Nilearn教程系列(4)-fMRI解码入门教程(一)

from nilearn import datasets
import warnings
warnings.filterwarnings("ignore")
"""
调用fetch_haxby()下载Haxby研究数据集，
如果数据集已经存在本地了，就直接加载本地的，
否则会从网上下载
"""
haxby_dataset = datasets.fetch_haxby()
#由于数据集有很多组，我们只是用其中一组
fmri_filename = haxby_dataset.func[0]
# 打印数据集的基本信息
print('First subject functional nifti images (4D) are at: %s' %
      fmri_filename)  # 4D data

"""
以受检者的解剖图像为背景对其进行可视化
"""
mask_filename = haxby_dataset.mask_vt[0]
from nilearn import plotting
plotting.plot_roi(mask_filename, bg_img=haxby_dataset.anat[0],
                 cmap='Paired')

"""
利用 nilearn.input_data.NiftiMasker来提取mask上的fMRI数据，
并将其转换为数据序列
"""
from nilearn.input_data import NiftiMasker
masker = NiftiMasker(mask_img=mask_filename, standardize=True)

# 根据 filename检索二维数据
fmri_masked = masker.fit_transform(fmri_filename)

# 打印frmi_masked
print(fmri_masked)

# 查看其形状
print(fmri_masked.shape)

import pandas as pd
# 加载行为信息
behavioral = pd.read_csv(haxby_dataset.session_target[0], sep=" ")
print(behavioral

conditions = behavioral['labels']
print(conditions

"""
只需要face和cat数据
"""
condition_mask = conditions.isin(['face', 'cat'])

fmri_masked = fmri_masked[condition_mask]
# 打印其形状
print(fmri_masked.shape)

conditions = conditions[condition_mask]
print(conditions.shape

(216,)

"""
创建线性核的SVM
"""
from sklearn.svm import SVC
svc = SVC(kernel='linear')
print(svc

"""
训练数据
训练集：fmri_masked
标签为：conditions
"""
svc.fit(fmri_masked, conditions)

"""
预测数据
对fmri_masked数据进行预测，
得到其对应的标签
"""
prediction = svc.predict(fmri_masked)
print(prediction)