前言
时隔多年，再次上线，重新经营csdn。自读研以来，不是干饭就是摆烂，实在颓废，能重新开始写博客，已然不易。在这里立下flag，争取以后每周都能写点什么东西，一来锻炼文笔，二来记录学习历程
我的研究方向与功能磁共振成像fMRI有关，此前从未接触过该领域，完全是从小白做起。经过几个月的学习，虽然还是一头雾水，但大体上能明白它能做些什么。为方便今后学习，便进行了如下简单的知识点归纳和整理
一、fMRI基础
二、fMRI数据预处理
三、fMRI数据分析
四、脑网络连接分析
一、fMRI基础
1、脑疾病：阿尔兹海默症AD、轻度认知障碍MCI、孤独症谱系障碍ASD、抑郁症MDD、多动症ADHD、偏头痛、帕金森综合症、精神分裂、癫痫等
2、脑成像技术：计算机断层扫描CT、脑磁成像图MEG、脑电图EEG、正电子断层成像PET、功能磁共振成像fMRI、单电子断层扫描SPECT、磁共振成像MRI
3、脑区分布及其功能
额叶：包括中央前回、背外侧额上回、额中回，影响智力、认知能力、情绪管理与行为管理
海马：位于丘脑和颞叶之间，影响人类进行长时间学习，如对声音、光有关事件的处理分析、情绪调节处理
右梭状回：位于颞叶，影响面孔识别能力
顶叶：包括中央后回、顶上回、楔前叶，影响人类整合信息的能力，如语言信息
顶上回：影响检索某些之前发生过的情景能力
楔前叶：影响某些高级认知功能，如感知语言的能力，处理自我相关信息的能力，对场景信息进行记忆的能力
颞中：位于颞叶，影响感知能力与内心和精神活动的能力
颞极:颞中回：颞极一部分，影响对幽默语言、事件的感知理解能力、对情感和社会的加工能力
小脑：影响神经反射能力和保持身体平衡的能力
4、功能磁共振成像fMRI
（1）简介：通过测量生物体内部神经元活动与周围血液内氧气水平的变化，结合磁振造影技术得到生物体功能结构的一种成像技术。由于是根据血氧水平依赖进行的脑功能成像技术，也常称为基于BOLD信号的脑功能核磁共振成像技术BOLD-fMRI
（2）原理
磁共振成像：大多数原子核具有自旋特性，且其自旋轴随机排列，若外加一个磁场，自旋轴会从无序状态变成有序状态，并最终达到平衡。此时，若在外界再加上一定频率的RF脉冲，它将会引起原子核和这个磁场的共振效应，导致低能级跃迁，即核磁共振现象。当RF脉冲被撤销时，原子核的自旋轴会回到原来的状态，并且释放能力，该过程称为弛豫，弛豫分为垂直弛豫(T1)和水平弛豫(T2)。磁共振成像有两种，一种是结构像，是对大脑内各部分特定原子核的磁共振信号的收集；另一种是功能像，是对BOLD信号的采集
BOLD功能成像：当大脑受到外界刺激时，神经元需要更多的氧气支撑它的活动，该过程会导致相关脑区的BOLD信号明显高于其他区域，并且T2增加，使得对应脑区的BOLD信号相对于未刺激前有明显的增强。BOLD信号可以看做是神经活动与血液动力学响应函数HRF卷积的结果，但是它相较于神经活动存在数秒延迟，不能直接体现大脑神经活动，而是通过测量局部血氧水平间接反映神经活动
（3）特点
优点：无侵入性、无创伤性、无放射性、无副作用、安全性高、可重复采集、采集过程简单、高空间分辨率、高时间分辨率、可精确定位、成像清晰、可显示脑功能激活区的部位、大小、范围和解剖位置
缺点：操作环境苛刻，现场观察较为困难、BLOD机制的延迟性和滞后性会对实验结果准确性造成影响、受磁场不均匀性容易导致较小的脑部组织无法正常显示
（4）应用：心理和生理疾病、大脑认知等领域
二、fMRI数据预处理
1、fMRI数据：4维数据，包括3维空间信息和1维时间信息。目前大都采用回拨平面系列成像EPI方法采集fMRI功能像，采集的基本参数有重复时间TR、回波时间TE、层数Slice、空间分辨率、采集时间等。由于EPI采集速度快，导致时间分辨率低，还会出现信噪比较低的问题。虽然fmri数据空间分辨率高，但随着其增加，体素逐渐变小，会降低信噪比，故体素一般设定为3×3×3mm
重复时间TR：脉冲序列相邻的两次执行的时间间隔，表示扫描一个完整大脑所需要的时间
回波时间TE：表示第一个射频脉冲到回波信号产生所需要的时间
层数（slice number）：扫描大脑获得的总层数
体积（volume）：一个重建好的大脑就是一个volume
时间点(Time Point)：通常一个volume就是一个时间点
体素（voxel）：一个体素就是一个单位，大脑被分成了许多小方块就是许多体素，通常功能像的分辨率为3mm×3mm×3mm
感兴趣区（ROI）：即感兴趣的脑区
2、公开数据集
- ADNI：阿尔茨海默病神经影像学计划（https://adni.loni.usc.edu/）
- ABIDE：自闭症脑图像数据集（http://fcon_1000.projects.nitrc.org/indi/abide/）
- Openneuro：包含正常被试、精神分裂症、双极型、情感障碍、多动症等数据集（https://openneuro.org）
3、软件包
SPM：基于matlab的功能函数，主要用于分析脑成像数据序列，适用于fMRI、PET、EEG和MEG的数据分析，分析处理包括数据预处理和统计分析两个部分（https://www.fil.ion.ucl.ac.uk/spm/software/download/）
DPARSF：基于SPM的用于处理分析fMRI数据的工具包，给出所有数据预处理操作和一些常用数据分析处理功能，能够实现多功能的自动化处理和批处理功能（http://rfmri.org/DPARSF）
MRIcro：大脑功能图像分析和查看软件。用于查看和分析fMRI数据，包括调整不同时间点，查看相应的图像，设置阈值划分高信号值与低信号值，并可视化展示（http://www.mricro.com）
BrainNet Viewer：基于图论的脑网络绘制工具，可以将脑网络中的节点和边以图的形式展示，并结合大脑的结构图像，直观地展示脑网络中节点在大脑地位置分布情况，以及节点之间的连接情况。它不仅仅支持体素级别的大脑表层体积绘制，还支持各种常用的划分模板作为节点的位置绘制(http://www.nitrc.org/projects/bnv/)
FSL：功能齐全的 fMRI、MRI及 DTI数据分析工具(http://www.fmrib.ox.ac.uk/fsl/)
WFU_PickAtlas：集人脑功能区定位与生成人脑 ROI模板于一体的软件包(http://fmri.wfubmc.edu/)
4、fMRI数据预处理：对实验获取到的影像数据进行一系列的校正、去噪、去除不必要的失真
格式转换：将DICOM文件转换为NIFIT格式
剔除时间点：为尽可能消除被试状态波动的影响，一般会将被试的前5个或前10个时间点的数据剔除
时间层校正(Slice Timing)：由于对一个volume是逐层扫描的，这使得扫描到的图像之间存在一定的时间差，无法在同一个时间点获取全脑体素信号。所以需要对不同层的时间进行校正，以消除采集时刻不同带来的差异，即将每一个3维MRI数据的每一个slice数据校正到同一个时间点上
头动校正(Realignment)：由于信号采集过程中，被试的呼吸、心跳等到来头部晃动难以避免，这会导致扫描到的体素位置发生变化，造成检测结果不准确。所以通过刚体变换技术，将时间序列中采集到的图像和参考时间点进行配准，使得图像近邻不发生移动或控制其移动范围在一定的阈值内
图像配准(Registrarion)：由于功能图像分辨率较低，难以分析脑区的具体信息。所以将低分辨率的功能图像配准到高分辨率的解剖图上，可以使得不同成像之间具有可比性
空间标准化(Normalization)：由于不同被试的大脑形状和结构存在差异，这使得获取的影像数据不在同一个空间中，对后续的实验和分析无意义。所以需将采集到的不同被试的大脑图像映射到同一个MNI空间，消除大脑形状不同带来的差异，使得被试之间具有可比性
空间平滑(Smooth)：由于数据采集过程中存在许多不可抗外因导致最终采集到的数据与真实数据存在一定的偏差，影响最终的分析结果。所以需要对数据进行平滑处理，能够消除配准、标准化等带来的细微误差，有助于满足统计推断过程中的高斯随机场要求，提高数据的信噪比和参数统计检验的有效性
三、fMRI数据分析
1、实验设计
Block设计模式：设计方案简单，操作便捷，获取的BOLD信号较强，数据处理较为容易，但无法获得block内单次刺激的BOLD信号的时间曲线
Event-related设计模式：可以探测单个刺激所引起的平均BOLD曲线，同时获得较高信噪比的信号数据，但实验设计较为复杂，数据处理较为不便
Resting-state设计模式：不需要被试做任何认知任务或者进行任何额外的思考，实验设计不复杂，重点是保持放松状态，排除外界刺激的情况下通过采集被试大脑BOLD磁共振图像，选取合适的ROI提取有意义的时间序列，反应采集过程中大脑体素的信号强度变化情况，最终得到一条随时间呈现特定规律和组织方式涨落的时间序列曲线
Tasking-state设计模式：被试在实验过程中会受到实验所设置的或执行任务所致的外界刺激，采集到的是人脑神经活动所引起的血氧水平改变图像
2、研究分类
功能分离：人类不同的特定活动所激发的大脑区域是不重叠的，大脑的不同区域有不同的功能，负责不同的活动，不需要与其他脑区进行合作
功能整合：人类的行为和认知不仅仅是某一个单独的功能支撑，而是由整个大脑相互协作来完成的
3、评估指标：ROC曲线、偏斜度分析、相关性方差分析
四、脑网络连接分析
4.1 功能连接
1、简介：功能连接研究功能协调的大脑网络之间的信息处理和传递，能够反映特定时间下脑区之间的交流方式和内容，为研究不同脑区之间的信息传输和分工合作提供了方法。它衡量的是脑区之间的相关性，不具有方向性，一般通过计算大脑不同区域的信号来反映脑区之间关系的强弱。功能连接只能显示功能连通性，并不表示两个脑区之间存在因果关系，甚至两个脑区之间也没有任何直接联系。可以用各种模态的数据和分析方法来评估功能连通性，如任务态fMRI数据分析特定任务刺激的功能连通性，静息态fMRI数据的时间序列相关性来评估大脑中的功能连接
2、静态功能连接SFC：能够测量大脑中自发性BOLD信号在不同大脑区域之间的时间相关性，并假设具有相关活动的区域会形成功能网络，认为脑区之间的功能连接是不随时间的变化而变化的。常用的研究方法包括模型驱动法、数据驱动法和功能网络连接分析法
（1）模型驱动法：适用于实验设计参数都非常确定的数据，可以比较方便和准确地获取与实验任务相关地脑激活区域，但往往需要大量的空间域或时间域上的先验知识和假设作为基础。常用方法有相关分析法CCA、一致性分析法CA和统计参数图分析法SPM等，其中相关分析法和一致性分析法需要ROI的精确定位先验信息，而统计参数图分析需要关于刺激模式的先验信息，这些会限制从全局角度获得脑功能连接网络
相关分析法CCA：通过相关系数分析两个脑区之间的相关程度，当相关系数大于某一设定的阈值时，则认为这两个脑区之间存在功能连通性。常用的度量方法有皮尔森相关、对数似然相似度和互信息。以皮尔森相关为例，它的分析流程为（1）确定ROI所包含的大脑区域或体素的位置（2）获取ROI的时间序列（3）利用皮尔森相关系数计算ROI和脑区之间对应的系数（4）对得到的相关系数做进一步分析。该方法的缺点是需要根据神经认知的先验知识人工选取种子点/ROI，ROI的选择具有偶然性和随意性
一致性分析法CA：将时间域内的时间过程之间的互相关性转换到了在频谱域内相应的功率谱之间的一致性分析。能够在一定程度上消除互相关分析方法易受生理噪声影响的不足，但是该方法仍然受制于种子点或感兴趣区的随意性选择带来的影响
统计参数图分析法SPM：以脑功能成像数据的每个体素为基本单位，逐体素进行统计分析，以得到某个显著性水平下的脑功能激活图，并以此为基础计算出某些（或全部）激活区的生理信号时间变化或任务相关曲线
（2）数据驱动法：多变量分析方法，无需依赖任何实验模型的分析方法，常用方法有主成分分析法、独立成分分析法和聚类分析法
主成分分析法PCA：根据最大方差提取出数据的主要成分，再利用主要成分进行特征提取和分类预测工作。通常利用维数小于原始数据的基向量，使得原始高维数据能够投影到低维空间，实现降维目的，从而去除数据中的冗余值，消除数据噪声，减少数据的特征维度，并在剩余维度中保留原始数据的特征信息
独立成分分析法ICA：从信号盲源分析中发展而来的一门有效的成分分析技术。利用混合矩阵和独立的成分矩阵表示实验数据，有效的成分可以被认为是一个网络。所得的成分往往对其进行z_score转换，z分数越高则对应体素之间的功能连接更强。该方法不会预先定义ROI，而是通过原数据分离出多个成分，然后计算成分之间的功能连接
聚类分析方法CA：根据某种相似性规则(欧氏距离、皮尔森距离)，将相似性的体素聚集在一起，从而形成多个代表不同脑功能连接网络的聚类，通常将聚类获得的每一类称为大脑的一个状态。常用的方法有模糊聚类FCA、层次聚类HC和仿射聚类APC
（3）功能网络连接分析法FNC：综合数据驱动和模型驱动。和基于ROI的方法类似，但该方法还能反映出脑区和脑区之间的连接随时间的变化带来的差异。计算步骤为（1）用独立成分分析法提取出被试的独立成分（2）用时空回归等多种方法分解出成分的时间序列（3）计算每个网络成分时间序列的平均（4）计算网络之间的功能连接
3、动态功能连接DFC：功能连接具有特殊的时间动态性，这种动态性能够捕获静态功能连接检测不到的信息，更能反映功能连接的时间特性，揭示脑区之间的信息交流。常用的方法有滑动窗口法和无窗口法
（1）滑动窗口法
步骤：（1）确定每个滑动窗口的长度(30s-60s为宜)和步长（2）计算每个窗口所包含的体素之间或脑区之间时间序列的相关系数（3）对相关系数进行z分数并作为窗口的功能连接矩阵(对称矩阵)（4）取出每个窗口功能连接矩阵上(下)三角并将其转换为列向量，将这些列向量按行拼接成一个功能连接矩阵（5）对所有窗口进行K均值聚类，获得动态功能网络连接的稳定模式
局限性：窗口长度不同将导致研究结果的不同。窗口太短，窗口所包含的数据就十分有限，计算得到的连接不够稳定，难以准确表示一段时间内的动态功能连接；窗口太长，则接近于静态功能连接，无法反映动态功能连接的时间特性
（2）无窗口方法：能够有效解决窗口长度缺乏统一标准的问题，但依旧需要进行更深入的探索。常用的方法有时频分析，即让观测窗口与时间进程的频率相适应
4.2 有效连接
1、简介：衡量一个脑区的活动是否会因为另一个脑区的活动的变化而变化，特点是动态性和因果性，在静息态下能反映无外界刺激的情况下大脑内部的信息流向，同时考虑节点之间的相互影响。有效连接具有方向性，它不仅考虑时间因素，还考虑脑区之间信息的传递方向，常用方法有格兰杰因果模型GCM和动态因果方程模型DCM。使用有效连接可以提取更多大脑网络的特征，从而提高脑网络研究的深度
2、方法
格兰杰因果分析GCA：不需要事先假定研究区域间存在解剖连接即可在全脑水平进行因果分析，形成GCM模型，且选择ROI较为方便。缺点是无法很好的识别变量间的弱耦合至中耦合关系，容易受到噪声影响
交叉收敛映射CCM：以状态空间重构理论以及 Takens嵌入理论为理论基础，利用变量的重构空间之间的微分同胚特点，通过重构空间的相互预测来判断变量之间的因果关系。更加适用于类似于人脑的不可分离的动态系统
4.3 复杂网络
1、图论：分析复杂网络的有效工具，为量化复杂系统的结构提供了一个强大的数据结构框架，为分析复杂系统的拓扑特性提供了准确的方法和指标
2、拓扑属性分析
（1）聚类系数：用来描述和量化节点聚集程度的一种指标，对于一个复杂网络而言，节点聚集系数可以表示一个节点与周围其他节点之间的连接聚集程度。网络聚集程度是指整个网络中节点之间相互聚簇程度
（2）最短路径长度：描述的是网络中某一结点能以最少的成本或最大的效率到达另一节点
（3）度：图最基本的一个属性。节点的度越大则与该节点相连的节点也就越多，通过某一标准，如度值大于所有节点度的平均值+标准差筛选出来的一类节点叫做中枢节点
（4）中心度：对网络中节点的重要性进行描述，某节点的中心度值越大则表明该节点的地位越重要。可以用某节点度的大小来定义中心度，也就是说某节点的度越大则其中心度也越大。还可以从信息流动的角度来定义中心度，即介数中心度
（5）同配型：用来考察度数比较接近的节点之间互相连接的倾向性
（6）模块化结构：是指在复杂网络中存在的彼此之间分布稀疏，内部联系却十分紧密的节点簇。主要分为两个模块，内部连接紧密，彼此连接稀疏。模块内部具有较多连接的节点在网络中具有枢纽意义，称为 hub节点，模块之间拥有较多连接的节点，为连接hub
（7）局部和全局效率
3、网络模型
（1）小世界网络：介于规则网络(聚类系数较高，最短路径较长)和随机网络(聚类系数较低，最短路径较短)之间的网络，即同时具有较短最短路径和较高聚类系数的网络
（2）无标度网络：呈现出高鲁棒性以及脆弱性的网络