In studies of cognitive neuroscience, multivariate pattern analysis (MVPA) is widely used as it offers richer information than traditional univariate analysis. Representational similarity analysis (RSA), as one method of MVPA, has become an effective decoding method based on neural data by calculating the similarity between different representations in the brain under different conditions. Moreover, RSA is suitable for researchers to compare data from different modalities and even bridge data from different species. However, previous toolboxes have been made to fit specific datasets. Here, we develop NeuroRA, a novel and easy-to-use toolbox for representational analysis. Our toolbox aims at conducting cross-modal data analysis from multi-modal neural data (e.g., EEG, MEG, fNIRS, fMRI, and other sources of neruroelectrophysiological data), behavioral data, and computer-simulated data. Compared with previous software packages, our toolbox is more comprehensive and powerful. Using NeuroRA, users can not only calculate the representational dissimilarity matrix (RDM), which reflects the representational similarity among different task conditions and conduct a representational analysis among different RDMs to achieve a cross-modal comparison. Besides, users can calculate neural pattern similarity (NPS), spatiotemporal pattern similarity (STPS), and inter-subject correlation (ISC) with this toolbox. NeuroRA also provides users with functions performing statistical analysis, storage, and visualization of results. We introduce the structure, modules, features, and algorithms of NeuroRA in this paper, as well as examples applying the toolbox in published datasets.

中文翻译：

---

NeuroRA：从多模态神经数据进行表征分析的 Python 工具箱

在认知神经科学的研究中，多元模式分析 (MVPA) 被广泛使用，因为它比传统的单变量分析提供了更丰富的信息。表征相似性分析（RSA）作为MVPA的一种方法，通过计算不同条件下大脑中不同表征之间的相似性，已经成为一种基于神经数据的有效解码方法。此外，RSA 适合研究人员比较来自不同模式的数据，甚至可以连接不同物种的数据。但是，以前的工具箱是为适应特定数据集而制作的。在这里，我们开发了 NeuroRA，这是一种用于表征分析的新颖且易于使用的工具箱。我们的工具箱旨在从多模态神经数据（例如 EEG、MEG、fNIRS、fMRI 和其他神经电生理数据来源）进行跨模态数据分析，行为数据和计算机模拟数据。与之前的软件包相比，我们的工具箱更加全面和强大。使用NeuroRA，用户不仅可以计算表征差异矩阵（RDM），该矩阵反映了不同任务条件之间的表征相似性，还可以在不同的RDM之间进行表征分析，实现跨模态比较。此外，用户可以使用此工具箱计算神经模式相似度（NPS）、时空模式相似度（STPS）和主体间相关性（ISC）。NeuroRA 还为用户提供了执行统计分析、存储和结果可视化的功能。我们在本文中介绍了 NeuroRA 的结构、模块、特性和算法，以及在已发布数据集中应用该工具箱的示例。和计算机模拟数据。与之前的软件包相比，我们的工具箱更加全面和强大。使用NeuroRA，用户不仅可以计算表征差异矩阵（RDM），该矩阵反映了不同任务条件之间的表征相似性，还可以在不同的RDM之间进行表征分析，实现跨模态比较。此外，用户可以使用此工具箱计算神经模式相似度 (NPS)、时空模式相似度 (STPS) 和主体间相关性 (ISC)。NeuroRA 还为用户提供了执行统计分析、存储和结果可视化的功能。我们在本文中介绍了 NeuroRA 的结构、模块、特性和算法，以及在已发布数据集中应用该工具箱的示例。和计算机模拟数据。与之前的软件包相比，我们的工具箱更加全面和强大。使用NeuroRA，用户不仅可以计算表征差异矩阵（RDM），该矩阵反映了不同任务条件之间的表征相似性，还可以在不同的RDM之间进行表征分析，实现跨模态比较。此外，用户可以使用此工具箱计算神经模式相似度 (NPS)、时空模式相似度 (STPS) 和主体间相关性 (ISC)。NeuroRA 还为用户提供了执行统计分析、存储和结果可视化的功能。我们在本文中介绍了 NeuroRA 的结构、模块、特性和算法，以及在已发布数据集中应用该工具箱的示例。与之前的软件包相比，我们的工具箱更加全面和强大。使用NeuroRA，用户不仅可以计算表征差异矩阵（RDM），该矩阵反映了不同任务条件之间的表征相似性，还可以在不同的RDM之间进行表征分析，实现跨模态比较。此外，用户可以使用此工具箱计算神经模式相似度 (NPS)、时空模式相似度 (STPS) 和主体间相关性 (ISC)。NeuroRA 还为用户提供执行统计分析、存储和结果可视化的功能。我们在本文中介绍了 NeuroRA 的结构、模块、特性和算法，以及在已发布数据集中应用该工具箱的示例。与之前的软件包相比，我们的工具箱更加全面和强大。使用NeuroRA，用户不仅可以计算表征差异矩阵（RDM），该矩阵反映了不同任务条件之间的表征相似性，还可以在不同的RDM之间进行表征分析，实现跨模态比较。此外，用户可以使用此工具箱计算神经模式相似度（NPS）、时空模式相似度（STPS）和主体间相关性（ISC）。NeuroRA 还为用户提供了执行统计分析、存储和结果可视化的功能。我们在本文中介绍了 NeuroRA 的结构、模块、特性和算法，以及在已发布数据集中应用该工具箱的示例。用户不仅可以计算表征相异矩阵（RDM），它反映了不同任务条件之间的表征相似性，并且可以在不同的 RDM 之间进行表征分析，以实现跨模态比较。此外，用户可以使用此工具箱计算神经模式相似度 (NPS)、时空模式相似度 (STPS) 和主体间相关性 (ISC)。NeuroRA 还为用户提供了执行统计分析、存储和结果可视化的功能。我们在本文中介绍了 NeuroRA 的结构、模块、特性和算法，以及在已发布数据集中应用该工具箱的示例。用户不仅可以计算表征相异矩阵（RDM），它反映了不同任务条件之间的表征相似性，并且可以在不同的 RDM 之间进行表征分析，以实现跨模态比较。此外，用户可以使用此工具箱计算神经模式相似度（NPS）、时空模式相似度（STPS）和主体间相关性（ISC）。NeuroRA 还为用户提供了执行统计分析、存储和结果可视化的功能。我们在本文中介绍了 NeuroRA 的结构、模块、特性和算法，以及在已发布数据集中应用该工具箱的示例。它反映了不同任务条件之间的表征相似性，并在不同的 RDM 之间进行表征分析，以实现跨模态比较。此外，用户可以使用此工具箱计算神经模式相似度（NPS）、时空模式相似度（STPS）和主体间相关性（ISC）。NeuroRA 还为用户提供了执行统计分析、存储和结果可视化的功能。我们在本文中介绍了 NeuroRA 的结构、模块、特性和算法，以及在已发布数据集中应用该工具箱的示例。它反映了不同任务条件之间的表征相似性，并在不同的 RDM 之间进行表征分析，以实现跨模态比较。此外，用户可以使用此工具箱计算神经模式相似度 (NPS)、时空模式相似度 (STPS) 和主体间相关性 (ISC)。NeuroRA 还为用户提供了执行统计分析、存储和结果可视化的功能。我们在本文中介绍了 NeuroRA 的结构、模块、特性和算法，以及在已发布数据集中应用该工具箱的示例。NeuroRA 还为用户提供了执行统计分析、存储和结果可视化的功能。我们在本文中介绍了 NeuroRA 的结构、模块、特性和算法，以及在已发布数据集中应用该工具箱的示例。NeuroRA 还为用户提供了执行统计分析、存储和结果可视化的功能。我们在本文中介绍了 NeuroRA 的结构、模块、特性和算法，以及在已发布数据集中应用该工具箱的示例。