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。
