课程笔记1--fMRI简介以及数据分析

现代的神经影像学技术有这样几种：：脑电图(EEG), 单光子发射体层成像(SPECT), 正电子发射型计算机断层显像(PET), 功能性磁共振成像(fMRI),侵入性光学成像(invasive optical imaging),颅内电极记录(intracranial recording) , 脑皮层电图(ECoG)，其中最为广泛应用的是fMRI和PET

PET: 测量血流量和神经系统里的化学物质，然后我们就可以测量示踪剂，如阿片类药物和多巴胺，在脑中的释放

fMRI：可以探测到大脑结构和他的动态变化 ，大脑的动态变化是怎么看到的呢？目前我们大约每一秒或两秒（一般为2秒）就可以得到一张全脑图象，每一张全脑图象又包含100到200000层切片，所以我们就可以看到整个神经网络的动态变化。
脑成像主要分为两种：结构性脑成像与功能性脑成像。并且存在一些不同的类别来执行每种类别的成像，

关于结构性脑成像：它涉及脑结构的研究，也涉及疾病和损伤的诊断。例如，如果你在一次事故中然后得了中风或类似的疾病，你可能会去做一个结构成像看看其影响。

执行方式包括:计算机轴向断层扫描(CAT)，磁共振成像(MRI)，正电子发射断层扫描(PET)。

fmri是一种非侵入技术：fmri扫描没有已知的副作用，在fmri实验中，在被试完成任务时测量一系列的大脑图像，然后单个图片的测量信号的变化被用来推断任务－相关的脑活动。
fmri是在一段时间内多次测量测量大脑某块区域

每一个这些大脑区域大约包含100，000不同的voxels（体素）。体素是三维空间内的小立方体块块儿，所以他相当于把大脑放在一个有边界的盒子里，把盒子切成100,000相同体积的小块。这些小块是fmri分析的基石，他们被称为体素(voxel)或者(volume elements)。

每个体素都有一个数字（在这里代表强度）和空间位置与之对应。在实验中，大约每2秒就要获得一个图像，可能一共需要获得几百个大脑图像
。

从另一个角度来说，我们可以从每个体素中提取到活动强度信息，每个体素都有一个空间的位置，在连续的时间观察这个体素，我们就可以看到这个体素的活动强度随时间的变化，从而提取出来关于时间的活动强度信息，从而关联我们的任务或者被试的活动。
在通常情况下，这些信号代表血氧依赖水平(BOLD 对比度)，测量血红蛋白与脱氧血红蛋白的比例，测量该组织的新陈代谢速度，间接反映神经元活动。

血流响应函数(hemodynamic response function,HRF)，代表神经活动触发的fmri响应

这个图片的意思是如果在0时刻发生了某些活动，BOLD信号就会发生这样的变化：首先上升，接着达到峰值，然后衰退并进入一段时间低谷，低于baseline十几秒

实际上，fmri数据分析是一个大数据的问题

⁃ 每一个大脑体积包括100，000个体素测量值

⁃ 每一个实验会有上百次大脑扫描

⁃ 每个实验都会重复很多被试（10-40），为了做群体性推论，因而我们需要分析的数据非常巨量

数据分析的挑战性

⁃大数据问题

⁃信号相关性弱

⁃数据有复杂的时序和空间噪音

fmri数据数据处理过程：

⁃ 数据获重建过程

⁃ 预处理过程：时间校准，头动校准，配准与标准化，空间平滑处理

⁃ 数据分析过程：定位大脑活动、连接强度分析、预测

fmri数据分析的三个目标

1. 大脑活动的mapping，我们要决定在进行特定任务时大脑什么部位会被激活，同时我们也要处理好噪音的问题，比如这样，噪音就会到来这样“费解”的影响，所以我们需要经过一个假设检验的比较过程来得到我们的结论
   
   有三种手段1）比较过程需要我们对某个任务的对比度进行统计分析，在第一个图中每个点代表一个实验的结果 2）脑活动－行为关联，我们可以用大脑活动与行为强度（可以是表现的数据，也可以是年龄等等）进行拟合，寻找相关性；3）基于信息的mapping，我们可以通过观察一个脑区的活动，来算出它对特定行为任务的表征精度，用一种类似聚光灯（search light的方式），来观察大脑的每个区域都编码了多少信息。

对这三种手段，我们都有一个相同的大脑mapping步骤，和一个相同的原理。

1. 第二个目标是连接强度分析。我们可以测量不同脑区相互连接的情况，在这里一般指的是不同脑区活动的相关性。有很多不同类型的连接1)功能连接, 2)实效性连接，3）多变量连接模型，具体如这个表列的，他在这里也是点到为止。

1. 推测：我们可以通过连接强度或者大脑活动来推测这个人的感知，行为或者健康状况。在这里可以用到一些机器学习的算法模型，对大脑的活动或者连接情况，点乘一个分类的模式，得到一个预测的响应作为输出。在这里现在正在有越来越多的应用。

转载声明：
摘自知乎专栏“原来大脑是这么工作的”专栏！https://zhuanlan.zhihu.com/p/22002650。
非常感谢原作者