معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Inexact graph matching and significance testing for groups of graphs

ویژگی	مقدار
سیستم عامل	-
نام فایل	ConnectomeMatch-0.0.8
نام	ConnectomeMatch
نسخه کتابخانه	0.0.8
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Alexander Anwyl-Irvine & Edwin Dalmaijer
ایمیل نویسنده	anwyl.irvine@gmail.com
آدرس صفحه اصلی	https://github.com/u01ai11/ConnectomeMatch
آدرس اینترنتی	https://pypi.org/project/ConnectomeMatch/
مجوز	-

# ConnectomeMatch Python implementation of preprocessing and significance testing with inexact graph matching accross a population. This is a Python implementation built upon the techniques used in [Osmanlıoğlu et al (2019)](https://pubmed.ncbi.nlm.nih.gov/31141738/). It also allows for multi-threading of the more consuming proccesses (density matching and permutation testing). # Usage First install the package. ``` pip install ConnectomeMatch ``` Then import ```python import ConnectomeMatch as cm ``` ## Preprocessing ### Density Matching Sometimes we are matching groups of graphs with different densities. For instance a sparse DTI-MRI connectome against a fully connected MEG connectome. Given two group of N graphs (shape=N x Node x Node), we threshold the sample matrix to match the target matrix ```python sample_matrix = cm.match_density(sample_matrix, target_matrix, 0.2, 0.01,100) ``` ## Matching One function executes the matching on the group level. It normalises per graph pair and allows for built in multithreading. ```python diagonal_matches, binary_matrices, euclidean_distances = cm.match_graphs(sample_matrix, target_matrix, njobs=4, log=True) ``` the function returns the matches along each graphs diagonal, binary matrixes for each participant and the euclidean distance between nodes of each graph. ## Inference A permutation function generates a null distribution of binary matches for the sample. This can then be compared to the average matching accuracy from binary matching matrices above ```python import numpy as np null = cm.generate_null_dist(sample_matrix, target_matrix,perms=100, njobs=4) # get null distribution montecarlo_thresh = np.percentile(null, 0.95, axis=2) # get threshold values for matching matrix significance_mask = binary_matrices.mean(axis=0) > montecarlo_thresh # mask for all significant values ```

نیازمندی

مقدار	نام
-	scipy
-	numpy
-	joblib
-	enum34

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl ConnectomeMatch-0.0.8:

pip install ConnectomeMatch-0.0.8.whl

نصب پکیج tar.gz ConnectomeMatch-0.0.8:

pip install ConnectomeMatch-0.0.8.tar.gz