前言
前面学习了神经科学中常见的两步分析法:
- ttest2识别差异:双样本T检验用于在全脑范围内识别疾病组和对照组存在灰质体积差异的脑区团块,定义为ROI。
- corrROI和临床量表相关分析:进一步,针对疾病组的被试在差异脑区上的灰质体积和临床量表进行相关性分析,针对性的探索该ROI的改变是如何与疾病过程关联。
今天继续第二步的工作,在之前的结果中看到了病人组和比起健康对照来说前额灰质体积有显著的萎缩。接下来就是进一步的验证该区域灰质体积的减少和哪个临床症状相关?以及是否和临床症状的加重存在线性相关关系?
![](https://i-blog.csdnimg.cn/direct/38bd95393b0a44119372ea33b0164d45.png)
二、临床相关(相关系数计算,Corr)
1.原理
为了深入探究该脑区是如何影响疾病的发生发展,我们可以通过ROI脑区平均灰质体积和临床量表分数之间的相关性统计分析来研究。举例而言,比如海马体灰质体积的萎缩和阿尔兹海默症患者认知功能量表得分下降存在紧密关系,那么我们有理由相信该脑区通过参与记忆等高级认知功能在疾病过程中产生影响。
皮尔逊相关系数(Pearson correlation coefficient)用来计算两组数据之间的线性相关性,是衡量神经活动和行为指标的常见统计方法。皮尔逊相关的两个输出值:r值与p值,前者用来说明相关的强度与方向,后者用来说明该关线性关联的确定程度。
=健康组和疾病组各自的协方差之积。
健康组和疾病组各自的标准差之积。
- p-value则是通过计算t值,查表而来。t值计算公示如下:
-
;
样本量。
- 通过P-value计算公式可以发现,也就是样本量(n)越大,相关系数(r)越大,越说明我们看到的灰质体积与临床量表的线性关系非偶然。
2.技术
a.提取ROI
b.计算相关性
%% 读取VAS量表数据和VBM数据
load('VAS_data.mat');
load('VBM_data.mat');
if size(VAS_data, 1) ~= size(VBM_data, 1)
error('VAS数据和VBM数据的样本数量不匹配');
end
correlation = corr(VAS_data, VBM_data);
%% 画图
figure;
imagesc(correlation);
colorbar;
title('VAS和VBM数据的相关性热图');
xlabel('VBM变量');
ylabel('VAS变量');
% 绘制散点图
figure;
scatter(VAS_data(:,1), VBM_data(:,1), 'filled');
title('VAS和VBM数据散点图');
xlabel('VAS得分');
ylabel('VBM值');
% 添加趋势线
hold on;
p = polyfit(VAS_data(:,1), VBM_data(:,1), 1);
x = linspace(min(VAS_data(:,1)), max(VAS_data(:,1)), 100);
y = polyval(p, x);
plot(x, y, 'r-', 'LineWidth', 2);
hold off;
![](https://i-blog.csdnimg.cn/direct/129f59a92e9841c98a949339d606306d.png)
总结
本学习笔记承接前文,介绍了对疾病组和对照组进行独立样本T检验,找到了灰质体积存在显著差异的脑区,然后通过掩模提取ROI内的灰质体积,与临床量表寻找关联的数学原理和matlab实现代码。
参考: