Matlab中分层聚类
一般分层聚类分为以下几步：
分步聚类：（1）用pdist函数计算样本之间的距离，确定两两样本之间的距离或相似性（这个和选择的计算pdist的方法有关系）；（2）用linkage函数定义之间的连接；（3）用cophenet函数评价聚类效果；（4）用cluster函数进行聚类。
一般分层聚类分为以下几步：
分步聚类：（1）用pdist函数计算样本之间的距离，确定两两样本之间的距离或相似性（这个和选择的计算pdist的方法有关系）；（2）用linkage函数定义之间的连接；（3）用cophenet函数评价聚类效果；（4）用cluster函数进行聚类。
MICCAI 2013已经结束快两周了，做个小结继续上路。
此次参会印象最深刻，也是最受刺激的就是，某研究组对博士的要求是累积IF30分，这是何等的效率。由此引发了一些反思：
提高效率，这是最关键的；（效率）
这是在一篇文章评审过程中，从reviewer那儿学来一个词。就学着用到了修改后的manuscript中，可是另一个reviewer不买账了，这才查了这个词到底有多神秘。
Wiki上关于endophenotype的定义，“Endophenotype is a genetic epidemiology term which is used to parse behavioral symptoms into more stable phenotypes with a clear genetic connection.”
即Menieres disease
一般核磁实验之前，工作人员往往会要求参加实验的人填写一份安全注意事项用于被试筛选，比如大家熟知的“体内不能有植入的金属”。主试也经常被问及“美尼尔氏综合症”是个什么病呢？大多数情况下主试会回复“一般人不会有”以让参加实验的人放心忽略这一项。
Tksurfer是freesurfer中可视化surface结果的很方便实用的工具，命令举例如下：
tksurfer fsaverage lh inflated –overlay./fwhm10lh/c1.contrast/sig.mgh
即将统计分析结果sig.mgh左脑部分映射显示到“吹起”（inflated）皮层（以fsaverage为背景）上。
CentOS 6之前yum源中没有git，只能自己编译安装。下面是简单的记录：
wget http://www.codemonkey.org.uk/projects/git-snapshots/git/git-latest.tar.gz
不觉间实验室新的一场运动开始了，核对被试信息。基因编号，脑数据编号以及各种行为数据编号的对应关系核对。
不管怎样，这确实是后面得出真实分析结果的前提，也提醒着我们，在采集大样本的数据时，最好首先给被试个统一的编号，每一项测查中都采用这个编号，而不是有的用拼音，有的用汉字，有的用其他什么编号。
DTI数据处理中bvecs是很关键的一个信息，关于bvecs的确定，说简单也简单，但是执意去搞个清晰，绝对是一个坑，一个很深的坑，因为不同的核磁生产商以及不同的DTI处理软件都有自己的一套标准。
在网上找个一个很好的材料，对于确定bvecs没有搞错很有用，分享一下。
七年。
也许，和今天没什么两样；
也许，会发生很大的变化。
顺手翻译了一下，一个学者眼里的七年，已经能看到些许动向。
In seven years there will be no essential difference between comments on articles and peer-reviews,
七年后，对文章进行评论和同行评审将不存在本质差别；
In seven years there will be semantic means of definition of plagiarism and, as a consequence, a significant percentage of today’s articles will qualify as recycled crap,
七年后，会出现多种定义剽窃的语义方法，从而导致相当比例现在的文章被当做垃圾回收；
In seven years there will be popularity contests and evaluations based on the popularity of the authors as measured by their impact on the web,
七年后，会出现基于文章作者的名声的名声竞赛和评估方式，而其中作者的名声依赖于他们在网上的影响力；
In seven years the best universities will gamify the teaching process,
七年后，顶尖的大学将游戏化他们的教学过程；
In seven years all successful changes of the process of dissemination of knowledge will turn out to be among those born from private initiatives,
七年后，所有知识传播过程的成功变化最终是这些源于私人主动性的变化；
In seven years large research collaborations of mathematicians will be regarded as normal,
七年后，数学家们间的大的研究合作将会很普遍；
In seven years most of the articles which are now under the lock of the copyright belonging to the publisher will be seen as vanity publication and their most important use will be as data for programs of massively extraction of semantic content.
七年后，那些被锁在属于出版商版权下的大多数文章将被看做是没有价值的出版物，他们大多数的主要的用途将仅在于程序大量提取语义内容的数据。
书的第一章讲到，统计可以定义为‘收集、分析、展示和解释数据的科学’，也称‘数据科学’。
书题中提及的‘复杂数据’并没有确切的定义，但是却与统计学发展的不同阶段有密切联系。早期人们获取的数据的量和复杂程度要远逊于big data盛行的今天，加上计算资源的限制，人们更倾向于采用基于诸如独立同正态分布之类的数学假设的数据分析方法，即‘模型驱动’的研究方法；后来随着计算机的发展，科学家可以接触到的计算资源也不断增加（比如我们实验室自己搞的SGE并行计算平台，以前哪有想过心理学家会需要用这个呢，哈哈），更多的科学家开始接受以数据为主导的研究方式，特别是决策树、boosting、随机森林和SVM等大量算法模型的相继出现基本宣告了传统模型主导的数据分析时代的终结。
(下面是一次主题讨论上的讲稿，不喜可以绕行了微笑)
这次主题讨论活动的主题是‘树立坚定的理想信念与促进研究生成长的关系’。
这里有一个猛一看貌似‘假大空’的词，也就是‘理想信念’。这个理想信念到底是指什么呢？弄不清这个概念，很难谈它与研究生成长的关系。
Google告诉我，在当代中国，共产党人的理想信念是：坚持与实践党的基本理论（马克思列宁主义、毛泽东思想、邓小平理论和“三个代表”重要思想）；坚定共产主义远大理想；坚定不移地走中国特色社会主义道路；坚持党的基本路线和基本纲领不动摇。
时下，关于心理学研究的Replication的问题讨论得正是火热，也引发了众多‘方舟子’们打假的热情。
目前讨论主要集中在，心理学研究的可重复性有多大、打假必要性以及科学是否可以自修正等方面。当然，也有研究者已经开始着手重复别人的研究，看是否可以重复。突然想起网上传的一句貌似很能支持Replication大潮的一句话，即Replication is the best statistics。这句话看上很有道理，俨然成为推崇Replication一波人的信条，也不怪乎广泛流传。
“Seeing is believing” is an idiom meaning “only physical or concrete evidence is convincing”. According to the Wikipedia, it leads to a sophistry that “seen evidence” can be easily and correctly interpreted, when in fact, interpretation may be difficult. It is in the same way when drawing scatter plots with your correlation data.
Lately in my research, I have been focusing on correlations between behavioral data from a large dataset. As is known, correlation is an expression of how well the linear relationship between two sets of data, that is to say, how they are related under the simple linear model. To give an example, for researchers, number of papers and their salary are well correlated. Thus, you can use a researcher’ number of papers to predict his/her salary. It is important to note that ‘correlation does NOT imply causation‘.