进行统计学习。支持基于一般线性模型（GLM）的分析，并利用scikit-learn Python工具箱进行多变量统计，应用程序包括预测建模、分类、解码或连接分析等。Nilearn现在包括了Nistats功能，相应网址如下，大家感兴趣的话，不妨打开看看。
网址：https://nilearn.github.io/stable/index.html
Nistats网址：https://nistats.github.io/
参考文章：A mathematical perspective on edge-centric brain functional connectivity.
Neuropredict
Neuropredict能够执行交叉验证，以增加后续的统计比较效能；追踪错误分类率(针对每个特征的类别和被试)；测量特征重要性；预测性能的统计比较；直观的可视化；支持分类和回归工作流；以及允许在嵌套CV中处理协变量和混淆因素。
网址：https://github.com/raamana/neuropredict
参考文章：Neuropredict: easy machine learning and standardized predictive analysis of biomarkers.
BrainIAK
BrainIAK是一个用于高级机器学习方法和高性能计算的开源Python软件包，可用于分析神经成像数据。BrainIAK中目前包含了多种技术：主体间相关(ISC)和主体间功能连接(ISFC)，通过共享响应模型(SRM)的功能对齐，全相关矩阵分析(FCMA)，贝叶斯版本的表征相似性分析(BRSA)，使用隐马尔可夫模型的事件分割，地形因子分析(TFA)，反向编码模型(IEMs)，实时动态磁共振成像，使用真实数据噪声特征的fMRI数据模拟器(fmrisim)，以及一些新兴方法。这些方法都有一个用户友好的教程（https://brainiak.org/tutorials/），从而更好地进行大脑和高级fMRI分析。
网址：https://brainiak.org/
参考文章：BrainIAK: The Brain Imaging Analysis Kit.
BrainStat
BrainStat是一个进行神经成像数据的统计分析和上下文解码的开源工具箱，该工具箱可在Python和MATLAB中实现。可用于基于体积和基于表面的脑成像数据集中的单变量和多变量线性模型，并与BigBrain图谱，Allen人脑图谱和Nimare数据库相连。BrainStat能够灵活地处理表面、体素等数据格式，并提供一系列交互式的可视化功能。
网址：https://github.com/MICA-MNI/BrainStat
参考文章：BrainStat: a toolbox for brain-wide statistics and multimodal feature associations.
The Decoding Toolbox (TDT)
TDT是一个易于使用、快速且通用的Matlab工具箱，用于对功能和结构MRI数据进行多变量分析。它包含探照灯，感兴趣区域和全脑分析，以及许多特征选择和参数选择方法，包括递归特征消除。新版本的TDT还允许快速有效地进行表征相似性分析。该工具箱针对SPM或AFNI的使用进行了优化，可以在较少或没有编程经验的情况下使用。
网址：https://sites.google.com/site/tdtdecodingtoolbox/
参考文章：The Decoding Toolbox (TDT): a versatile software package for multivariate analyses of functional imaging data.
PRoNTo
PRoNTo（Pattern Recognition for Neuroimaging Toolbox）是一个基于模式识别技术的软件工具箱，用于神经成像数据的分析。统计模式识别是机器学习中的一个领域，它涉及通过使用计算机算法自动发现数据中的规律，并利用这些规律来采取行动，例如将数据分类成不同的类别。在PRoNTo中，大脑扫描被视为空间模式，统计学习模型被用于识别数据的统计属性，这些属性可用于区分实验条件或组别(分类模型)，或者预测连续测量(回归模型)。PRoNTo是由Janaina Mourao-Miranda教授领导的国际研究团队开发的。
网址：http://www.mlnl.cs.ucl.ac.uk/pronto/index.html
参考文章：PRoNTo: Pattern Recognition for Neuroimaging Toolbox.
RSA
RSA（Representational Similarity Analysis，表征相似性分析）是一个基于Matlab的工具箱。该工具箱支持同时由数据和假设驱动的分析方法，旨在帮助将各种计算模型集成到由现代功能成像和神经元记录技术提供的多通道大脑活动测量的分析中，使用非参数推理方法对模型进行统计检验和比较。该工具箱支持基于探照灯的RSA，以连续映射测量的大脑体积，并搜索具有特定几何形状的神经元集群编码。
网址：https://github.com/rsagroup/rsatoolbox
参考文章：A Toolbox for Representational Similarity Analysis.
PCM
PCM（Pattern component modeling toolbox，模式成分建模工具箱）是一种评估表征模型的似然方法，模型指定神经活动的复杂模式如何与视觉刺激、运动动作或抽象思想相关。与编码模型类似，PCM评估模型预测新大脑活动模式的能力。然而，与编码模型不同的是，单个体素在各种条件（活动配置文件）中的活动不是直接拟合的。相反，PCM 集成了所有可能的活动配置文件，并计算由表征模型指定的活动配置文件分布下数据的边际似然。通过使用边际似然的解析表达式，PCM 能够灵活地拟合表征模型，其中可以从数据中估计不同特征集的相对强度和形式。
网址：https://github.com/jdiedrichsen/pcm_toolbox
参考文章：Pattern component modeling: A flexible approach for understanding the representational structure of brain activity patterns.
cvMANOVA
cvMANOVA（cross-validated MANOVA，MVPA的交叉验证MANOVA）是由Carsten Allefeld和John-Dylan Haynes创建的，该方法基于Matlab实现，是基于探照灯的fMRI多体素模式交叉验证MANOVA分析。
网址：https://github.com/allefeld/cvmanova
参考文章：Searchlight-based multi-voxel pattern analysis of fMRI by cross-validated MANOVA.
CBP tools
基于连接的区域分割工具(CBP)是一种通过远程连接进行区域映射的过程，揭示了感兴趣区域(ROI)内的大脑组织。该过程根据ROI体素/顶点与一组目标体素/顶点连接强度的相似性来对ROI体素/顶点进行聚类。每个ROI体素/顶点的连接配置文件反映了该体素/顶点与目标空间的连接情况。CBP tools是一款开源软件，目前支持两种神经成像模式：静息态BOLD时间序列（通常用于测量任务无关的功能连通性），以及概率性纤维示踪成像（用于估计解剖纤维连通性）。
网址：https://pypi.org/project/cbptools/
参考文章：CBPtools: a Python package for regional connectivity-based parcellation.
TAPAS
TAPAS（Translational Algorithms for Psychiatry-Advancing Science）是由转化神经建模部门（TNU，苏黎世）及其合作者开发的算法和软件工具集合，包括回归动态因果建模（rDCM）和ODE方法的连续扩展（ceode），以模拟有效连接和诱发反应。
DeepMReye
DeepMReye是一种卷积神经网络（CNN），可以从眼球的磁共振信号解码注视位置。它可以执行无摄像头眼动追踪，适用于训练数据很少且扫描范围广泛的扫描协议。关键是，它甚至可以在现有数据集和闭上眼睛的情况下正常工作，被解码的眼球运动也解释了网络范围内的大脑活动。DeepMReye强调了眼动追踪对fMRI结果解释的重要性，主要包括眼球定位，体素提取，模型训练和测试，以及基本性能测量等。
网址：https://github.com/DeepMReye/DeepMReye
参考文章：Magnetic resonance-based eye tracking using deep neural networks.
参考文献：
Carrisa V. Cocuzza, Ruben Sanchez-Romero, Michael W. Cole,. Protocol for activity flow mapping of neurocognitive computations using the Brain Activity Flow Toolbox. Volume 3, Issue 1, 2022, 101094, ISSN 2666-1667. https://doi.org/10.1016/j.xpro.2021.101094
Hanke, M., Halchenko, Y.O., Sederberg, P.B. et al. PyMVPA: a Python Toolbox for Multivariate Pattern Analysis of fMRI Data. Neuroinform 7, 37–53 (2009). https://doi.org/10.1007/s12021-008-9041-y
Novelli, L., Razi, A. A mathematical perspective on edge-centric brain functional connectivity. Nat Commun 13, 2693 (2022). https://doi.org/10.1038/s41467-022-29775-7
Raamana, P. R. (2017). Neuropredict: easy machine learning and standardized predictive analysis of biomarkers. November. https://doi. org/10.5281/zenodo, 1058993.
Kumar, M. , Anderson, M. J. , Antony, J. W. , Baldassano, C. , & Norman, K. A. . (2020). BrainIAK: The Brain Imaging Analysis Kit.
Reinder Vos de Wael, Şeyma Bayrak, Oualid Benkarim, Peer Herholz, Sara Larivière, Raul Rodriguez-Cruces, Casey Paquola, Seok-Jun Hong, Bratislav Misic, Alan C. Evans, Sofie L. Valk, Boris C. Bernhardt. BrainStat: a toolbox for brain-wide statistics and multimodal feature associations. bioRxiv 2022.01.18.476795; doi: https://doi.org/10.1101/2022.01.18.476795
Hebart, M. N. , Kai, G. , & John-Dylan, H. . (2014). The decoding toolbox (tdt): a versatile software package for multivariate analyses of functional imaging data. Frontiers in Neuroinformatics, 8.
Schrouff, J., Rosa, M.J., Rondina, J.M. et al. PRoNTo: Pattern Recognition for Neuroimaging Toolbox. Neuroinform 11, 319–337 (2013). https://doi.org/10.1007/s12021-013-9178-1
Hamed, Nili, Cai, Wingfield, Alexander, & Walther, et al. (2014). A toolbox for representational similarity analysis. PLoS Computational Biology, 10(4), e1003553.
Diedrichsen, J. , Yokoi, A. , & Arbuckle, S. A. . (2017). Pattern component modeling: a flexible approach for understanding the representational structure of brain activity patterns. Neuroimage, S1053811917306985.
Allefeld, C., & Haynes, J. D.. (2014). Searchlight-based multi-voxel pattern analysis of fmri by cross-validated manova. Neuroimage, 89(4), 345-357.
Reuter N, Genon S, Kharabian Masouleh S, Hoffstaedter F, Liu X, Kalenscher T, Eickhoff SB, Patil KR. CBPtools: a Python package for regional connectivity-based parcellation. Brain Struct Funct. 2020 May;225(4):1261-1275. doi: 10.1007/s00429-020-02046-1. Epub 2020 Mar 6. PMID: 32144496; PMCID: PMC7271019.
Frässle S, Lomakina EI, Razi A, Friston KJ, Buhmann JM, Stephan KE. Regression DCM for fMRI. Neuroimage. 2017 Jul 15;155:406-421. doi: 10.1016/j.neuroimage.2017.02.090. Epub 2017 Mar 1. PMID: 28259780.
Frey, M., Nau, M. & Doeller, C.F. Magnetic resonance-based eye tracking using deep neural networks. Nat Neurosci 24, 1772–1779 (2021). https://doi.org/10.1038/s41593-021-00947-w
小伙伴们点个“在看”，加
(星标)关注茗创科技，将第一时间收到精彩内容推送哦～
