已被取代：脑电功能连接网络二值化中的复杂层级拓扑研究

数据集获取

源站：https://datashare.ed.ac.uk/handle/10283/2722

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据说明

[[已取代——此数据集已被后续版本替换：https://doi.org/10.7488/ds/2109]] 脑功能二值网络分析的研究在选择合适阈值以将边权重二值化时面临方法学挑战。对于EEG，这种二值化应考虑功能连接中存在的复杂层级结构。我们探索了适合此类结构的密度范围，并比较了最先进的二值化技术，包括最近提出的簇跨度阈值（CST）、最小生成树和最短路径图并集，与任意比例阈值及加权网络进行对比。我们通过在具有小参数差异的模型实现之间进行对比，在加权复杂层级模型上测试这些技术。我们还测试了这些技术对随机和针对性拓扑攻击的鲁棒性。我们发现，复杂层级拓扑需要中等密度范围的二值化解决方案，例如CST，在区分差异方面与任意比例阈值相比接近最大化。

通过分析三个相关的脑电图数据集，模拟结果得到了验证：睁眼与闭眼静息态；视觉短期记忆任务；以及阿尔茨海默病患者的静息态与健康对照组。在合成数据和真实数据中，CST在拓扑准确性和鲁棒性方面始终优于其他先进的二值化方法。我们深入探讨了功能网络复杂的层次结构如何在中等密度范围内最佳展现，以及它如何防范针对性攻击。这些脑电图PLI连通性数据集用于我们提交的手稿分析中：https://arxiv.org/abs/1610.06360。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。