脑影像分析中，我们常常会针对性的对某些感兴趣区域进行分析，而对它们进行分析的前提是获取该区域的mask。感兴趣区域可以用以某些坐标为球心的球形区域定义，也可以用脑图谱上对应的某些脑区定义，其中，后者是较为常见的，也是我们今天要讨论的。脑图谱是一类特殊脑影像，它的每一个位置上不是信号值，而是脑区编号（标签），这也就意味着我们可以通过感兴趣区域的脑区编号，得到对应的感兴趣区域位置的集合，它也就是感兴趣

   分析大脑解剖学差异最常用方法之一是基于体素的形态学方法（voxel-based morphometry, VBM）。 VBM的基本思想是测量大脑组织，尤其是灰质的局部浓度的差异。在大脑的每个体素处进行操作，然后在两个或多个实验组之间进行统计比较，从而在受调查的组之间建立特定大脑区域中脑组织浓度的统计学显着差异。 VBM分析基于（高分辨率）MRI脑部扫描，涉及大量处理步骤，主要是空间归一化，分

一个连接由节点和连接强度（边）组成。功能连接中的节点可以是单个体素，也可以是由脑图谱定义的脑区ROI。通常的做法是将脑图谱中多个或者全部ROI作为节点，或者是将脑图谱中单个ROI与全脑体素作为节点。定义连接强度（边），最常用的方式是Pearson相关，两个节点之间可能没有物理连接，但如果他们的BOLD信号同步性很强，则它们之间可能存在很强的功能上的协作，即很强的功能连接，这是一个很好的表征两个节点

开关稳压器工作原理与典型应用电路分析——LM2576、LM2596与LM2577

Nifti文件格式，是目前各大神经影像分析工具普遍兼容的体素水平的数据格式，也是在进行神经影像研究中最常见的一种数据格式。Matlab从2017b后就引入了专门的Nifti文件的解析函数，SPM12，dpabi等工具包也提供了Nifti文件的解析接口，NIfTI_20140122是专门的Nifti文件的解析处理工具包。python上面的nibabel可以解析Nifti等脑影像文件，nilearn更

任务态和静息态是大脑的两种状态，前者主要是指大脑在执行记忆、识别以及运动等具体任务时的状态，静息态则是指大脑不执行具体认知任务、保持安静、放松、清醒时的状态，是大脑所处的各种复杂状态中最基础和最本质的状态。任务态fMRI分析有非常悠远的历史，而静息态fMRI自1995年biswal教授及其同事率先报告静息态fMRI具有生理意义后，越来越多的人进入了静息态的研究领域。任务态fMRI主流的分析方法是模

| 图源  整理电脑上文件时发现了几年前刚上大学时，整理的一份关于稳压电源的文档，当时是为了实验室培训之用而写，但是最后没有用到。记得那个时候刚学完了模电，还是有一些硬件基础，然后查了好多资料，从电子发烧友，到CSDN，再到芯片的datasheet，再到线性及开关稳压器设计320例一书，弄了很久才整理出了这份文档。当时没有开始写博客，所以就让它在电脑里一直沉睡。今天发现了，就把它放在这里了，我已经

前言去年走马观花式的听了一遍台大李宏毅老师的Machine Learning 2019，觉得老师讲的很好。于是打算今年重新细致的听一遍，并做一份完整的笔记。就写这么多，从此开始吧。概念机器学习（Machine Learning）：让机器自动找函数。如语音识别，就是让机器找一个函数，输入是声音信号，输出是对应的文字。如下棋，就是让机器找一个函数，输入是当前棋盘上黑子白子...

LIBSVM是台湾大学林智仁教授等开发的一个简单易用、快速有效的SVM、SVR的开源软件包，有各种语言接口，包括python、matlab和java等。现在有很多的机器学习软件包的SVM，SVR都是基于LIBSVM开发的。软件包里超参优化方法是网格法，即按照超参的范围和步长，遍历所有超参的组合可能，最后在训练集上平均准确率最高的那一组参数作为最佳参数。当然，本文不涉及寻优，只是涉及LIBSVM数据

前言  今天程序员节，据说发博客会有1024勋章，所以就来整理一下笔者模式识别课第一次大作业的第二道题——用EM算法来做Nemo鱼图像像素分割。网上看了很多关于EM算法的分析，大多都涉及很复杂的数学推导，包括要用凸函数的不等关系，要证单调性收敛性等，看了很久也没有理太清楚。在这里分享一种形象化理解EM算法的方法，来源于笔者的模式识别老师。她将EM算法看成是反复进行贝叶斯决策和最大似然估计的过程，当