功能连接

注意：输入ROI MASK 时  截图要保留

功能连接-结果出来的是时间序列与相关系数矩阵

相关系数矩阵对称位置的数是相同的 因为功能连接没有方向性

但是顺序性一定要明确，因此输入ROI MASK时顺序一定要注意

去线性漂移和滤波静息态数据才做，任务态数据不做

 

Fun Connectivity（功能是得到定义的ROI与全脑各个voxel之间的相关系数，因为之间得到的相关系数是不服从正态分布的，所以对其进行了fisher变换，得到了服从正态分布且归一化的系数，每一点与ROI的相关系数组成了一个map，ROI自己区域的相关系数最大为1，显著性最强）

打开matlab-------rest--------Fun Connectivity--------Data Directory 输入spm处理得到的swaf文件（文件有多少个就说明扫描了脑袋多少次，时间序列上有多少个点）---------点击voxel size输入定义好的ROI的mask文件（如果是多个ROI的话则点击ROI wise按钮，输入每个ROI文件）--------点击user defined mask 在default处输入定义的全脑的mask文件-------输入输出路径-------Run；

注意：在这个功能中还有一个选项covariates（协变量），这个选项的功能就是将觉得有影响的或者无意义的脑区中的激活点去除掉。（输入的是脑区的时间序列）

点击voxel size输入定义好的ROI的mask文件: 功能是得到定义的ROI与全脑各个voxel之间的相关系数

ROI wise:计算多个ROI之间的相关系数

点击user defined mask 在default处输入定义的全脑的mask文件:

全脑的mask文件：在REST软件包里面有，但大小不一定是自己想要的，注意大小要和输入文件一致，如果不一致要用relice image功能改变大小

MASK大小拖入mricro软件查看

 

 

 ZGY师姐做过的功能连接分析

 

 

针对每个网络节点 ROI，分别提取实验组和控制组被试在每一轮反馈训练的
平均时间序列，计算所有ROI-ROI 之间的皮尔逊相关系数r 值。然后，使用Fisher
Z 变换将r 值转换成z 值以满足正态分布。
基于实时功能磁共振成像的神经反馈训练是通过主动调节靶点脑区的活动
来诱发大脑认知功能的变化。因此计算靶点脑区与两网络的平均连接强度变化有
助于揭示靶点脑区在整个网络中的关键作用以及调节靶点脑区的活动对整个网
络的影响。针对工作记忆网络，分别计算每个被试的靶点脑区ROI 与剩余7 个
ROI 的平均连接强度，然后使用配对T 检验比较每轮反馈训练与第一轮反馈训练
（1st_A）的平均连接强度差异。然后使用同样的流程计算默认网络与靶点脑区
ROI 的平均连接强度值，并进行配对T 检验。
关于网络内连接，首先使用单样本 T 检验来评价各网络内所有ROI-ROI 连
接对的显著性；然后，使用配对样本T 检验来比较ROI-ROI 连接对在最后一轮
反馈训练（2nd_D）与第一轮反馈训练相比时连接强度的变化。由于对整个网络
内的连接进行了多次比较，因此，使用错误发现率（false discovery rate，FDR）
校验（q<0.05）来控制多次比较的显著性。

 

转载于:https://www.cnblogs.com/pangairu/p/4181922.html