GraphVar 2.0：用于功能连接度量的机器学习用户友好工具箱
应用统计
2018-07-09 v2
摘要
背景：我们此前提出 GraphVar 作为一个用户友好的 MATLAB 工具箱，用于对脑功能连接进行全面的图分析。此处我们介绍该工具箱的全面扩展，允许用户无缝探索跨功能连接度量及附加特征的可轻松定制的解码模型。新方法：GraphVar 2.0 提供机器学习（ML）模型构建、验证与探索。机器学习可跨任意网络度量与附加变量的组合执行，从而在神经影像应用中提供灵活性。结果：除先前集成的功能（如利用高速一般线性模型（GLM）进行脑连接的网络构建与图论分析）外，用户现可跨连接矩阵、网络度量及额外导入变量执行可定制 ML。新扩展还提供分类器与回归器性能的参与非参检验、数据导出、图形生成与高质量导出。与现有方法比较：与其他现有工具箱相比，GraphVar 2.0 提供（1）全面定制，（2）一体化用户友好界面，（3）可定制模型设计与手动超参数输入，（4）交互式结果探索与数据导出，（5）同一会话内对多个结果变量建模的自动提示，（6）易于理解的入门综述。结论：GraphVar 2.0 允许对功能连接度量上的编码（GLM）与解码（ML）建模方法进行全面的用户友好探索，使大数据神经科学易于被更广泛的神经影像研究者群体所使用。
引用
@article{arxiv.1803.00082,
title = {GraphVar 2.0: A user-friendly toolbox for machine learning on functional connectivity measures},
author = {Lea Waller and Anastasia Brovkin and Lena Dorfschmidt and Danilo Bzdok and Henrik Walter and Johann Daniel Kruschwitz},
journal= {arXiv preprint arXiv:1803.00082},
year = {2018}
}
备注
MATLAB, GUI, Toolbox, 11 pages, first two authors contributed equally, , uncorrected proof Journal of Neuroscience Methods, Accepted 1 July 2018