零基础 HDDM 数据分析完全指南：Docker 一键部署与实战

不需要记复杂的 Linux 命令，不需要折腾 Python 环境——本文将带你用最简单的方式在 Windows 上运行 HDDM 进行漂移扩散模型分析。

---

什么是 HDDM？

HDDM（Hierarchical Drift Diffusion Model，层级漂移扩散模型）是认知心理学和神经科学中广泛使用的反应时分析工具。它能够：

• 🧠 估计认知加工参数：漂移率（drift rate）、决策阈值（threshold）、非决策时间等
• 📊 处理层级数据：同时建模被试内和被试间变异
• 🔬 支持贝叶斯推断：提供参数的后验分布和不确定性估计

典型应用场景

研究领域	应用示例
认知心理学	知觉决策、记忆提取过程
临床心理学	抑郁症、ADHD 患者的决策机制
神经经济学	风险决策、跨期选择
精神病学	冲动控制障碍的评估

---

为什么选择 Docker？

传统方式安装 HDDM 需要：

✗ 安装 Python 3.x
✗ 安装 Theano/PyMC（依赖复杂）
✗ 配置 C++ 编译器
✗ 解决各种依赖冲突
✗ 折腾几小时可能还跑不起来 😭

而使用 Docker 只需要：

✓ 安装 Docker Desktop（一次）
✓ 一行命令启动环境
✓ 开箱即用，无需配置 😊

---

前置准备

第一步：安装 Docker Desktop

1. 访问 Docker 官网
2. 下载 Windows 版本并安装
3. 启动 Docker Desktop，确保左下角显示 🟢 Running

第二步：拉取 HDDM 镜像

以管理员身份打开 CMD，运行：

docker pull hcp4715/hddm

⏱️ 首次下载约需 5-10 分钟（取决于网络速度）

---

快速开始：一键命令生成

为了简化操作，我制作了一个命令生成工具。你只需要输入 Windows 文件夹路径，工具会自动生成可运行的 Docker 命令。

使用步骤

1. 打开命令生成器

点击下方链接使用在线版本，或下载 HTML 文件本地打开：

🔗 DockerHDDM 命令生成器

2. 输入你的数据文件夹路径

在输入框中粘贴数据文件夹路径，例如：

D:\GitHub_programe\GitHub\Self-Repo\AI_Docker_User

工具支持多种格式自动转换：

你输入的格式	自动转换为
D:\my\data	/d/my/data
"D:\my\data"	/d/my/data
D:/my/data	/d/my/data
C:\Users\me\data	/c/Users/me/data

3. 调整选项（可选）

• CPU 核心数：默认 4 核，根据电脑配置调整
• 端口：默认 8888，被占用时可改为 8787、8889 等
• 镜像版本：默认 latest（推荐）

4. 点击”生成命令”

复制生成的命令，类似这样：

docker run -it --rm --cpus=4 -v /d/GitHub_programe/GitHub/Self-Repo/AI_Docker_User:/home/jovyan/work -p 8888:8888 hcp4715/hddm jupyter notebook

---

运行与使用

在 CMD 中启动

1. 以管理员身份打开 CMD
2. 粘贴生成的命令，按回车
3. 等待容器启动（首次约 30 秒）

成功启动后，终端会显示类似：

[I 2024-01-15 08:30:00.123 ServerApp] Jupyter Server 2.0.0 is running at:
[I 2024-01-15 08:30:00.124 ServerApp] http://127.0.0.1:8888/?token=abc123def456

打开 Jupyter Notebook

1. 复制终端中的链接（包含 token）
2. 在浏览器中粘贴并打开
3. 进入 work 文件夹——这里就是你的数据文件夹

---

命令参数详解

生成的 Docker 命令包含以下参数：

docker run -it --rm --cpus=4 -v /本地路径:/home/jovyan/work -p 8888:8888 hcp4715/hddm jupyter notebook

参数	含义	说明
docker run	启动容器	创建并运行一个新容器
-it	交互模式	保持交互，可看到运行日志
--rm	自动清理	容器退出后自动删除，不占用空间
--cpus=4	CPU 限制	限制容器使用 4 个 CPU 核心
-v 本地:容器	挂载卷	将本地文件夹映射到容器内
-p 8888:8888	端口映射	将容器的 8888 端口映射到本机
hcp4715/hddm	镜像名	使用的 Docker 镜像
jupyter notebook	启动命令	启动 Jupyter Notebook 服务

---

实战示例：分析一个简单的数据集

示例数据格式

HDDM 通常需要以下列：

列名	说明	示例值
rt	反应时（秒）	0.523
response	反应（正确=1，错误=0）	1
subj_idx	被试编号	1, 2, 3…
condition	实验条件（可选）	“easy”, “hard”

示例代码

在 Jupyter Notebook 中新建一个 Python 文件，运行：

import pandas as pd
import hddm

# 1. 读取数据
data = pd.read_csv('work/my_data.csv')
print(data.head())

# 2. 创建 HDDM 模型
# 简单模型：只估计被试水平的参数
model = hddm.HDDM(data, depends_on={'v': 'condition'})

# 3. 运行 MCMC 采样
model.sample(2000, burn=500)

# 4. 查看结果
model.print_stats()

# 5. 保存结果
model.save('work/hddm_results')

结果解读

HDDM 主要估计以下参数：

参数	含义	心理学解释
v (drift rate)	漂移率	证据积累速度，反映任务难度和注意力
a (threshold)	决策阈值	谨慎程度，阈值越高越保守
t (non-decision time)	非决策时间	知觉和运动执行时间
z (starting point)	起始点	先验偏向，>0.5 偏向某一反应

---

常见问题解决

❓ 端口被占用了怎么办？

症状：提示 bind: address already in use

解决：修改端口映射，例如改为 8787：

# 将 -p 8888:8888 改为 -p 8787:8888
docker run -it --rm --cpus=4 -v /d/data:/home/jovyan/work -p 8787:8888 hcp4715/hddm jupyter notebook

然后访问：http://127.0.0.1:8787

❓ 提示权限不足？

症状：docker: permission denied

解决：

1. 确保以管理员身份运行 CMD
2. 检查 Docker Desktop 是否正在运行
3. 尝试重启 Docker Desktop

❓ 如何导入自己的数据？

方法：将数据文件放在挂载的文件夹中，在 Jupyter 中通过 work/ 访问：

# 假设你的数据在 D:\data\experiment.csv
# 挂载后通过以下路径读取
data = pd.read_csv('work/experiment.csv')

❓ 容器启动后如何停止？

方法：直接关闭 CMD 窗口即可。

由于使用了 --rm 参数，容器会自动清理，不会占用磁盘空间。你的数据保存在本地文件夹，不会丢失。

❓ 如何保存代码和结果？

方案 1：在 Jupyter 中直接保存到 work 文件夹（推荐）

# 结果会自动保存到挂载的本地文件夹
model.save('work/my_model')

方案 2：使用 Jupyter 的 Download 功能下载 .ipynb 文件

---

进阶配置

指定镜像版本

如需使用特定版本，修改镜像标签：

# 最新稳定版
docker run ... hcp4715/hddm:1.0.1 ...

# Intel 芯片专用
docker run ... hcp4715/hddm:1.0.1-amd64 ...

# Apple M1/M2 专用
docker run ... hcp4715/hddm:1.0.1-arm64 ...

增加内存限制

如需限制容器内存使用，添加 --memory 参数：

docker run -it --rm --cpus=4 --memory=8g -v /d/data:/home/jovyan/work -p 8888:8888 hcp4715/hddm jupyter notebook

---

完整工作流程图

┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│  1. 准备数据     │────▶│  2. 生成命令     │────▶│  3. 启动容器     │
│  (CSV 格式)      │     │  (命令生成器)    │     │  (CMD 运行)     │
└─────────────────┘     └─────────────────┘     └─────────────────┘
                                                        │
                                                        ▼
┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│  6. 保存结果     │◀────│  5. 运行分析     │◀────│  4. 打开 Jupyter│
│  (work 文件夹)   │     │  (HDDM 代码)     │     │  (浏览器访问)   │
└─────────────────┘     └─────────────────┘     └─────────────────┘

---

参考资源

学术论文

• Wiecki, T. V., Sofer, I., & Frank, M. J. (2013). HDDM: Hierarchical Bayesian estimation of the Drift-Diffusion Model in Python. Frontiers in Neuroinformatics, 7.
• Pan, W., Geng, H., Zhang, L., et al. (2025). dockerHDDM: A User-Friendly Environment for Bayesian Hierarchical Drift-Diffusion Modeling. Advances in Methods and Practices in Psychological Science, 8(1).

在线资源

• 📘 HDDM 官方文档
• 🐳 Docker 镜像主页
• 💻 HDDM 教程笔记本

---

总结

使用 Docker 运行 HDDM 的优势：

方面	传统安装	Docker 方式
安装时间	2-4 小时	10 分钟
配置复杂度	高	零配置
环境一致性	易出错	完全一致
跨平台	困难	完美支持
卸载清理	繁琐	一键删除

通过本文介绍的命令生成工具，即使是零基础用户也能在几分钟内完成 HDDM 分析环境的搭建。希望这篇教程能帮助你顺利进行漂移扩散模型的数据分析！

---

💬 有问题？ 欢迎在评论区留言，或查阅 HDDM 官方文档 获取更多帮助。