大家好，在下之前在52brain.com或者称水滴论坛上以“空里流霜”的网名发表了一些帖子来介绍自己做核磁共振数据分析和其它一些数据分析的经验总结。后来52brain网站多次出现状况，现在已无法登录，所以在下把之前的帖子重新发在此处，以期许对做相关领域的朋友有所助益。
下面我基本上复制了原文的内容，并且附带原网站的一些数据，以为纪念！
本帖作为《用Matlab和SPM批量处理被试的经验总结》的一部分
由于有些朋友不知道如何处理多个被试多个run的fMRI数据，只通过手动设置进行预处理和统计分析。对于简单的实验设计倒也罢了，如果实验设计较为复杂，操作起来就会非常麻烦，不但容易出错，而且效率低下。前几年北师大开发的DPARSF软件结合SPM可以很好地进行数据的预处理，非常方便，给研究者带来了福音。但是进行统计分析时怎样批处理对于一些初学者来说比较困难，因为每个实验的设计可能差别很大，甚至每个被试的设计都有一些差别。所以怎样节约时间，批量处理，成了很多滴友处理数据的一个拦路石。
我今天写这个介绍的目的就是要向大家展示一下如何用SPM8处理多个被试多个run的数据。希望通过我的讲解以及示例能使大家达到所有被试所有run的预处理以及统计分析都能一键完成的效果（当然是指数据质量都还可以而且没有被试头动过大而剔除的理想状态。通常我会将预处理和统计分成两个m文件，因为预处理之后你可能会根据头动删除一些被试。）。
由于批处理中涉及到非常多的matlab基本语法，特别是文件操作的语法，对于不熟悉matlab的滴友，强烈建议首先学习matlab的基本语法。
（介绍中所提到的方法基本都是从各个有关网站以及本人尝试所琢磨出的，对于其正确性以及有效性无法保证。希望使用者批判地使用。如果发现问题，请通过回复本帖的方式告诉在下，在下一定及时更正，以免贻害他人！）
#########介绍正文##########################
在这个世界上，原本是没有GUI（图形用户界面）的。后来“懒人”多了，也便有了GUI。后来更“懒”的人出现了，他们却又重新拾起了命令行。
对于习惯使用GUI的滴友，这篇介绍帖可能会让你感觉有点困难甚至失望。但是当你熟悉了这种命令行以及语句的形式的时候，你会发现它是那么的方便。
书归正传，用SPM处理磁共振成像数据的时候，如果被试量很大，手工进行处理显然是不现实的，那么就需要进行批处理。用SPM（此教程以spm8为例）进行批处理，大致有两种形式:
第一种是用GUI先设置好，再保存成batch（mat文件或m文件），然后通过load进batch的方式进行批处理（我没怎么用过）。
第二种是用代码的方式。job batching是从SPM5开始使用的批处理方式。其实极为简便好用，只是有些人不知道。你只需要在script的开头写上spm_jobman('initcfg') ，在正文中用类似于jobs{1}.spatial{1}.coreg{1}.estimate.source = cellstr(s)等设置具体的参数，在最后用spm_jobman('run',jobs)让上述设置好的参数以及流程跑起来就可以了。有时需要最后把跑过的job从工作空间中删除，需要使用 clear jobs。我在下面提供的示例程序中多次出现clear jobs的语句是将这一阶段的job在工作空间中删除。这样便于将各个处理过程独立开来，如此你就可以通过注释掉的方式随意选择是否进行这个阶段。例如，如果你不需要进行slice timing的话，就把“%%%%以下进行slice timing%%%%"和“%%%%以下进行realignment%%%%”之间的内容注释掉或删除即可。
如果你不知道怎样设置，那么我先给出一个小示例。
比如你要进行slice timing，可以用GUI把参数设置好（如下图），
图1. SPM8的batch editor界面
然后保存成batch（一定要是m文件），打开后就如同下图这个样子。
图2. 保存成m文件的batch
然后你怎样把它改成job的形式呢？可以把里面的matlabbatch{1}.spm换成jobs{1} ，然后加上其他修改，将其中弄成如下的样子
图3. 经过修改的batch
这样直接按跑的绿色三角，就可以进行job形式的slice timing了。
(其实你不进行上述修改，将图2的m文件按其界面上的绿箭头也能跑。但我没具体用过这种batching的方式。它应该也非常好用。但我觉得这两种通过修改代码的方式本质上是一样的，所以各种东西也有很多相同的地方，这里暂把它们归为一类。在以后我弄明白并实际应用过之后再跟大家介绍。)
好了，现在你已经学会了如何进行batching。
其实这个操作本身很简单，最重要的是你根据自己的数据结构来编写批处理的代码，我们通过我自己的一个程序来进行讲解。
#######预处理的示例程序########################
首先，你要安排好自己的数据的结构。
我的数据处理和统计分析主要在I:/kongliliushuang/这个目录中进行的。在这个目录中，我有两个文件夹2012Exp_SPM_MRIresults_Preprocessing以及2012Exp_SPM_MRIresults_Analysis来分别装预处理和统计分析的结果。
我的结构基本和DPARSF要求的文件结构一样。就是2012Exp_SPM_MRIresults_Preprocessing中直接是各个处理步骤的文件夹。如其中只有两个装原始文件的文件夹FunRaw和T1Raw （其他中间步骤的文件夹由代码生成。实际上，你从机器上拿到的文件是一个被试一个大文件夹，里面是所有run的数据混在一起，你可以手动，也可以用matlab写一个程序将原始数据排成你希望的样子。）
在FunRaw下，是subject01到20，在每个subject的文件夹之下，又分不同的run，如我的为RUN1, RUN2, RUN3, RUN4（每个run的具体的名称你不用纠结，只要每个被试一样就行），每个run的文件夹下都装着最原始的文件。我的是以.IMA结尾的文件，是西门子机器采集的图像。
我觉得DPARSF和REST对文件结构的安排非常科学，因为每一步生成的所有的中间文件都在一个大的文件夹下，如果你觉得占地方，完全可以方便地手动删除。
现在你先看看我的预处理的程序。
（以下内容是matlab代码，可直接粘贴到.m文件中。）
%此程序模仿北师DPARSF和REST的文件结构进行数据安排（可节省空间，方便手动删除中间数据）、参考从SPM网站和其他相关网站上关于用SPM批处理脑成像数据的资料，以及结合本人感悟体会精心编制而成。字字浸透汗水，点点凝结心血。
%数据无价，程序是宝，牢记于心，获益非小。
% 文件夹名字的最后几个大写字母含义：F(功能像), A(slice timng), R(realignment), W(normalization), S(smoothing)
%为了让生成的各步骤的结果分别输出到不同的文件夹，我采取了复制粘贴的笨方法--空里流霜，2013.5
%%%%%%%%%%%%%%%首先创建文件夹来放置中间文件%%%%%%%%%%%%%%%%%
clear;
cwd='I:/kongliliushuang/2012Exp_SPM_MRIresults_Preprocessing/'; %设置进行文件操作和数据处理的目录
cd (cwd)
mkdir('FunImgF');mkdir('FunImgAF');mkdir('FunImgRAF');mkdir('FunImgWRAF');mkdir('FunImgSWRAF'); %生成用到的文件夹
foldernames={'FunImgF' 'FunImgAF' 'FunImgRAF' 'FunImgWRAF' 'FunImgSWRAF'};
for folder=1:5
folderdir=[ cwd sprintf(foldernames{folder})]
for wnumfolder=1:20
if wnumfolder==3||wnumfolder==7||wnumfolder==17; %如果你的哪些被试有问题，可以通过这种方式跳过
continue;
end
cd(folderdir)
if wnumfolder<10;
sw=strcat('mkdir',12,'subject0',num2str(wnumfolder)); %生成每个被试的文件夹
else
sw=strcat('mkdir',12,'subject',num2str(wnumfolder)); %生成每个被试的文件夹
end;
system(sw);
cd ([folderdir sprintf('/subject%02d',wnumfolder)])
mkdir('RUN1');mkdir('RUN2');mkdir('RUN3');mkdir('RUN4');mkdir('RUN5'); %生成每个run的文件夹
end
end
cd (cwd)
mkdir('T1Img');
folderdir2=[cwd sprintf('T1Img')]
for wnumfolder=1:20
if sub==3||sub==7||sub==17; %跳过删除的被试
continue;
end
cd(folderdir2)
if wnumfolder<10;
sw=strcat('mkdir',12,'subject0',num2str(wnumfolder));
else
sw=strcat('mkdir',12,'subject',num2str(wnumfolder));
end;
system(sw);
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clear
spm_get_defaults % 设置SPM默认值
global defaults
spm_jobman('initcfg');
nsub=20;
nses=4; % session或run的个数
runnames={'RUN1' 'RUN2' 'RUN3' 'RUN4'}; % session或是run的名字
cwd='I:/kongliliushuang/2012Exp_SPM_MRIresults_Preprocessing/'; %设置根目录
for sub=1:nsub
if sub==3||sub==7||sub==17; %跳过删除的被试
continue;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%以下转换DICOM为NIFTI%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%以下转换结构像%%%%%%%%%%%%%%%%%%%%%%%
dirStruc=[ cwd sprintf('T1Raw/subject%02d/',sub)]; %DICOM格式的原始文件所在的地方
cd([ cwd sprintf('T1Img/subject%02d/',sub)]); %转换为Analyze格式的文件之后输出的地方
ds=spm_get('Files',dirStruc,'201*.IMA'); %列出所有DICOM文件的名字以备转换，spm8中没有spm_get函数，可安装marsbar,解压后放在spm的文件夹中任意位置.也可使用spm_select函数，具体更改方式请参考http://www.alivelearn.net/spm_get-spm_select-and-char/
hdrs=spm_dicom_headers(ds); %读取DICOM文件的头文件
spm_dicom_convert(hdrs,'all','flat','img'); %开始转换，转换为img格式
display(sprintf('Anatomical run has been finished.')); %显示某部分转换完成的信息
%%%%%%%%%%%%%%%%%%%%以下转换功能像%%%%%%%%%%%%%%%%%%%%%%
for ses=1:nses
dirFunc{ses}=[ cwd sprintf('FunRaw/subject%02d/%s/',sub,runnames{ses})]; %DICOM格式的原始文件所在的地方
cd([ cwd sprintf('FunImgF/subject%02d/%s/',sub,runnames{ses})]); %转换为Analyze格式的文件之后输出的地方
df=spm_get('Files',dirFunc{ses},'201*.IMA') %列出所有DICOM文件的名字以备转换
hdr=spm_dicom_headers(df); %读取DICOM文件的头文件
spm_dicom_convert(hdr,'all','flat','img'); %开始转换
display(sprintf('Functional run %s has been finished.',runnames{ses})); %显示某部分转换完成的信息，共有nses个run
end
%%%%%%%%%%%%%%%%%%%以下进行slice timing%%%%%%%%%%%%%%%%%%%%%%%%%%
for ses=1:nses
dirst=[ cwd sprintf('FunImgF/subject%02d/%s/',sub,runnames{ses})]; %要时间矫正的文件所在的地方(即上一步转化来的文件)（这一部分是功能像）
st=spm_get('Files',dirst,'fR*.img') %列出所有fR打头的文件名
jobs{1}.temporal{1}.st.scans{ses}=cellstr(st); %将所有RUN结合在一起，而不是分别slice timing，虽然如此，不同run其实是分别选进去的，注意其中{ses}的用法
end
jobs{1}.temporal{1}.st.nslices = 33;
jobs{1}.temporal{1}.st.tr = 2;
jobs{1}.temporal{1}.st.ta = 1.93939393939394;
jobs{1}.temporal{1}.st.so = [1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32]; %33层，从下到上，隔层扫描
jobs{1}.temporal{1}.st.refslice = 33; %时间点或解剖上的中间层，对于我的西门子机器采集的数据，时间上的中间层是33，空间上的中间层是17，此处和1st level中的microtime resolution(有时被称为t)
jobs{1}.temporal{1}.st.prefix = 'a'; %以及microtime onset（有时被称为t0）要对应，后面t=33（层数），t0=17（slice timing参考层选择33时，第33层是第17个扫描的）。如果参考层是17，则t0=9
spm_jobman('run',jobs); %开始跑
clear jobs; %清除之前设置的job
for run=1:nses
diroffile=[cwd,sprintf('FunImgF/subject%02d/%s/',sub,runnames{run})] %最后一定要加斜杠
files=fullfile(diroffile,'afR*')
diroffile2=[cwd,sprintf('FunImgAF/subject%02d/%s/',sub,runnames{run})]
copyfile(files,diroffile2) %复制文件到做时间矫正的文件夹
cd(diroffile)
delete 'af*'
end
%%%%%%%%%%%%%%%%%%%%%%以下进行realignment%%%%%%%%%%%%%%%%%%%%%%%%
cd([cwd,sprintf('FunImgSWRAF/subject%02d/',sub)]); %为了让输出的头动矫正曲线到最后一步的文件夹中
for ses=1:nses
dir=[ cwd sprintf('FunImgAF/subject%02d/%s/',sub,runnames{ses})]; %要对准的文件所在的地方(即上一步转化来的文件)（这一部分是功能像）
p=spm_get('Files',dir,'afR*.img') %列出所有fR打头的文件名
jobs{1}.spatial{1}.realign{1}.estwrite.data{ses} = cellstr(p); %将所有RUN结合在一起，而不是分别realign，注意其中{ses}的用法
end
jobs{1}.spatial{1}.realign{1}.estwrite.eoptions.rtm = 0; %对准第一个volume/image
spm_jobman('run',jobs); %开始跑这部分的job，生成的头动参数图像默认输入在最后一个run中，而生成的平均图像mean文件则放在第一个run中（头动参数图为ps格式，可用GhostView等打开，也可转换为PDF格式）
clear jobs; %清除之前设置的job
for run=1:nses
diroffile=[cwd,sprintf('FunImgAF/subject%02d/%s/',sub,runnames{run})] %最后一定要加斜杠
files=fullfile(diroffile,'r*')
files2=fullfile(diroffile,'mean*')
diroffile2=[cwd,sprintf('FunImgRAF/subject%02d/%s/',sub,runnames{run})]
copyfile(files,diroffile2) %复制文件到做头动矫正的文件夹
if run==1;
copyfile(files2,diroffile2) %复制文件到做头动矫正的文件夹
end
cd(diroffile)
delete 'r*'
delete 'mean*'
end
%%%%%%%%%%%%%%%%%%%%%%%%以下进行coregistration%%%%%%%%%%%%%%%%%%%%
s=spm_get('Files',[ cwd sprintf('T1Img/subject%02d/',sub)],'sR*.img'); %DICOM格式转换生成的结构像
m=spm_get('Files',[ cwd sprintf('FunImgRAF/subject%02d/RUN1',sub)],'mean*.img'); %之前生成的mean文件
jobs{1}.spatial{1}.coreg{1}.estimate.ref = cellstr(m); %功能像的mean文件作为对准的参照
jobs{1}.spatial{1}.coreg{1}.estimate.source = cellstr(s); %将结构像去和功能像去对（即realignment生成的平均文件不动，不停摆放结构像使其与平均文件契合）
spm_jobman('run',jobs);
clear jobs;
%%%%%%%%%%%%%%%%%%%%%%%%以下进行segmentation%%%%%%%%%%%%%%%%%
jobs{1}.spatial{1}.preproc.data=cellstr(s); %对上一步摆放好的结构像进行白质灰质的切割
spm_jobman('run',jobs);
clear jobs;
%%%%%%%%%%%%%%%%%%%%%以下进行normalize%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%以下对功能像进行标准化%%%%%%%%%%%%%%%%%%%%%%
sp=spm_get('Files',[ cwd sprintf('T1Img/subject%02d/',sub)],'*seg_sn.mat') %结构像的参数
sm=spm_get('Files',[ cwd sprintf('T1Img/subject%02d/',sub)],'m*.img') %结构像的完全路径
jobs{1}.spatial{1}.normalise{1}.write.subj.matname = cellstr(sp); %写入参数
ff = spm_get('Files',[ cwd sprintf('FunImgRAF/subject%02d/RUN1',sub)],'mean*.img') %之前生成的mean文件
conCat_fs=[]; %定义一个空矩阵用来装所有的功能像
for ses=1:nses
dir=[ cwd sprintf('FunImgRAF/subject%02d/%s/',sub,runnames{ses})]; %之前生成的经过头动校正的文件所在的地方
f=spm_get('Files',dir,'rafR*.img'); %之前生成的经过头动校正的文件，即功能像
fs=cellstr(f);
conCat_fs=[conCat_fs;fs]; %将所有功能像粘成一列
f = []; fs = []; %清除此两个变量的值，为下一循环准备，其实也可不用清除，下一循环会更新
end
conCat_fs=[conCat_fs;cellstr(ff)]; %顺便把平均图像也标准化
jobs{1}.spatial{1}.normalise{1}.write.subj.resample = conCat_fs; %开始标准化
jobs{1}.spatial{1}.normalise{1}.write.roptions.bb = [-90 -126 -72
90 90 108]; % 有人认为默认的太小[-78 -112 -50,78 76 85]，小脑没有包括全，建议改为[-90 -126 -72,90 90 108],或[-78 -112 -70,78 76 85]
jobs{1}.spatial{1}.normalise{1}.write.roptions.vox = [3 3 3]; %标准化所用的体素大小，改为最接近图像采集分辨率的参数（可用MRIcro等查看原始图像）
%%%%%%%%%%%%%%%%%%%以下对结构像进行标准化%%%%%%%%%%%%%%%%%%%%%%
jobs{1}.spatial{1}.normalise{2}.write.subj.matname = cellstr(sp)
jobs{1}.spatial{1}.normalise{2}.write.subj.resample = cellstr(sm)
jobs{1}.spatial{1}.normalise{2}.write.roptions.vox = [1 1 1]; %改为最接近图像采集分辨率的参数（可用MRIcro查看原始图像）
spm_jobman('run',jobs);
clear jobs;
for run=1:nses
diroffile=[cwd,sprintf('FunImgRAF/subject%02d/%s/',sub,runnames{run})] %最后一定要加斜杠
files=fullfile(diroffile,'wraf*')
diroffile2=[cwd,sprintf('FunImgWRAF/subject%02d/%s/',sub,runnames{run})]
copyfile(files,diroffile2) %复制文件到做标准化的文件夹
cd(diroffile)
delete 'wraf*'
end
%%%%%%%%%%%%%%%%%%%%以下进行smoothing%%%%%%%%%%%%%%%%%%%%%%%%%
for ses=1:nses
dirn=[ cwd sprintf('FunImgWRAF/subject%02d/%s/',sub,runnames{ses})]; %之前生成的经过头动校正(以及标准化)的文件所在的地方
fn=spm_get('Files',dirn,'wrafR*.img') %之前生成的经过头动校正（以及标准化）的文件
jobs{1}.spatial{ses}.smooth.data = cellstr(fn); %进行空间平滑（注意ses的位置）
jobs{1}.spatial{ses}.smooth.fwhm =[8 8 8]; %默认是8，可以自己更改 end
spm_jobman('run',jobs);
clear jobs;
for run=1:nses
diroffile=[cwd,sprintf('FunImgWRAF/subject%02d/%s/',sub,runnames{run})] %最后一定要加斜杠
files=fullfile(diroffile,'swraf*')
diroffile2=[cwd,sprintf('FunImgSWRAF/subject%02d/%s/',sub,runnames{run})]
copyfile(files,diroffile2) %复制文件到做平滑的文件夹
cd(diroffile)
delete 'swraf*'
end
%%%%%%%%%%%%%将头动矫正生成的矫正参数文件复制到预处理最后一阶段%%%%%%%%%%%%%%%%
for run=1:nses
diroffile=[cwd,sprintf('FunImgRAF/subject%02d/%s/',sub,runnames{run})] %最后一定要加斜杠
files=fullfile(diroffile,'rp*.txt')
diroffile2=[cwd,sprintf('FunImgSWRAF/subject%02d/%s/',sub,runnames{run})]
copyfile(files,diroffile2) %复制文件到做最后一步文件夹
end
end
############以上是预处理的程序###################
###############统计分析的示例程序###############
由于我的实验的设计比较复杂，有4个run，为了方便大家理解，这里先把在后面SPM生成的某个被试的设计矩阵展现如下
%%%%%%%%%%%%%%%在结果文件夹下先生成统计结果输出到的文件夹%%%%%%%%%%%%%%%%%
clear;
cwd='I:/kongliliushuang/2012Exp_SPM_MRIresults_Analysis/StruNorm_ST_tTest_other-self/'; %设置根目录
cd(cwd)
mkdir('groupResults') %生成来放组分析结果的文件夹
for wnumfolder=1:20
if wnumfolder==3||wnumfolder==7||wnumfolder==17; %跳过删除的被试
continue;
end
cd(cwd)
if wnumfolder<10;
sw=strcat('mkdir',12,'subject0',num2str(wnumfolder));
else
sw=strcat('mkdir',12,'subject',num2str(wnumfolder));
end;
system(sw);
cd ([cwd sprintf('/subject%02d',wnumfolder)])
mkdir('subResults');
end
%%%%%%%%%%%%%%%在结果文件夹下先生成统计结果输出到的文件夹%%%%%%%%%%%%%%%%%
%
clear
spm_get_defaults % 设置SPM默认值
nsub=20;
nses=4; % session或run的个数
runnames={'RUN1' 'RUN2' 'RUN3' 'RUN4'}; % session或是run的名字
cwd='I:/kongliliushuang/2012Exp_SPM_MRIresults_Analysis/StruNorm_ST_tTest_other-self/'; %设置根目录
datadir='I:/kongliliushuang/2012Exp_SPM_MRIresults_Preprocessing/FunImgSWRAF/'; %经过预处理的文件所在之处
spm_jobman('initcfg');
for sub=1:nsub
if sub==3||sub==7||sub==17; %跳过有问题的被试
continue;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%四个run数据的处理%model specification和estimation%%%%%%%%%%%%
jobs{1}.stats{1}.fmri_spec.dir=cellstr([cwd sprintf('subject%02d/subResults',sub)]); %进行模型设置输出结果的文件夹（已经在上面事先建好）
jobs{1}.stats{1}.fmri_spec.timing.units='secs'; %模型设定的单位是秒还是“点”。秒的话用‘secs’是TR的话用‘scans'
jobs{1}.stats{1}.fmri_spec.timing.RT=2; %这儿虽然是TR时长，但一定要写成RT，即repetition time。
jobs{1}.stats{1}.fmri_spec.timing.fmri_t = 33;
jobs{1}.stats{1}.fmri_spec.timing.fmri_t0 = 17; %此处是33层中第17个扫描的，而不是第17层
for ses=1:4
muldirFiles=[ datadir sprintf('subject%02d/%s',sub,runnames{ses})]; %之前经过所有预处理之后生成的图像文件所在的文件夹
mulfiles=spm_get('Files',muldirFiles,'swraf*.img') ; %标准化过的就用swrf,未标准化的就用srf
mulmotionfiles=spm_get('Files',muldirFiles,'rp*.txt') ; %上面头动矫正生成的文本文件，每一个run都有一个
mulcondition_file_name=['sub',num2str(sub),'_other-self',num2str(ses),'.mat']; %用matlab处理行为实验结果而生成的.mat文件
mulcondpath='I:/kongliliushuang/2012Exp_SPM_MRIresults_Analysis/BehavioralData/';
mulconditions=load(fullfile(mulcondpath,mulcondition_file_name)); %将之前行为实验的结果生成的.mat文件载入进来，每个被试的每个run都有一个（如何制作行为结果的.mat文件的帖子在此http://home.52brain.com/forum.ph ... =1&extra=#pid163180）
jobs{1}.stats{1}.fmri_spec.sess(ses).scans=cellstr(mulfiles); %如处理多个run则须加上ses，但要写在圆括弧之内（ses）
for j=1:5 % 有几个条件就写成1到几
jobs{1}.stats{1}.fmri_spec.sess(ses).cond(j).name=mulconditions.names{j} % .mat文件中的names,onsets和durations
jobs{1}.stats{1}.fmri_spec.sess(ses).cond(j).onset=mulconditions.onsets{j}
jobs{1}.stats{1}.fmri_spec.sess(ses).cond(j).duration=mulconditions.durations{j}
end
jobs{1}.stats{1}.fmri_spec.sess(ses).multi_reg=cellstr(mulmotionfiles); %加上头动参数在模型中
end
resultpath=[cwd sprintf('subject%02d/',sub)];
jobs{1}.stats{2}.fmri_est.spmmat=cellstr(fullfile(resultpath,'subResults','SPM.mat')); %保存模型设定和估计结果在SPM.mat中
save(fullfile(resultpath,'subResults','modelspecification.mat'),'jobs'); %保存这一步的job
spm_jobman('run',jobs);
clear jobs;
%%%%%%%%以下设置四个run 的contrasts并输出激活脑图%%%%%%%%%%%%%%%%%%%%%
resultpath=[cwd sprintf('subject%02d/',sub)];
jobs{1}.stats{1}.con.spmmat=cellstr(fullfile(resultpath,'subResults','SPM.mat')); %打开模型设定生成的SPM.mat以便写入对照信息
jobs{1}.stats{1}.con.consess{1}.tcon=struct('name','self-other','convec',[0 0.25 -0.25 0 0 0 0 0 0 0 0 0 0.25 -0.25 0 0 0 0 0 0 0 0 0 0.25 -0.25 0 0 0 0 0 0 0 0 0 0.25 -0.25 0 0 0 0 0 0 0 0 ],'sessrep','none'); %设置对比
jobs{1}.stats{1}.con.consess{2}.tcon=struct('name','other-self','convec',[0 -0.25 0.25 0 0 0 0 0 0 0 0 0 -0.25 0.25 0 0 0 0 0 0 0 0 0 -0.25 0.25 0 0 0 0 0 0 0 0 0 -0.25 0.25 0 0 0 0 0 0 0 0 ],'sessrep','none');
jobs{1}.stats{2}.results.spmmat=cellstr(fullfile(resultpath,'subResults','SPM.mat'));
jobs{1}.stats{2}.results.conspec.contrasts=Inf; %激活图分别输出
jobs{1}.stats{2}.results.conspec.threshdesc='none'; %不使用多重矫正用“none”，也可使用“FWE”或是“FDR”
jobs{1}.stats{2}.results.conspec.thresh=0.001; %显著性水平
jobs{1}.stats{2}.results.conspec.extent=10; %只显示大于多少个体素的激活团
spm_jobman('run',jobs); %SPM把激活图像逐个输出为.ps文件，此文件可用GhostView等查看，也可转换为PDF格式
clear jobs;
end
%%%%%%%%%%%%%%%%%%%%%%以上为个体被试处理的过程%%%%%%%%%%%%%%%%%%%
%￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥￥
%%%%%%%%%%%%%%%%%以下进行第二层的分析%%%%%%%%%%%%%%%%%%%%%
ncontra=2; %有几个contrast文件就写几，之前生成多少对比条件就写几
cd([cwd,'groupResults']); %cd到用来放组分析结果的文件夹
condition_contrast={'self-other','other-self'};
kong=12; %空格的ASKII码
for numfolder=1:ncontra
s=strcat('mkdir',kong,num2str(numfolder),condition_contrast{numfolder});
system(s);
end
contrastname={'con_0001.img','con_0002.img'}; %有多少个contrast可以事先定好
for count=1:ncontra
groupFour=[cwd,'groupResults/',num2str(count),condition_contrast{count}];
cd(groupFour); %输出第二层结果的地方
fileCat=[]; %设置一个空矩阵来装所有被试的对比
for sub=1:nsub
if sub==3|| sub==7 || sub==17;
continue
end
dirCon=[ cwd sprintf('subject%02d/subResults',sub)]; %一层分析输出的contrast文件所在的地方
secondlev=spm_get('Files',dirCon,contrastname{count}) %第一层结果文件夹中的对比结果文件
sl=cellstr(secondlev);
fileCat=[fileCat;sl]
end
jobs{1}.stats{1}.factorial_design.des.t1.scans = fileCat;
jobs{1}.stats{1}.factorial_design.dir = {[groupFour]};
jobs{1}.stats{2}.fmri_est.spmmat=cellstr(fullfile(groupFour,'SPM.mat')); %生成模型设定的SPM.mat文件，其中会保存模型设定的全部参数以及之后的条件对照设置
spm_jobman('run',jobs);
clear jobs;
%%%%%%%%%%%%%%%%%%%%%%%以下设置对比并输出激活脑图%%%%%%%%%%%%%%
jobs{1}.stats{1}.con.spmmat=cellstr(fullfile(groupFour,'SPM.mat')); %打开模型设定生成的SPM.mat以便写入对照信息
jobs{1}.stats{1}.con.consess{1}.tcon=struct('name',condition_contrast{count},'convec',[1],'sessrep','none'); %设置条件对照，要写成数组的形式
jobs{1}.stats{2}.results.spmmat=cellstr(fullfile(groupFour,'SPM.mat')); %打开模型设定及条件对照生成的SPM.mat文件
jobs{1}.stats{2}.results.conspec.contrasts=inf; %各个对照分别输出
jobs{1}.stats{2}.results.conspec.threshdesc='none'; %设置threshold
jobs{1}.stats{2}.results.conspec.thresh=0.001; %设置显著水平
jobs{1}.stats{2}.results.conspec.extent=10; %只显示大于多少个体素的的激活团
spm_jobman('run',jobs); %SPM把激活图像逐个输出为.ps文件，此文件可用GhostView等查看，也可转换为PDF格式
clear jobs;
end
#######################################
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
