早在20世纪40年代数字革命开始之前，图像配准就已经成为一个具有重要现实意义的过程。这技术首次应用于彩印，即将几种单色图案叠加在一起形成多色图案。为了生成最终所需的多色印刷品，各个层相对于另一个层的对齐必须是精确的。若个别层发生错位，称为失配。因此，为了确保准确的配准，人们开发了检测和校正任何偏差的流程。随着数字革命开启了现代医学成像时代，图像配准已经成为医疗成像研究中不可或缺的工具。虽然MRI不

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注导读本文整理了R语言绘图中使用频率较高的程序包，每个程序包都附载相应的参考来源链接（链接里有实现绘图的脚本）和下载链接。另：茗创科技为大家提供免会员极速下载服务，需要相应程序包的小伙伴可以私信茗创科技周翊工程师，微信号MCKJ-zhouyi或17373158786。gganimate：在R中绘制动态图gganimate在CRAN上可通过in

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。上一期的文章TMS-EEG数据处理教程（上）中详细地介绍了TMS伪影类型和预处理步骤。这期主要讲了完成数据预处理后，再进行一些（后）处理步骤，如过滤、去趋势、去均值和降采样。但要注意的是，一些分析步骤可能需要对数据进行不同的处理。例如，当查看经颅磁刺激诱发电位（TEPs）时，你可能想要滤除数据中的高频噪声，但在执行时频分析时（滤除高频噪声

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。本教程示例了被试收缩或放松对侧手时，如何处理对初级运动皮层（M1）进行经颅磁刺激（TMS）的脑电图（EEG）。去除TMS伪影最好的办法是要先进行预处理。当TMS伪影去除步骤完成后，就可以继续进行EEG分析了。在本教程中，所要解决的研究问题是手部的预收缩是否会影响脑电图中的TMS诱发电位(TEP)。EEG信号分析需要干净的数据。但这并不简单

机器学习(ML)由于其高自动化程度、高灵敏度和特异性优势，在医学影像领域取得了巨大的成功。由于具备这些优势，机器学习已被广泛应用于神经成像数据，目的是提取与感兴趣变量(如疾病状态)相关的特征。这使我们能够形成关于不同条件下大脑结构和功能的详细地图，以数据驱动的方式发现新知识。与传统的数据驱动方法(如大规模单变量分析)相比，机器学习方法具有两个重要优势。首先，机器学习方法通过检查横跨整个图像领域的元

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。利用机器学习方法，可以从个人的功能性大脑连接中预测认知表现。但是预测模型在支持认知的神经生物学加工方面仍存在争议，目前的见解也比较有限。特征选择和特征权重估计要具有可靠性，以确保能够可靠地识别具有高预测效用的重要连接和环路。本研究考察了由静息态功能连接网络构建的各种认知表现预测模型的特征权重的重测信度(样本量n=400)。尽管获得了适度的

近日，NeuroImage杂志发布了题为BrainStat: a toolbox for brain-wide statistics and multimodal feature associations的预印版文章。这篇文章详细阐述了BrainStat工具箱包含的模块，并提供了在Python和MATLAB中执行该工具箱的教程和示例代码。

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。情感在我们的日常生活中扮演着重要的角色，不仅体现在人际交往中，在决策过程中，也在我们对周围世界的感知中。由于最近学术界非常关注人机交互尤其是情感交互的重要性，那么帮助计算机有效识别人类的情感是非常迫切的。一般来说情感识别可以通过多种方法实现，如主观自我报告、自主和神经生理学测量。近年来，脑电图(EEG)技术因为它的简单、廉价、便携、易于使

摘要共情是一种能设身处地体验他人处境的能力，并且与利他主义有关。既往采用血氧水平依赖(BOLD)功能磁共振成像(fMRI)的研究发现，共情与支持心智化(颞顶联合区)、显著性(前扣带皮层；脑岛)和自我参照(内侧前额叶皮层；楔前叶)的脑机制激活增强相关。然而，BOLD fMRI技术存在一定的局限性，可能无法有效地捕捉持续的共情体验。因此，本研究采用了基于灌注的动脉自旋标记(ASL)fMRI技术，该技术

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。观察行为为了解认知和健康等多个核心方面提供了一扇窗，它也是许多功能磁共振成像(fMRI)研究中感兴趣或容易混淆的重要变量。为了让眼动追踪在核磁共振研究中更自由、更广泛地应用，研究者开发了DeepMReye，这是一个卷积神经网络(CNN)，可以从眼球的核磁共振信号解码注视位置。它能够在小训练数据集中实现无摄像头的眼动追踪。重要的是，它甚至在