多巴胺脑传递遗传变异与有无奖励下的任务表现关系数据集

数据集获取

源站：https://search.dataone.org/view/sha256%3A4fc41af4bfadaf6166c95028aae2659f33fe89191dc0d54397099d41238b613e

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

为评估遗传因素对伴或不伴脑性瘫痪（CP）的年轻人学习能力的潜在影响，我们计算了个体多巴胺相关基因评分，并将其与学习两项不同任务的能力进行比较：一项为内隐序列学习任务，即序列反应时任务（SRTT）；另一项为概率分类任务，即天气预测任务（WPT）。在SRTT中，85%的试次具有相同序列（即高概率序列），这应导致内隐学习；15%为不同序列（即低概率序列）。SRTT还在无奖励条件和已知可增加循环多巴胺水平的奖励条件下分别进行，每种条件各包含20个试次。数据按每个区组呈现，涵盖4种不同结果（无奖励高概率，被视为基线学习得分；无奖励低概率；奖励高概率，表示奖励对学习的影响；以及奖励低概率）。

每组区块有两个结果测量指标：反应时……所有任务相关数据均通过计算机程序收集，要求参与者按下特定按键以表明反应，并尽可能准确、快速地完成。针对每种条件下的每组试验计算汇总得分。任务的结果包括反应时和错误率（针对SRTT）或正确率（针对WPT）。遗传数据通过血液样本收集，送至一家公司进行遗传分析，我们从中提取每个个体的特定变异，以计算综合多巴胺基因得分。统计分析包括重复测量GLM，以评估整个组以及奖励和无奖励条件下子组在训练期间的学习情况。主要分析还将基因得分组（高或低）加入GLM。还使用独立t检验比较各组之间的得分，并进行相关性分析，以关联两个任务的表现，关系……

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。