萌娘百科（mni）

admin 2023-02-01 328阅读 2评论

温馨提示：这篇文章已超过380天没有更新，请注意相关的内容是否还可用！

本篇文章给大家谈谈mni，以及萌娘百科对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

1、mniday2怎么搞油

2、科学家谈大脑时，大多在谈“柯林”的大脑？

3、mni格式的文件需要怎么打开？哪位大神知道，帮帮忙谢谢！mni格式

4、苹果12mni远焦不灵

5、脑网络分析的指标

mniday2怎么搞油

可以安装一下操作

首先我们要打开地图，找到加油站的位置之后点击键盘的w键即可加燃油觉得有用点个赞吧相关问题minidayz2怎样快速获得汽油?首先您先进入mini day zr的游戏页面,然后通过首页签到获得金币,您可以用金币去加油站购买汽油。

萌娘百科（mni）

科学家谈大脑时，大多在谈“柯林”的大脑？

随着神经成像的普及，大脑成为了科普中的流行词，神经成像的大脑图成为了科普文化的一部分。与神经科学流行相伴，一些大脑结构成为了闪亮的关键词，例如与记忆相关的海马体（hippocampus）、与情绪相关的杏仁核（amygdala）、与奖赏刺激相关的伏隔核（nucleus accumbens）等。当论文中提到这些大脑结构时，它们到底指的是什么？

要理解神经成像中的大脑结构，首先要明白一点：大脑结构的个体差异非常大。虽然每个大脑的基本构造相似，都有两个半球和一些明显的沟回。但是，这些结构在具体的构成上差别不小：左右半球的对称性、沟回的相对位置和大小等都存在个体差异。要从神经成像的角度来研究具体脑区的功能，空间位置的精确性就非常重要：极有可能在相对相同的空间位置上，两个大脑里的结构却不一样。

在神经外科手术中，医生们需要了解某个大脑结构的外形特征和相对位置，而对于该结构在大脑3D空间中的绝对位置并没严格的要求。但通过神经成像来研究大脑功能，精确的空间定位变得很重要，因为需要对一群人的大脑功能数据（例如在某种任务下活动的情况）进行比较。而进行统计分析和比较的前提，就是需要有一个共同的参考标准，保证我们谈到某个空间位置时，谈的是同一个脑区。这个参考标准，就是标准大脑图谱（Brain Atlas）。通过将每个人的大脑与标准大脑图谱进行对应之后，我们可以更有把握地认为，即使在不同的受试者的数据中，同样的空间位置指的是同一个大脑结构（在神经成像的数据分析中，这一步叫做空间的标准化）。

那么问题来了，标准的大脑图谱从哪里来？

大脑图谱的早期工作应该要归功于神经解剖学家们，其中最有名的应该是布鲁德曼（Korbinian Brodmann）在20世纪初的工作。在此之前，关于大脑的不同区域负责不同功能的观点已经随着颅相学的流行而兴起，由于布洛卡（Broca）等脑区功能的发现而得到强化。正是在这种背景之下，布鲁德曼试图去从细胞构筑的角度来寻找大脑功能的定位，他工作形成了神经科学教科书中的布鲁德曼分区(Brodmann areas)。

然而，布鲁德曼关注于脑区的细胞构筑，并未从3D空间来建立大脑的模型。3D大脑模型的出现，得益于法国神经解剖学家让·塔莱拉什（Jean Talairach），他在1967年提出一个3D的大脑模型，并与同事于1988年进一步完善此大脑模型。在此模型中，以一些关键的大脑结构作为标记点：大脑前联合(anterior commissure, AC)与后联合（posterior commissure, PC）、两半球中线的矢状面平面和大脑外侧边缘（如下图所示）。在这个3D的空间中，AC-PC连线与中线矢状平面的交界点为0点。在下图带黄框的三个图中，最左图中的横线为X轴，竖线为Y轴，中间和最右的图中，竖线均为Z轴。根据这个3D大脑模型，大脑中每个点均有一个坐标，这就是以塔莱拉什大脑图谱为基础的坐标系统。

塔莱拉什大脑图谱在神经成像的早期研究发挥了重要作用（因为没有其他图谱可以使用），但其缺点也非常明显。它的第一个问题是没有标准大脑的图像模板。也就是说，它缺乏数字的3D大脑模型。这给神经成像研究者带来了很大的痛苦，要知道，神经成像结果基本上都是使用3D图像来进行存储和分析的。缺乏图像3D大脑模板，就意味研究者在数据分析时，必须手动地根据一些标志性的大脑结构来将每个受试者的大脑图像与塔莱拉什的大脑模型进行对应。这种耗时且不精确的做法，在有了替代方案时很快被抛弃。

除了缺乏大脑的图像模板之外，塔莱拉什图谱中的大脑标本本身也不足以作为标准大脑。此图谱是根据一位60岁女性大脑的解剖结构建立，首先就不具有代表性。更加令研究者不满的是，此图谱仅包括左半球的解剖结构，右半球是将左半球的结构进行镜像反转之后得到的。由于一般人的大脑左右半球并非完全对称，所以这个对称的图谱显得不切实际。第三，塔莱拉什图谱确实将坐标体系中的空间位置与解剖结构进行大致的对应，但是这个对应关系是非常粗放的。当初制做图谱是为了给医生在大脑中央的一些脑结构进行手术时提供指导，所以大脑中央部分的脑结构与空间位置的对应关系还相对清楚，外侧的皮层的对应关系则比较受到怀疑。

作为一个为手术而生的大脑图谱，也许我们不能苛求塔莱拉什图谱能够满足神经成像研究的要求。为解决塔莱拉什缺乏图像模板的问题，神经成像研究者建立了自己的标准大脑模板。目前最通用的模板，是加拿大蒙特利尔神经研究所（Montreal Neurological Institute，MNI）于90年代表所建立的MNI系列模板。在最早的尝试中，他们扫描了241个正常志愿者的大脑结构，按照塔莱拉什大脑图谱的方式，使用标志性的大脑结构对每个受试者的大脑进行标定，得到每个大脑的前联合-后联合线和大脑的外部轮廓，从而每个大脑均与塔莱拉什图谱有相对应的位置。然后对这241个大脑进行平均，得到一个平均脑。

随后，他们又扫描了305个正常人的大脑，使用9个参数将这些大脑进行线性转换，使它们与241个大脑的平均脑进行对应。这305个对应好之后的大脑进行平均，得到平均之后的大脑3D图像。这个图像被命名为MNI305，成为了MNI系列模板中的第一个。

目前使用更为广泛的是脑成像国际联盟（International Consortium for Brain Mapping，ICBM）公认的ICBM152模板，其实也由MNI出品。这个标准大脑模型来自152名年轻成人的高空间分辨率扫描结果。研究者将这些大脑通过仿射转换之后与MNI305进行对应，再将这些152个大脑进行平均，得到了更为清晰的标准模板。这个模板之所以不叫做MNI152而是ICBM152，是因为它被脑成像国际联盟采用作为标准模板。

值得注意的是，虽然ICBM152采用与塔莱拉什类似的方法进行标定，但是其得到的3D图像却与塔莱拉什的3D空间并不相同，整体上ICBM152会更大一些，同样，塔莱拉什坐标系中的0点在ICBM152中也不再是0点。由于这个原因，MNI的坐标体系与塔莱拉什的坐标体系不能直接等同。

由于被脑成像国际联盟采纳，ICBM152得到非常广泛，在神经成像研究中，大部分研究者均采用该模板作为大脑模板。随后，脑成像国际联盟ICBM又推出一个更具有代表性的模板：ICBM452，将452个人大脑通过转换与ICBM305匹配之后的结果，但是目前ICBM452的使用范围比较小。

从下图可以看出，不管是MNI305还是ICBM152模板，其清晰度都差强人意。为了得到更加清晰的大脑图，蒙特利尔神经研究所对一位研究人柯林·福尔摩斯（Colin Holmes）的大脑进行了27次扫描，将这些扫描的结果与MNI305进行配准，然后平均起来得到了更加清晰和精确的大脑图，这就是柯林27（Colin27）标准大脑图。目前，许多基于MNI大脑模板的神经成像结果图均是在柯林27这个图像上进行显示。

虽然MNI有神经成像的标准大脑模板，但是却缺乏将模板中空间位置与大脑生理解剖结进行对应的图谱，所以MNI系列还只能算是一个模板（template）而不是一个图谱（Atlas）。为了解决这个问题，研究者最初的做法是将MNI坐标转化为成塔莱拉什的坐标，再去使用塔莱拉什大脑图谱进行生理结构的标定。为了进行比较准确地转换，研究者发展出多种算法。由于这两个大脑模板之间“扭曲”并且线性的，所以转换起来并非一目了然，在几个转换的算法中，公认比较合理的转换方法是兰开斯特（Lancaster, J. L.）等于2007年发表的算法。

正如我们在前面提到的，塔莱拉什作为标准大脑图谱本身存在着诸多的缺陷。将MNI坐标转换成塔莱拉什坐标再进行标定的方法，无法避免这些问题。因此在神经成像数据分析方法中（例如Poldrack et al., 2011），研究者极不推荐使用塔莱拉什图谱以及基于其图谱的一些标定方法。将MNI转换成为塔莱拉什坐标再标定解剖结构的做法虽然不能合理地解剖大脑空间位置与解剖结构对应的关系，但这些转换方法本身却仍然有用，因为现有神经成像文献中，MNI和塔莱拉什均有使用，在比较不同文献研究结果时，在坐标间进行转换仍然有价值。

如果塔莱拉什图谱无法进行空间位置与生理结构的对应，那么应该使用何种图谱？在缺乏从生理解剖到3D图像标准大脑图谱的情况下，对这个问题也没有明确的答案。目前，神经成像科学家们会倾向于采用哈佛－牛津大脑图谱（Harvard-Oxford cortical and subcortical structural atlases）、神经成像实验室概率图谱（Laboratory Of NeuroImaging (LONI) probabilistic atlas）或者德国尤利希研究中心基于细胞构筑所进行创建的概率图谱（由SPM Anatomy Toolbox进行标定）。总的来说，有几种比较受到认可的标定方法，却没有公认的唯一标准。

最近，在德国尤利希研究中心与MNI共同完成的“大脑（Bigbrain）”项目中，建立了第一个超高分辨率的大脑3D模型：由7404个组织切片组成的，分辨率达到20微米，几乎精确到了分子级别。这个超清晰3D大脑模型的建立，有望为今后神经成像提供一个更加标准的大脑图谱，也为今后建立标准3D大脑模型提供了新的途径。

理解标准大脑图谱与生理解剖的关系之后，也许我们会发现，在神经成像研究中所看到的大脑结构，其实非常依赖于大脑图谱，经过多次统计处理，包括了太多的统计假设。我们所看到的大脑，其实大部分是柯林的大脑。了解到这些信息之后，也许我们对神经成像研究结果进行推论时，恐怕会更加谨慎一些。

mni格式的文件需要怎么打开？哪位大神知道，帮帮忙谢谢！mni格式

你好知友! . .min的后缀的文件格式, 1..min是同步歌词文件 2..min 是播放列表文件 3.minioneplayer可以打开. 如果我的回答对你有帮助.请点击我的回答下方【选为满意回答】按钮.你的采纳是我们回答的动力.

求采纳谢谢

苹果12mni远焦不灵

环境较暗。苹果12mni采用新的直边设计，搭配铝金属边框和超视网膜XDR全面屏，该手机环境较暗的时候远焦不灵，需要重置手机设置即可正常聚焦。

脑网络分析的指标

1. 边( link，edge)，脑区间的功能连接

2. 节点(vertex 或 node) ，脑区

3. 节点度(degree) ，度ki，直接连接在一个节点的边的个数，节点的度越大则该节点的连接就越多, 节点在网络中的地位也就越重要.

4. 度分布(degree distribution) ，度分布P(k) 是网络最基本的一个拓扑性质, 它表示在网络中等概率随机选取的节点度值正好为k 的概率, 实际分析中一般用网络中度值为k 的节点占总节点数的比例近似表示 . 拥有不同度分布形式的网络在面对网络攻击时会表现出截然不同的网络行为。

5. 区域核心节点(provincial hub)

6. 连接中枢点( connector hub)

7. 中心度(centrality) 中间中心度bi(centrality). 一个节点对网络中其他节点的信息流的影响。中心度是一个用来刻画网络中节点作用和地位的统计指标 , 中心度最大的节点被认为是网络中的核心节点(hub) .

8. 度中心度(degree centrality) ，最常用的度中心度以节点度刻画其在网络中的中心程度

9. 介数中心度( betweenness centrality) ，介数中心度(betweenness centrality)则从信息流的角度出发定义节点的中心程度. 介数中心性用来确定网络中最中心的节点，即网络中起桥梁作用的节点。hub脑区大多数位于接受多个脑区信息的联络皮层，比如豆状核，海马，颞中回，顶上回，额上回等。节点i 的介数 Bi 定义为通过该节点的最短路径的数目。归一化介数可通过如下公式计算：

介数越大的节点代表网络中越关键的节点（如 hub 节点），在该研究中我们定义网络的hub 节点为 bi 大于 1.5 倍的所有节点的介数平均值。

对于网络G 中的任意一点i, 其介数中心度的计算公式如下

10. 节点强度( node strength) ，加权网络中由于考虑了边的权值，无权网络中的度与度的分布特征在加权网络中进一步推广为强度与强度的分布。与节点度相比，节点强度不仅考虑了与节点连接的边的数目，更进一步考虑了与节点连接的相应的边的权值，能够更加科学的衡量作者的局部网络特征，在采用累积频次加权的作者合作加权网络中，节点强度是指作者与其合作对象的累积绝对合作频次。

11. 最短路径长度(shortest path length)，最短路径长度，(shortest path length).最短路径对网络的信息传输起着重要的作用, 是描述网络内部结构非常重要的一个参数.最短路径刻画了网络中某一节点的信息到达另一节点的最优路径,通过最短路径可以更快地传输信息,从而节省系统资源. 两个节点i,j之间边数最少的一条通路称为此两点之间的最短路径, 该通路所经过的边的数目即为节点i,j之间的最短路径长度, lij.网络最短路径长度L 描述了网络中任意两个节点间的最短路径长度的平均值

12. 特征路径长度( characteristic path length) Lp ，网络整体路由效率的程度。对于特征路径长度的计算，有断键重连的标准小世界网络方法和添加长键转化小世界网络方法。该指标衡量了网络的信息并行处理的能力或全局效率（1/ Lp），特征路径长度的增加说明了脑区之间的信息传输和交互效率降低。一个网络的特征路径长度 Lp ，是网络中任意两节点的最短路径的平均：

13. 聚类系数( clustering coefficient) ，聚类系数Cp，网络的聚类程度，集群系数衡量的是网络的集团化程度, 是度量网络的另一个重要参数, 表示某一节点i 的邻居间互为邻居的可能. 节点i 的集群系数Ci的值等于该节点邻居间实际连接的边的数目(ei)与可能的最大连接边数(ki(ki–1)/2)的比值。该指标衡量了网络的局部聚集性或者信息传输的局部效率。网络中所有节点集群系数的平均值为网络的集群系数。

14.局部效率(local efficiency) ，局部效率Eloc，衡量如何高效的传播信息通过节点的直接相邻节点，由于集群系数只考虑了邻居节点间的直接连接, 后来有人提出局部效率(local efficiency)Eloc的概念. 集群系数和局部效率度量了网络的局部信息传输能力, 也在一定程度上反映了网络防御随机攻击的能力。任意节点i 的局部效率为

该指标描述了网络的容错能力，表明当移除节点 i 后它直接相邻的节点间的通信效率。

15.全局效率( global efficiency) ，全局效率 Eglob 描述了网络对于信息并行处理的能力，定义为任意两节点的最短路径的调和平均值的倒数，全局效率Eglob，衡量如何有效的通过整个网络传播信息，通常最短路径长度要在某一个连通图中进行运算, 因为如果网络中存在不连通的节点会导致这两个节点间的最短路径长度值为无穷 . 因此有人提出了全局效率(global efficiency)Eglob的概念。最短路径长度和全局效率度量了网络的全局传输能力. 最短路径长度越短, 网络全局效率越高, 则网络节点间传递信息的速率就越快. 全局效率的降低说明脑区之间的信息传输和交互效率降低。

16.外径(Diameter) ,The longest of all the geodesics, and the geodesics is a shortest path between two nodes. If we are looking for the diameter of a network, we are really looking at all the shortest paths and then choosing the longest one.

17.平均最短路径（Average path length） , It's calculated by finding the shortest path between all the nodes, adding them up, and then dividing by the total number of pairs. It will show us the number of steps on average it takes to get from one member to another in the network. For example, 721 million users with an average path length of just 4.74, in these network, we show that it is at once both global and local, it connects nodes which are far away but also has the dense local structure, and this is called thesmall world phenomena.

18.AAL模板, AAL全称是Anatomical Automatic Labeling，AAL分区是由 Montreal Neurological Institute (MNI)机构提供的。AAL模板一共有116个区域，但只有90个属于大脑，剩余26个属于小脑结构，研究的较少。

19.MNI空间，是Montreal Neurological Institute根据一系列正常人脑的磁共振图像而建立的坐标系统。Native空间就是原始空间。图像没有做任何变换时就是在原始空间。在这个空间中图像的维度、原点、voxel size等都是不同的，不同被试的图像之间不具有可比性，计算出来的任何特征都不能进行统计分析，或是用于机器学习。所以必须对所有被试的图像进行配准标准化到同一个模板上，这样所有被试的维度、原点、voxel size就一样了。使用MNI标准模板，就表示把图像转换至MNI空间了。一般而言MNI模板是最常用的，研究的比较多。标准空间的图像也是指MNI空间的图像。

20.Talairach空间，和MNI空间的坐标有对应的关系，很多软件都提供这个功能，如Mricron、REST等。Talairach空间只要是为了判别当前坐标在什么结构上，注意Talairach atlas and Talairach coordinates 就是Stereotaxic space.

21.全局网络度Kp ，节点 i 的连接度 Ki 定义为与该节点直接相连的边的数目，高度连接的节点的度较大。该指标用来描述一个网络的稀疏度。全局网络的度Kp 为网络中所有节点的度的平均：

22.小世界属性，基于体素和基于脑区的研究都表明人脑功能网络都具有高效的小世界属性。 For example, 721 million users with an average path length of just 4.74, in these network, we show that it is at once both global and local, it connects nodes which are far away but also has the dense local structure, and this is called t he small world phenomena .小世界网络( small-world network) 网络的小世界属性：高的聚类系数和短的特征路径长度。小世界的拓扑结构支持大脑信息处理的分化和整合功能，是一种经济型的结构，支持高度复杂动态结构的同时，使得配线代价最低。具有小世界属性的动态系统通常有较好的抗攻击性，而且表现出比较高的信息传输速度，计算能力和同步性。

23. 攻击性，用来定量描述某个节点的失败对网络行为的影响。节点 i 的攻击性Vi 定义为：当去掉节点 i 及其连接的边后网络全局效率的变化，可通过如下公式计算：

其中 Eglob’表示去掉节点 i 及其连接的边后网络的全局效率。攻击性同介数中心性一样也是反映了节点在网络中的重要性。

24.节点效率ei，衡量一个节点与其他节点通信的效率

25.结构性连接，

26.模块化结构，

27.结构性脑网络( structural brain networks 或anatomical brain networks)

28.功能性脑网络( functional brain networks)

29.因效性脑网络( effective brain networks)

30.无标度网络( scale-free network)

31.随机网络( random network)

32.规则网络( regular network)

33.无向网络( undirected network)