静息态功能磁共振成像(rs-fMRI)原理与数据分析学习笔记（9-10）：DPARSF Output and Reproducibility

最新推荐文章于 2024-03-21 15:30:59 发布
最新推荐文章于 2024-03-21 15:30:59 发布
阅读量670 收藏 12
点赞数 1
分类专栏： fMRI学习笔记 文章标签： 学习 笔记 人工智能 数据分析 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Sherlily/article/details/131994044
版权

天啊我真的很需要一个字幕！！

视频来自：9_DPARSF_Output_哔哩哔哩_bilibili

pdf：​​​​​​The R-fMRI Course | The R-fMRI Network

目录

1. DPABI输出文件

1.1. mat类文件

1.2. Img类文件

1.3. 其他类

2. 可再现性

2.1. 简介

2.2. 材料和方法

2.3. 结果

2.4. 讨论

1. DPABI输出文件

1.1. mat类文件

（1）

 

1.2. Img类文件

（1）FunRaw→生成FunImg一系列的（通过后缀分辨）

（2）T1Raw→生成T1Img一系列的（也有一堆有后缀的文件）

1.3. 其他类

（1）RealignParameter：做头动矫正生成的

        ①里面有被排除的文档记录

        ②生成的mean.nii为矫正后的脑影像图，wmean.nii为配准到标准空间的影像

        ③rp开头的文档记录头动参数

（2）ReorientMats：动态调整

        ①功能像调整.mat

        ②结构像调整.mat

（3）QC：在做reorient时的QC打分

（4）SymmetricGroupT1MeanTemplate：所有被试平均的T1影像

（5）结果Results和ResultsS。ResultsS就是相比Results做了一个Smooth（ALFF可以平滑，但是ReHo最好不要平滑）

2. 可再现性

2.1. 简介

（1）大脑有4w多个Voxel，因此假设检验要做四万多次（再次提到了多重比较矫正，但是上次已经统计过了，故这里不再赘述）

（2）置换检验（Permutation Test）

可参考：一张图，足够学会Permutation test置换检验 - 知乎 (zhihu.com)

（3）Thresholds卡得过严会导致可重复性变差

 

（4）神经科学的小样本

 

 小样本节省金钱和时间，并且多重比较的问题不会很严重

2.2. 材料和方法

（1）数据集

        ①Consortium for Reliability and Reprodudcibility（CORR）：会扫两次，第一天扫一次隔几天再扫一次

        ②1000 Functional Connectomes Project（FCP）：只扫一次

        ③Beijing EOEC1

        ④Beijing EOEC2

（2）统计流程

 

（3）Nuisance Regression：去除白质脑脊液信号对灰质信号的影响

 

 （4）R-fMRI指标

 

（5）多重比较矫正策略

 

（6）不同阈值下的假阳性值

 

（7）可信度/可复现性检验

 

（8）样本量增大的影响

 

 

（9）阳性预测值（positive predictive value，PPV）

 

2.3. 结果

（1）根据自己做出来的东西分析就好了，视频中的PPT我就不截图了

2.4. 讨论

（1）主要发现

 

夏莉莉iy
关注
  • 1
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
基于体素的静息态功能磁共振万象评价抑郁严重程度的研究进展
02-22
基于体素的静息态功能磁共振万象评价抑郁严重程度的研究进展
静息态功能磁共振成像(rs-fMRI)原理与数据分析学习笔记（4-5）：The R-fMRI Maps Project and Animal Data
Sherlily的博客
07-25 681
计算机与人工智能-脑科学与类脑智能-磁共振功能成像（functional magnetic resonance imaging, fMRI）
静息态功能磁共振成像(rs-fMRI)原理与数据分析——1
最新发布
qq_43212927的博客
03-21 644
如果在扫描仪中，头动，无论是结构链接还是功能连接，都会造成图像的模糊运用Friston-24model来解决。
【DPABI教程】DPARSF详细教程笔记
dsdsp6
11-11 1万+
前言 最近在学习使用DPABI对fMRI数据进行分析处理，在处理过程当中难免会遇到一些小问题，而且处理步骤繁多，因此对DPARSF（主要针对体空间分析）的整个处理流程整理成笔记，中间会加上一些自己在处理过程当中遇到的问题和思考，但主要还是参照严老师的教学视频整理的，尽可能把细节详细地记录下来，希望在今后预处理和数据分析的时候尽量少出错。 严老师的官方教程：http://rfmri.org/Course DPA...
静息态功能磁共振成像(rs-fMRI)原理与数据分析学习笔记（3）：R-fMRI Data Processing DPARSFA
Sherlily的博客
07-21 3458
计算机与人工智能-脑科学与类脑智能-磁共振功能成像（functional magnetic resonance imaging, fMRI）
Science：工具使用和语言句法在基底神经节共享计算机制和神经表征
cc1609130201的博客
03-25 788
在语言和其他认知计算研究过程中的一个重要问题是：工具使用是否与语言的句法加工共享计算过程？因为，使用工具的行为可以被认为是给运动计划增加了一个层级结构。而在语言领域，句法加工相互依赖的语言基本元素（即词），它也是一个具有层级结构的认知功能。那么语言的句法层级结构是否具有特异的神经加工机制呢？ 这项研究使用功能性磁共振成像，在基底神经节中检测到了工具使用和语言句法计算共同的神经表征。在作者的实验中，这两种能力引发了相似的神经活动模式，表明这两种功能存在神经资源的共享。作者通过两个控制任务：手动的动作和言..
基于Dpabi的功能连接
weixin_54794458的博客
08-28 3702
(2)去除前10个时间点(Remove first 10 times points)：由于机器刚启动、被试刚躺进去也还需适应环境，导致刚开始扫描的数据很不稳定，所以一般需要删除前几个时间点。本文的数据删除了前10个时间点。（4）头部矫正(Realign)：被试再扫描过程中不可避免地会有头部运动，所以需要对数据进行头部矫正，将全部时间点的数据在空间上与第一个时间点采集的数据对齐。（6）平滑(Smooth)：提高数据的信噪比，选用高斯平滑核，平滑核的大小一般选取体素大小的2-3倍，此处选择大小[8 8 8]。
matlab错误dparsfa,[转载]总结：新版dparsfA的文件夹内容&旧版dparsf的总结
weixin_28902341的博客
03-18 997
(含有ra*数据，及处理当天日期.ps文件)RealignParameter---- Realign 数据参数数据(含有每个被试meana*头动img文件，及rp_a*txt：等严老师PPT里提及的头动参数文件)ReorientMats----Reorient AC forFunImg & T1Img(*ReorientFunImgMat.mat &*ReorientT1ImgMa...
使用短通道校正减少静息态功能连接中的假阳性发现：一项fNIRS研究
cc1609130201的博客
04-22 273
重要性：功能性近红外光谱（fNIRS）是一种神经成像工具，可以测量静息状态下的功能连接；然而，fNIRS信号中存在的非神经元成分会导致连接中的虚假发现，从而影响功能网络的解释。目的：我们研究了通过从fNIRS长通道数据中去除非神经元信号，短通道校正对静息状态连接的影响。我们假设可以减少连接中的虚假发现，从而提高已知不同连接强度的功能网络的可区分性。方法：将基于主成分分析的短通道校正技术应用于10名健康成人受试者的静息状态数据。通过分析连接度量中的虚假相关性，短通道校正减少了连接度量中的虚假相关性，并提高了同
静息态功能磁共振数据处理方法的应用.pdf
08-15
#资源达人分享计划#
静止状态功能磁共振成像预处理：基于Matlab的软件包，用于预处理静止状态功能磁共振成像数据
02-04
静止状态功能磁共振成像预处理：基于Matlab的软件包，用于预处理静止状态功能磁共振成像数据
静息态功能磁共振在失语症神经网络的研究进展.pdf
09-26
静息态功能磁共振（resting-state functional magnetic resonance imaging，rs-fMRI）是一种重要的脑功能磁共振成像技术，近年来在失语症神经网络研究中得到广泛应用。rs-fMRI 通过检测大脑自发活动的变化，研究失语...
静息态功能磁共振成像观察阿尔茨海默病患者大脑自发活动特点
02-23
静息态功能磁共振成像观察阿尔茨海默病患者大脑自发活动特点
急性酒精暴露的脑功能改变静息态功能磁共振成像研究
01-04
急性酒精暴露的脑功能改变静息态功能磁共振成像研究，李子朋，程文文，目的 通过静息态fMRI检测健康成年人饮酒前后脑分数低频振幅（fALFF）的改变,探讨急性酒精暴露后脑功能变化特点。方法 共纳入健康成年
基于DPABI的精神分裂患者脑图特征提取和统计分析
hanzitino的博客
06-22 7998
参考博客：https://blog.csdn.net/ScarlettGuo/article/details/107889578
静息态功能磁共振成像(rs-fMRI)原理与数据分析学习笔记（8）：Statistical Analysis
Sherlily的博客
07-27 2229
计算机与人工智能-脑科学与类脑智能-磁共振功能成像（functional magnetic resonance imaging, fMRI）
Handbook of Functional MRI Data Analysis[手册中文笔记]第一期：introduction
weixin_46132811的博客
05-20 1040
Handbook of Functional MRI Data Analysis[手册中文笔记]第一期：introduction
fMRI数据分析处理原理及方法
热门推荐
03-26 1万+
fMRI数据分析处理原理及方法 2012-6-5 22:19| 发布者: 仙豆| 查看: 400| 评论: 0|原作者: charcoal (黑丁)|来自: 水木清华站 摘要: 近年来，血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOL
[fMRI手册]Handbook of functional MRI Data Analysis—Chapter 5
@2016
12-27 4442
Handbook of functional MRI Data AnalysisfMRI数据分析手册Statistical modeling: Single subject analysis统计模型： 单个目标分析fMRI数据分析的目标是分析每个体元的时间序列来看是否某些处理导致了BLOD信号的变化 上图可以发现血氧依赖水平信号（蓝色）和刺激（红色）有着相同的变化趋势，然后我们就可以寻找体元的
帮我写几段用MATLAB分析静息态脑电数据的代码：1.求α频段的功率的代码 2.求α频段的能量的代码
06-01
以下是用MATLAB分析静息态脑电数据的代码示例： 1. 求α频段的功率的代码： ```matlab % 读取EEG数据 eeg_data = load('eeg_data.mat'); eeg = eeg_data.eeg; % 假设eeg是一个N x M的矩阵，其中N是时间点数，M是通道数 % 设定分析参数 fs = 1000; % 采样率 f_alpha = [8, 12]; % alpha频段的频率范围 % 计算功率谱密度 pwelch_params = struct('Fs', fs, 'Window', hann(512), 'OverlapLength', 256, 'NFFT', 1024); [pxx, f] = pwelch(eeg(:, 1), pwelch_params.Window, pwelch_params.OverlapLength, pwelch_params.NFFT, pwelch_params.Fs); % 提取alpha频段的功率 alpha_idx = (f >= f_alpha(1) & f <= f_alpha(2)); alpha_power = trapz(pxx(alpha_idx)); % 使用梯形积分法计算功率 % 显示结果 fprintf('Alpha power: %.3f\n', alpha_power); ``` 在这个示例中，我们假设EEG数据已经存储在了一个名为`eeg_data.mat`的MAT文件中，其中变量名为`eeg`。我们首先设定了采样率和alpha频段的频率范围，然后使用MATLAB的`pwelch`函数计算功率谱密度。该函数的输入包括信号、窗口函数、重叠长度和FFT长度等参数。在计算出功率谱密度后，我们使用梯形积分法计算出alpha频段的功率。 2. 求α频段的能量的代码： ```matlab % 读取EEG数据 eeg_data = load('eeg_data.mat'); eeg = eeg_data.eeg; % 假设eeg是一个N x M的矩阵，其中N是时间点数，M是通道数 % 设定分析参数 fs = 1000; % 采样率 f_alpha = [8, 12]; % alpha频段的频率范围 % 计算能量谱密度 pwelch_params = struct('Fs', fs, 'Window', hann(512), 'OverlapLength', 256, 'NFFT', 1024); [pxx, f] = pwelch(eeg(:, 1), pwelch_params.Window, pwelch_params.OverlapLength, pwelch_params.NFFT, pwelch_params.Fs); % 提取alpha频段的能量 alpha_idx = (f >= f_alpha(1) & f <= f_alpha(2)); alpha_energy = trapz(pxx(alpha_idx) / sum(pxx)); % 使用梯形积分法计算能量 % 显示结果 fprintf('Alpha energy: %.3f\n', alpha_energy); ``` 这个示例和上一个示例的主要区别在于计算的是能量谱密度而不是功率谱密度。能量谱密度可以认为是功率谱密度乘以采样间隔的平方，因此在计算alpha频段的能量时需要将功率谱密度除以总能量，以得到归一化的能量谱密度。另外，我们同样使用梯形积分法计算出alpha频段的能量。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值