今天重新看了下Nilearn关于数据导入的细节，我发现我之前的文章有1个错误，哈哈，现在相通了，不过我也不打算修改了，估计没人看我的文章，等有人发现了评论了我再修改。就当留给后人的一个彩蛋。

要想理解Nilearn的数据结构，就要回归到Nilearn的最开始的导入部分。我们知道，Nilearn最方便的就是定义了decoder以后，直接decoder.fit( X, Y )就可以了。但是这个X怎么来的呢？它的形式是怎么样的呢？那么问题还是回到了一开始的数据导入部分。

Nilearn的导入是分两种，3D和4D的图像。
对于3D的图像：

from nilearn import image
fileniigs = image.load_img( 'XX.nii' )

对于4D的图像：

file = image.load_img(['XX.nii', 'XXX.nii']) #导入4D
file = image.index_img('4d_XX.nii', o) #导入4D图像的第1层
for volume in image.iter_img( 'XX.nii' )
    file = image.load_img(volume) # 遍历4D图像的每个单独体积

看到这里，相信聪明的人已经明白了我的意思。其实Nilearn只能输入3D图像（事实上基本所有的软件都只能输入3D图像），然后第4维是时间点，把时间点当成列表，这样就形成了decoder.fit的X，同理，对于多被试的静息态，其实多个被试就是时间点，也就是我强调的，机器学习里面的sample概念。
所以对于多个被试的静息态，输入的是单个被试的3D图像，例如zmap啊，reho啊之类的图像，然后用列表的形式把多个被试串起来，这样就可以decoder.fit了。
以上是总结的第一点，非常重要，这个方法掌握了，发文章就没问题了。

第二个就是对于正则式
之前我都是 import glob, 用glob.glob去正则式，这样可以，也能配上很强大的规则，但是对于简单的规则，事实上没必要用到glob，因为它可以直接直接使用*.nii这个方式去寻找文件，它本身已经融入了简单的正则式，这就非常方便了。

所以，了解了数据结构和导入方式，对于单个被试和多个被试的转换也就会了，那么举一反三，基本能灵活运用这个软件了。