部落客寫論文的時候,整理代碼,突然發現以前預處理大腦Fmri時間序列的代碼好像沒有标準化資料。
而部落客的訓練模型所使用的特征都是以Pearson的值為基礎的。吓得部落客驚出了一聲冷汗。趕快看一下有無影響。
但是根據Pearson的公式來看,應該是影響不大的,協方差除以兩個資料的标準差之積,感覺已經包含了标準化的過程。
皮爾森相關系數(Pearson correlation coefficient),這篇文章介紹得比較詳細
但是為了讓自己安心,還是試驗一下。
我們先對大腦ROI的時間序列資料直接計算Pearson相關系數。
在神經科學領域,對兩個大腦ROI的時間序列計算Pearson視為兩個大腦的功能連接配接程度。
第一條ROI的時間序列資料:X
第二條ROI的時間序列資料:Y
資料規範化(歸一化)、及Z-score标準化 我們這裡使用Z-score标準化,減去均值後除以标準差
X_mean = np.mean(X,axis=0)
Y_mean = np.mean(Y,axis=0)
X_std = np.std(X,axis=0)
Y_std = np.std(Y,axis=0)
X_zscore = (X-X_mean)/X_std
Y_zscore = (Y-Y_mean)/Y_std
标準化後的第一個ROI的時間序列:
标準化後的第二個ROI的時間序列:
經過Z_score标準化之後,均值為0,标準差為1
使用pandas計算相關系數
cc = np.array([X, Y])
cc_pd = pd.DataFrame(cc.T, columns=['c1', 'c2'])
cc_corr = cc_pd.corr(method='pearson') # 相關系數矩陣
val =cc_corr.iloc[0,1]
兩次結果相差6e-16次方,看來影響是不大的。然後一個功能連接配接肯定不能說明全部,然後我就對所有功能連接配接都試驗了一下