菜单
功能性连接组指纹分析方法论。扩展 differential identifiability 框架， 检测个体指纹梯度和双胞胎指纹梯度。 触发词：脑指纹、连接组指纹、个体差异、可识别性、fingerprint、 differential identifiability, connectome fingerprint。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
基于 SOC 职业分类
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/hiyenwong/ai_collection --skill functional-connectome-fingerprint命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
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.
| name | functional-connectome-fingerprint |
| version | 1.0.0 |
| description | 功能性连接组指纹分析方法论。扩展 differential identifiability 框架， 检测个体指纹梯度和双胞胎指纹梯度。 触发词：脑指纹、连接组指纹、个体差异、可识别性、fingerprint、 differential identifiability, connectome fingerprint。 |
传统方法： 只关注同一被试不同扫描之间的指纹（test/retest）
扩展： 研究指纹梯度 - 基于遗传和环境相似性的指纹差异
定义： 脑功能连接模式的个体特异性
用途：
核心公式：
$$I_{diff} = I_{within} - I_{between}$$
其中：
| 梯度类型 | 定义 | 含义 |
|---|---|---|
| Subject Fingerprint | 同一被试的多个扫描 | 个体特异性 |
| Twin Fingerprint | 同卵/异卵双胞胎的扫描 | 遗传贡献 |
| Gradient | 指纹强度沿遗传相似度的变化 | 基因vs环境 |
1. fMRI 数据预处理
↓
2. 功能连接矩阵计算
↓
3. 脑图谱分割（Schaefer Atlas）
↓
4. 最优重建 FC
↓
5. 指纹梯度分析
| 场景 | 说明 |
|---|---|
| 数据质量评估 | 通过指纹强度判断数据可靠性 |
| 个体识别 | 被试匹配和去重 |
| 遗传研究 | 量化遗传对脑连接的影响 |
| 纵向研究 | 追踪个体脑连接变化 |
Human Connectome Project - Young Adult (HCP-YA)
# 计算 FC 矩阵
fc_matrix = compute_functional_connectivity(timeseries, atlas='schaefer')
# 最优重建
fc_reconstructed = optimal_reconstruction(fc_matrix)
# 计算 differential identifiability
I_diff = compute_differential_identifiability(fc_list, subject_ids)
# 双胞胎指纹分析
twin_fingerprint = analyze_twin_pairs(fc_list, twin_pairs, zygosity)
# 指纹梯度
gradient = compute_fingerprint_gradient(
subject_fp, # 同卵双胞胎
sibling_fp, # 异卵双胞胎
unrelated_fp # 无关被试
)
time-varying-brain-connectivity - 时变脑网络分析weighted-brain-community-detection - 加权脑网络社区检测# Example usage of the skill methodology
# Refer to the Technical Implementation section for details