メニュー
有效脑连接的因果核建模方法（GP CaKe）。结合积分-微分方程和因果核， 使用高斯过程回归非参数学习，实现因果推断。 触发词：有效连接、因果核、脑连接、高斯过程、GP CaKe、 effective connectivity, causal kernel, Gaussian process, brain connectivity。
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/hiyenwong/ai_collection --skill gp-cake-brain-connectivityコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
SOC 職業分類に基づく
SKILL.md を表示中
| name | gp-cake-brain-connectivity |
| version | 1.0.0 |
| description | 有效脑连接的因果核建模方法（GP CaKe）。结合积分-微分方程和因果核， 使用高斯过程回归非参数学习，实现因果推断。 触发词：有效连接、因果核、脑连接、高斯过程、GP CaKe、 effective connectivity, causal kernel, Gaussian process, brain connectivity。 |
目标： 理解一个脑区的活动如何驱动其他脑区的活动（有效连接）
解决方案： 使用积分-微分方程和因果核建模因果交互
| 类型 | 定义 | 方法 |
|---|---|---|
| 功能连接 | 统计相关性 | fMRI 相关分析 |
| 有效连接 | 因果影响 | GP CaKe, DCM |
数学表达： $$y(t) = \int_0^t K(\tau) x(t-\tau) d\tau + \epsilon(t)$$
其中：
特点：
创新： 构造新型因果协方差函数，强制执行因果核的期望性质
┌─────────────────────────────────────────────────────┐
│ GP CaKe 框架 │
├─────────────────────────────────────────────────────┤
│ │
│ 源脑区活动 x(t) │
│ │ │
│ ▼ │
│ ┌─────────────┐ │
│ │ 因果核 K(τ) │ ← 高斯过程学习 │
│ │ (时间延迟) │ │
│ └──────┬──────┘ │
│ │ │
│ ▼ │
│ 积分-微分方程 │
│ │ │
│ ▼ │
│ 目标脑区活动 y(t) │
│ │
└─────────────────────────────────────────────────────┘
| 超参数 | 生物物理意义 |
|---|---|
| 时间尺度 | 神经响应持续时间 |
| 延迟 | 区域间传导时间 |
| 幅度 | 连接强度 |
| 场景 | 说明 |
|---|---|
| MEG/EEG 分析 | 高时间分辨率因果推断 |
| fMRI 分析 | 区域间因果连接 |
| 脑网络建模 | 动态因果网络构建 |
| 临床应用 | 病理连接识别 |
| 优势 | 说明 |
|---|---|
| 非参数 | 不预设核函数形状 |
| 可解释 | 超参数有生物物理意义 |
| 灵活 | 结合自回归和DCM优点 |
| 高效 | 高斯过程推断高效 |
import numpy as np
import GPy
class GPCaKe:
def __init__(self, time_points, kernel_params):
self.time_points = time_points
# 因果协方差核
self.kernel = GPy.kern.RBF(input_dim=1) # 可替换为因果核
def fit(self, source_activity, target_activity):
"""
学习因果核
source_activity: 源脑区时间序列
target_activity: 目标脑区时间序列
"""
# 构造设计矩阵（卷积形式）
X = self._construct_design_matrix(source_activity)
# 高斯过程回归
self.gp_model = GPy.models.GPRegression(X, target_activity, self.kernel)
self.gp_model.optimize()
return self.gp_model
def predict(self, source_activity):
"""预测目标脑区响应"""
X = self._construct_design_matrix(source_activity)
return self.gp_model.predict(X)
def _construct_design_matrix(self, x):
"""构造积分-微分方程的设计矩阵"""
# 实现卷积结构
pass
def analyze_causal_kernel(gp_model, time_delays):
"""
分析因果核的时间特性
返回:
- 峰值延迟
- 核宽度
- 因果强度
"""
kernel_values = gp_model.predict(time_delays)
peak_delay = time_delays[np.argmax(kernel_values)]
kernel_width = estimate_width(kernel_values)
causal_strength = np.max(kernel_values)
return {
'peak_delay': peak_delay,
'width': kernel_width,
'strength': causal_strength
}
| 方法 | 参数化 | 可解释性 | 灵活性 |
|---|---|---|---|
| Granger 因果 | 参数化 | 中等 | 低 |
| DCM | 参数化 | 高 | 低 |
| GP CaKe | 非参数 | 高 | 高 |
time-varying-brain-connectivity - 时变脑网络分析ccep-causal-brain-network - 因果脑网络研究# Example usage of the skill methodology
# Refer to the Technical Implementation section for details