使用参数高斯Copula计算互信息和其他信息理论量的功能。
这提供了一种基于级别的基于级别的统计数据,可以以统一的方式处理多维,连续和离散变量,在公共规模(比特)上具有有意义的效果大小。
诸如条件互动信息的高阶数量,而交互信息量化多个变量之间的统计关系。
如果您使用此代码进行分析,请在索引日记帐或存储库中发布,请引用以下文章:
Raa Ince,Bl Giordano,C kayser,Ga Rousselet,J Gross和PG Schyns
“基于通过高斯Copula估计的互信息的神经影像数据分析的统计框架”
人脑映射DOI:10.1002 / HBM.23471
对于可能未索引引用的补充信息的期刊,请将引用放在索引的主要稿件中。
Matlab_examples目录包含从该纸张中再现分析的教程示例脚本。
引用
罗宾(2021)。GCMI:高斯Copula相互信息(https://github.com/robince/gcmi),github。检索到。
马铃薯
matlab_examples.
在此GitHub附加组件中查看或报告问题,访问github存储库。
在此GitHub附加组件中查看或报告问题,访问github存储库。