任务态相关的一些知识总结

静息态的数据处理现在都比较简单了，因为有了fmriprep和qsiprep流程工具，没有特别的难度。
而关于任务态，则有一些独特的处理方式，因为最近要做任务态的数据分析，所以学习一下。

先学习下R的4个重输出函数：cat , sink, wirteLines, write.table
1.cat函数即能输出到屏幕，也能输出到文件.
使用方式：cat(… , file = “”, sep = " ", fill = FALSE, labels = NULL,append = FALSE)
有file时，输出到file。无file时，输出到屏幕。
append参数：布尔值。TRUE时，输出内容追加到文件尾部。FALSE，覆盖文件原始内容。
2.sink函数将输出结果重定向到文件。
使用方式：sink(file = NULL, append = FALSE, type = c(“output”, “message”),split = FALSE)
append参数：布尔值。TRUE时，输出内容追加到文件尾部。FALSE，覆盖文件原始内容。
3.writeLines函数将字符串向量输出到文件中（会覆盖原始内容）
使用方式：writeLines(text, con = stdout(), sep = “\n”, useBytes = FALSE)
text:字符串向量；con：输出文件
4.write.table()函数将dataframe的内容输出到文件。

事件

静息态一般不考虑事件，而任务态有多个block的事件设计，先把这些block合并成1个bold文件，如果不会用代码可以用fslmath -t的命令。

预处理

等bold图像按照常规fmriprep处理以后，这个就是预处理完的准备好的数据，用于后续统计分析和指标计算。

统计建模

任务态的一个特点就是事件相关，需要有events表格文件，注明每个时间点属于哪个事件。
拟合函数：
The Hemodynamic Response Function (HRF)
在患者被刺激后，其bold信号一般经历“逐步增加-至顶峰-再降低”的过程，这个过程的形状可以用gamma分布的函数去拟合，

伽玛分布（Gamma Distribution）是统计学的一种连续概率函数，是概率统计中一种非常重要的分布。“指数分布”和“χ2分布”都是伽马分布的特例。

当使用 Gamma 分布去拟合 BOLD 响应时，可将其称为典型血液动力学响应函数或HRF，而gamma分布又可以称为基函数（basis function）。
stick function
gamma分布去拟合的bold信号，其刺激一般是数秒内的。如果是持续了一段时间的刺激，如持续刺激15秒，或者持续完成某个事件15秒以上，这个时候可以用另一个函数去拟合，stick function，它是gamma和block刺激进行卷积的结果。

上图中的红色和绿色，取其平均值，这就是一级分析，SPM里面的first-level analysis。
一级分析就是对每个被试进行建模，二级分析是利用一级分析产生的建模参数，在GLM上进行平均和对比估计，contrast。
不过不同的是，SPM的second-level是组分析，而fsl的higher-level才是组分析，fsl的second-level只是对估计的参数进行平均。
GLM模型参数选择：

Fixed Effects:
Mixed Effects: Simple OLS (Ordinary Least Squares): This will perform a t-test on the average parameter estimates calculated for each subject, without taking into account the variability between the runs for each subject;
Mixed Effects: FLAME 1: Weight each subject’s parameter estimate by the variance of that contrast estimate. In other words, a subject with relatively low variance will be weighted more, and a subject with relatively high variance will be weighted less;
Mixed Effects: FLAME 1+2: A more rigorous version of FLAME 1. It takes much longer, and is only helpful for analyzing small samples (e.g., 10 subjects or fewer);
Randomise: A non-parametric test.

使用混合效应模型，去拟合GLM模型，然后对voxel或者cluster进行校正，就得到最后的结果。即事件刺激的脑区。

Finite Impulse Response (FIR)
有限脉冲响应
HRF是最常用的拟合事件的函数，它的特点是为特定事件的所有被试估计单个最佳拟合参数。
假设需要观察事件开始后bold信号随活动的时间进程而变化，就需要使用FIR函数去拟合。
FIR函数，有限脉冲响应模型，我们可以指定时间窗口的长度和要估计的时间点数，例如在一个事件从开始到持续到完成以后的10秒内，我们想观察这10秒的每2秒不同阶段变化，可以使用FIR函数生成5个拟合参数，而HRF对于这10秒只能生成1个拟合参数。其实可以类比于动态分析里的滑动时间窗。
（Prefrontal cortex organization: dissociating effects of temporal abstraction, relational abstraction, and integration with FMRI, Cerebral cortex, 2013.）

如上图，Y轴是beta估计值，代表激活，X轴是分隔的时间段（2秒）。
(Exploring fMRI Results Space: 31 Variants of an fMRI Analysis in AFNI, FSL, and SPM, 2016)

Nilearn完成任务态分析

Nilearn的相关函数：
Nilearn的一级分析和二级分析，跟SPM是对应的，一级在被试上，二级是组分析。

# fit GLM
first_level_model = FirstLevelModel(t_r=t_r, slice_time_ref=slice_time_ref)
first_level_model = first_level_model.fit(
    run_imgs=adhd_dataset.func[0], design_matrices=design_matrix
)
# contrast estimate
z_map = first_level_model.compute_contrast(
    contrasts["seed_based_glm"], output_type="z_score"
)
# generate report
from nilearn.reporting import make_glm_report
report = make_glm_report(
    first_level_model,
    contrasts=contrasts,
    title="ADHD DMN Report",
    cluster_threshold=15,
    min_distance=8.0,
    plot_type="glass",
)

nilearn.glm.first_level.FirstLevelModel(t_r=None, slice_time_ref=0.0, hrf_model=‘glover’, drift_model=‘cosine’, high_pass=0.01, drift_order=1, fir_delays=[0], min_onset=-24, mask_img=None, target_affine=None, target_shape=None, smoothing_fwhm=None, memory=Memory(location=None), memory_level=1, standardize=False, signal_scaling=0, noise_model=‘ar1’, verbose=0, n_jobs=1, minimize_memory=True, subject_label=None, random_state=None)
hrf_model: ‘spm’ (default), ‘spm + derivative’, ‘spm + derivative + dispersion’, ‘glover’…‘fir’

在大多数情况下，spm标准模型和glover模型不会产生大的差异。

固定效应统计：compute_fixed_effects
设计矩阵：

nilearn的二级分析：
用make_second_level_design_matrix函数。

经过一级二级分析，然后再进行校正，就可以得到全脑激活图了。

使用nilearn的另一个好处就是，除了统计分析，还可以直接用这些结果进行机器学习。“用于基于任务的功能连接和解码的 Beta 系列建模”