### 使用Python从fMRI数据中提取体素时间序列 为了从功能核磁共振成像(fMRI)数据中提取特定体素的时间序列，通常会利用专门设计的软件包如`nibabel`来读取NIfTI文件格式的数据。下面展示了一个具体的例子，该实例展示了如何加载fMRI图像以及获取指定位置处的一个或多个体素的时间序列。 #### 加载必要的库 ```python import nibabel as nib import numpy as np ``` #### 定义函数以提取单个体素或多个人工定义区域内所有体素的时间序列 ```python def extract_voxel_timeseries(nifti_file_path, voxel_coords=None, mask_img=None): """ 提取给定坐标下的体素时间序列或者由mask定义的一组体素的时间序列 参数: nifti_file_path (str): NIfTI 文件路径. voxel_coords (list of tuples 或 None): 如果提供，则表示要从中抽取时间序列的具体(x,y,z)坐标的列表；如果不提供则忽略此参数。 mask_img (Nibabel image object 或 None): 若存在，则代表掩码图像，在这种情况下将返回属于掩膜内的所有体素的时间序列集合； 否则，当未给出具体体素坐标时，默认行为是从整个体积中选取第一个体素作为示例。 返回值: timeseries_data (ndarray): 所选体素/区域对应的时间序列数组。 """ # Load the fMRI data from file into a NiBabel image object fmri_img = nib.load(nifti_file_path) if voxel_coords is not None and isinstance(voxel_coords, list): # Extract time series for specified individual voxels using their coordinates directly timeseries_data = [] for coord in voxel_coords: ts = fmri_img.get_fdata()[coord[0], coord[1], coord[2]] timeseries_data.append(ts) return np.array(timeseries_data).T elif mask_img is not None: # Apply masking to get only those voxels within defined regions masked_fmri_data = apply_mask(fmri_img=fmri_img, mask=mask_img) shape = masked_fmri_data.shape[:-1] # Reshape so that we have one row per voxel containing its full temporal profile reshaped_data = masked_fmri_data.reshape(-1, masked_fmri_data.shape[-1]) return reshaped_data.T else: # Default action when no specific voxel or mask provided: take first voxel's TS just as an example sample_ts = fmri_img.get_fdata()[0, 0, 0] return sample_ts ``` 上述代码片段提供了两种方式来获得感兴趣区（ROI）内所有体素的时间活动模式——要么通过明确指出一系列三维空间中的点位，要么借助预先创建好的二进制掩模(mask)，后者能更好地适应复杂形状的目标区域[^1]。 此外，还可以看到在实际应用过程中可能涉及到更多复杂的操作，比如对原始信号进行去噪处理或是与其他类型的辅助变量同步记录等。而针对大规模数据分析的需求，也可以考虑采用批量化的方式一次性完成大量样本间的相似度测量任务，就像之前提到过的那样使用循环遍历每一个体素并计算其相对于某个种子区域之间的相关系数[^2]。