4. First-Level Analysis
4.1 Review
上图A是我们自己设计的实验设计模型,图B是模型中体素的时间序列,图C中的激活区域的活动状态符合我们所设计的时间序列。
4.2 血流动力学响应函数(HRF)
大脑皮层受到激活时,它的BOLD响应信号会增加。例如我们进行一个任务设计,呈现出规律的刺激,那么我们大脑某个体素也可能与这个设计中的模型一致。大脑中BOLD响应的形状可以用一个叫做伽马分布的数学函数来建模。当Gamma分布的参数与大多数实证研究观察到的BOLD反应最匹配时,我们将其称为典型的血流动力学反应函数,或HRF。
当BOLD响应未回到基线的时候就给刺激,就会出现如下图所示的交叠现象。
The General Linear Model
我们需要计算下图公式中beta weights,
举个例子,GPA可能受IQ,每周的饮酒量,以及体重影响,我们需要计算出beta权重,使得这个GLM模型与数据最吻合。例如,IQ的beta权重是0.05,饮酒量的beta权重是-0.07,体重的beta权重影响不太大,未为0.01,那么最终就得到了如下GLM模型。
Creating Timing Files
The Ideal Time-Series and the Fitted Time-Series
红色和绿色的线是我们实验中所给的理想的刺激条件(时间序列),我们需要计算合适的beta权重,使之达到蓝色的那条线,蓝色的那条线就是符合的时间序列。
Creating the Ideal Time-Series
func 文件下的events.tsv. 文件,就是我们的实验设计中的onset文件,生成文件onset和duration文件(代码是提取这个案例所给的文件中的前两列)这里不再多描述了(GitHub上收藏了代码)
4.5 Running the First-Level Analysis
Directory 目录下载入存放我们生成的数据的文件夹
需要创建两个session,每个session中有两个conditions
最后的设计矩阵生成如下
前两列是第一个session的Incongruent and Congruent conditions理想时间序列,接下来两列是第二个session的。
Estimating the Model
The Contrast Manager
Estimate 完成后进行对比分析,我们需要计算beta权重,计算每个体素在这两个条件下的的不同,生成一个contrast map.
下篇更新用代码对数据进行批处理