ConnectivityMeasure是一个可以计算不同种类的功能连接矩阵的类。

parameters

1. cov_estimator：估计器对象，用于计算两个变量之间的协方差，作为它们之间的连接强度，default=‘LedoitWolf’。

ConnectivityMeasure 类中提供了多种不同的协方差估计器，包括LedoitWolf、ShrunkCovariance、EmpiricalCovariance 等。这些估计器具有不同的性质和适用范围，可以根据具体情况来选择合适的估计器。不了解的话默认即可。

2. kind：用于选择计算功能连接时使用的相似度/相关性度量，Default=’covariance’。

• 'correlation'：计算皮尔逊相关系数，度量两个区域之间的线性相关性。
• 'partial correlation'：计算偏相关系数，度量两个区域之间的线性相关性，同时控制其他区域的影响。
• 'tangent'：使用切线映射来进行转换，这种方法基于Riemannian流形上的欧氏空间，适用于高维数据。
• 'covariance'：计算协方差矩阵，度量两个区域之间的共变性。
• 'precision'：计算精度矩阵，是协方差矩阵的逆矩阵，度量两个区域之间的独立性。

3. vectorize：是否将连接矩阵展平为一维向量，Default=False。可能会影响数据。

4. discard_diagonal：指定是否丢弃连接矩阵的对角线元素，Default=False。一般不丢弃，可以作图时再丢弃。

attribute

fit_transform(X, y=None, confounds=None)估计加转换，就是把fit()和transform()函数合在一起了。

X：list of numpy.ndarray, shape for each (n_samples, n_features)
X是一个时间序列，例如[169, 39]代表每个脑被分为了39个rois，一共有169个脑。samples就是169，features就是39。

confounds：np.ndarray with shape (n_samples) or (n_samples, n_confounds), or pandas DataFrame
confounds是一个用于去除混杂因素（confounding factors）的参数。混杂因素是指可能会影响神经影像数据但与我们感兴趣的变量无关，需要被去除或控制掉的因素。常见的包括头动、心跳、呼吸等。confounds是一个数组或DataFrame，其中包含混杂因素的时间序列。confounds中的时间序列与原始的神经影像数据进行线性回归，得到残差序列，然后再将残差序列作为输入，计算区域之间的连接性。最终是为了减少误差和增强信号。

fit()的功能是得出协方差矩阵，以便应用到接下来的数据当中。
例如X是[139, 39]，那么就会构造一个[39, 39]深度是169的矩阵，深度代表每个roi上的时间序列，然后两两求协方差。这一步得到了一个协方差矩阵。

transform()的功能是对协方差矩阵进行转换，得到所选kind的连接矩阵。例如kind是皮尔逊相关，那就将协方差矩阵进一步计算为皮尔逊相关矩阵。