脑功能影像分析之多体素模式识别（MVPA）（一）

来源于网站 carney institute for brain science
脑功能影像分析之多体素模式识别

一 数据集介绍

数据集下载
此文件夹包含以下内容：
raw data for the 8 runs (run#.nii)
pre-processed data for the 8 runs (run#.preproc.nii)
stimulus timing files (stimuli.block.onsets.1D)
ROI mask (final.mask.nii)
training dataset labels (trainLabels.1D)
参与者受到4种不同类型的视觉刺激（cars, shoes, faces, houses），fMRI实验设计采用blocked design。
每种视觉刺激10张图片，总共8个run，共观看80张图片。

二 MVPA的目的

• 学习到一种数据驱动算法，能够区分被试在查看四种不同的刺激（cars, shoes, faces, houses）时的脑活动模式
• 测试如果算法是否可以准确预测被试的刺激类型。

Step 1: Pre-processing 预处理
文件夹中的数据已经经过如下预处理的步骤：

• slice timing correction (3dTshift) 层间时间校正
• motion correction (3dvolreg) 头动校正
• spatial smoothing (3dmerge) 空间平滑
• temporal smoothing (3dTsmooth) 时域滤波
• deobliquing (3dwarp) 三维像正位
• brain masking 加一个大脑mask

Step 2: Regression analysis 回归分析
大多数传统的回归分析对给定条件下的所有试验的beta估计进行平均。然而，对于MVPA，我们对每次特定刺激条件出现时的beta感兴趣。因此，我们将使用带有stim_times_IM选项的3dDeconvolve，而不是传统的stim_times选项。这将为每种条件的每个单独试验产生一个beta。在我们的例子中，我们有8个Block，所以我们的回归分析结果应该包含每个条件的8个beta输出

3dDeconvolve -input run1.preproc.nii run2.preproc.nii run3.preproc.nii run4.preproc.nii run5.preproc.nii run6.preproc.nii run7.preproc.nii run8.preproc.nii \
-polort 1 \
-local_times \
-censor allRuns.censor.1D \
-num_stimts 4 \
-stim_times_IM 1 cars.block.onsets.1D 'BLOCK(9,1)' -stim_label 1 cars \
-stim_times_IM 2 faces.block.onsets.1D 'BLOCK(9,1)' -stim_label 2 faces \
-stim_times_IM 3 houses.block.onsets.1D 'BLOCK(9,1)' -stim_label 3 houses \
-stim_times_IM 4 shoes.block.onsets.1D 'BLOCK(9,1)' -stim_label 4 shoes \
-bucket MVPA.BLOCK.nii

然后就得到了我们进行MVPA需要的beta数据MVPA.BLOCK.nii。