01??數(shù)據(jù)質(zhì)量檢查

好的數(shù)據(jù)是一切的開(kāi)始。數(shù)據(jù)質(zhì)量檢查內(nèi)容包括：掃描參數(shù)的檢查，其中有重復(fù)時(shí)間TR、回波時(shí)間TE、掃描視野、空間分辨率、采集時(shí)間等；檢查圖像是否存在偽跡如鬼影、圖像變形等；還有諸如檢查前n個(gè)時(shí)間點(diǎn)的的數(shù)據(jù)質(zhì)量等。我們會(huì)細(xì)致地檢查您的數(shù)據(jù)為后續(xù)的工作打下基礎(chǔ)。

02??數(shù)據(jù)預(yù)處理

• 時(shí)間層校正（Slice Time Correction），通過(guò)插值（Interpolation）等方法來(lái)獲得多個(gè)腦片相同時(shí)間點(diǎn)的數(shù)據(jù)，所謂插值就是通過(guò)與未知點(diǎn)相鄰的已知點(diǎn)的信號(hào)值來(lái)預(yù)測(cè)位置點(diǎn)的值。

• 頭動(dòng)校正（Motion Correction），在后續(xù)分析時(shí)我們認(rèn)為每個(gè)體素時(shí)時(shí)刻刻都對(duì)應(yīng)大腦的同一個(gè)位置，然而被試在掃描的時(shí)候必然會(huì)有細(xì)微的頭動(dòng)，用剛性變換把所有的圖像中的腦都固定在同一個(gè)靶位置。

• 空間標(biāo)準(zhǔn)化（Spatial Normalization），通過(guò)不同的配準(zhǔn)方法，使個(gè)體腦配準(zhǔn)到標(biāo)準(zhǔn)空間上，保證所有被試都對(duì)齊，用于后續(xù)的統(tǒng)計(jì)。

• 空間平滑（Spatial Smoothing），以高斯平滑核進(jìn)行空間卷積，提高數(shù)據(jù)信噪比。

• 其他降噪步驟，去線性化趨勢(shì)（detrend），濾波（filtering），回歸噪聲協(xié)變量（nuisance regression）等，根據(jù)具體需要選擇合適降噪步驟。

03??靜態(tài)局部性指標(biāo)分析

• 指標(biāo)計(jì)算。主要包括：

? ? ? 低頻振幅（ALFF/fALFF），可以反應(yīng)BOLD信號(hào)的總功率；

? ? ? 局部一致性（ReHo），反應(yīng)體素與其相鄰體素的時(shí)間序列的相似性；

? ? ? 功能連接（FC），反應(yīng)腦區(qū)與腦區(qū)之間的相關(guān)系數(shù)；

? ? ? 功能連接密度（FCD，用以衡量大腦每個(gè)位點(diǎn)（體素）與其他位點(diǎn)（體素）之間的聯(lián)系程度。以上功能指標(biāo)可進(jìn)行合適的標(biāo)準(zhǔn)化處理，如除均值標(biāo)準(zhǔn)化、z-score標(biāo)準(zhǔn)化、Fisher's -z變換等。

04??Task-fMRI數(shù)據(jù)處理

• 激活分析。

基于實(shí)驗(yàn)設(shè)計(jì)，構(gòu)建一般線性模型，分析出激活腦區(qū)。

• 生理心理交互分析（PPI）。

根據(jù)任務(wù)態(tài)實(shí)驗(yàn)設(shè)計(jì)，腦區(qū)之間的聯(lián)系是否存在交互作用。

• 有效連接分析。可分析激活腦區(qū)間的因果聯(lián)系。

主要包括：動(dòng)態(tài)因果模型分析（DCM），基于Friston等人提出的動(dòng)態(tài)因果模型，并結(jié)合您的實(shí)驗(yàn)假設(shè)，刻畫(huà)激活腦區(qū)之間的因果、促進(jìn)/抑制關(guān)系；格蘭杰因果分析（GCA），基于多變量自回歸模型（MVAR），刻畫(huà)激活腦區(qū)之間的因果關(guān)系。

• 任務(wù)態(tài)MVPA分析。

基于機(jī)器學(xué)習(xí)方法，對(duì)神經(jīng)狀態(tài)進(jìn)行解碼。主要包括：基于SVM、LDA等模型的解碼；表征相似性分析（RSA）等。主要進(jìn)行的是分類問(wèn)題的解決，由于RSA分析和MVPA分析對(duì)于實(shí)驗(yàn)設(shè)計(jì)有著比較高的要求，建議如果想做此類分析，在實(shí)驗(yàn)設(shè)計(jì)前與我們聯(lián)系，幫助您從更好的數(shù)據(jù)處理角度出發(fā)，進(jìn)行實(shí)驗(yàn)設(shè)計(jì)的處理和優(yōu)化。

05??獨(dú)立成分分析（ICA）

• 獨(dú)立成分分解。

獨(dú)立成分分析法(ICA)是一種基于數(shù)據(jù)驅(qū)動(dòng)的分析方法,能夠?qū)⒒旌蠑?shù)據(jù)分解成各種獨(dú)立分量，常見(jiàn)的有默認(rèn)模式網(wǎng)絡(luò)、執(zhí)行控制網(wǎng)絡(luò)等。

• ICA分析。

根據(jù)感興趣的成分，如默認(rèn)模式網(wǎng)絡(luò)，比較組間之間成分的差異，進(jìn)行組水平的統(tǒng)計(jì)。

• FNC/dFNC分析。

FNC以獨(dú)立成分為單位，計(jì)算獨(dú)立成分之間的功能連通性；dFNC分析則是通過(guò)聚類的方法將網(wǎng)絡(luò)狀態(tài)聚類成幾個(gè)類別，再分析狀態(tài)之間的組件差異，也可以分析屬性的差異如平均居留時(shí)間（MDT）、狀態(tài)個(gè)數(shù)、狀態(tài)轉(zhuǎn)換次數(shù)、狀態(tài)轉(zhuǎn)移矩陣等；頻譜分析，分析動(dòng)態(tài)腦網(wǎng)絡(luò)的頻譜能量活動(dòng)。

06??基于圖論的腦網(wǎng)絡(luò)數(shù)據(jù)分析

• 靜息態(tài)功能腦網(wǎng)絡(luò)的構(gòu)建。

基于適當(dāng)?shù)哪X圖譜如ALL90腦圖譜等，計(jì)算腦區(qū)與腦區(qū)之間的相關(guān)系數(shù)，構(gòu)建腦網(wǎng)絡(luò)。

• 圖論指標(biāo)分析。

利用圖論的方法來(lái)研究腦網(wǎng)絡(luò)全局和局部的各種指標(biāo)，比如：

全局指標(biāo)：小世界屬性（small-world）、最短路徑（shortest length）、集聚系數(shù)（clustering coefficient）、全局效率（global efficiency）、局部效率（local efficiency）、同配性（assortativity）、同步性（synchronization）、層級(jí)性（hierarchy）等。

局部指標(biāo)：節(jié)點(diǎn)效率（nodal efficiency）、節(jié)點(diǎn)局部效率（nodal local efficiency）、節(jié)點(diǎn)度中心性（nodal degree centrality）、節(jié)點(diǎn)介中心性（nodal betweenness centrality）、節(jié)點(diǎn)集聚系數(shù)(nodal clustering coefficient)、節(jié)點(diǎn)最短路徑（nodal shortest length）等。

• 連邊分析:

直接比較不同群體的腦連接的組間差異，可以識(shí)別異常的腦網(wǎng)絡(luò)連通成分；Rich-club分析，分析腦網(wǎng)絡(luò)是否具備Rich-club屬性，挑選出腦網(wǎng)絡(luò)中的重要節(jié)點(diǎn)，并且計(jì)算重要與重要節(jié)點(diǎn)之間的聯(lián)系，非重要與非重要節(jié)點(diǎn)之間的聯(lián)系，重要與非重要節(jié)點(diǎn)之間的聯(lián)系；模塊化連邊分析，將腦網(wǎng)絡(luò)劃分為若干個(gè)內(nèi)部聯(lián)系緊密的模塊，以模塊為單位進(jìn)行統(tǒng)計(jì)。動(dòng)態(tài)腦網(wǎng)絡(luò)分析。通過(guò)加窗的方式，構(gòu)建隨時(shí)間變化的動(dòng)態(tài)腦網(wǎng)絡(luò)。后續(xù)可進(jìn)行：聚類分析，將腦網(wǎng)絡(luò)聚類為若干個(gè)狀態(tài)，可分析特定狀態(tài)的組間差異，也可分析狀態(tài)指標(biāo)，如平均居留時(shí)間（MDT）、狀態(tài)個(gè)數(shù)、狀態(tài)轉(zhuǎn)換次數(shù)、狀態(tài)轉(zhuǎn)移矩陣等；頻譜分析，分析動(dòng)態(tài)腦網(wǎng)絡(luò)的頻譜能量活動(dòng)。

• 多層網(wǎng)絡(luò)分析

主要包括：圖論指標(biāo)變異分析，可分析圖論指標(biāo)的波動(dòng)變化程度，衡量其隨時(shí)間是否穩(wěn)定；多層網(wǎng)絡(luò)的模塊化、切換狀況等。

07??多模態(tài)數(shù)據(jù)融合分析

• 多指標(biāo)耦合分析。

基于回歸模型，分析不同模態(tài)指標(biāo)的耦合程度（如前述常規(guī)fMRI指標(biāo)與腦血流的耦合）。

• 典型相關(guān)分析（CCA）。

基于多模態(tài)CCA框架（mCCA），融合功能磁共振（fMRI）、結(jié)構(gòu)磁共振（sMRI）、腦電（EEG）等模態(tài)數(shù)據(jù)，估計(jì)出一系列融合成分，并對(duì)成分做統(tǒng)計(jì)分析。

08??腦影像機(jī)器學(xué)習(xí)分析

• 基于體素的MVPA分析。

基于常見(jiàn)的功能指標(biāo)，構(gòu)建機(jī)器學(xué)習(xí)模型，實(shí)現(xiàn)對(duì)不同群組的分類以及對(duì)量表得分的預(yù)測(cè)。常見(jiàn)的功能指標(biāo)包括：ALFF、ReHo、FC等；常見(jiàn)的機(jī)器學(xué)習(xí)模型包括：支持向量機(jī)（SVM）、線性判別分析（LDA）、Logistic回歸、隨機(jī)森林（Random Forest）、RVR、Elastic Net等。

• 基于腦網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)分析。

基于腦連接組數(shù)據(jù)，同樣可以提供上述分類/回歸分析。此外，可以提供腦網(wǎng)絡(luò)特有的預(yù)測(cè)模型，即CPM分析。

茗創(chuàng)科技專注于腦科學(xué)數(shù)據(jù)處理，涵蓋(EEG/ERP,fMRI,結(jié)構(gòu)像,DTI,ASL,FNIRS)等，歡迎留言討論及轉(zhuǎn)發(fā)推薦，也歡迎了解茗創(chuàng)科技的腦科學(xué)課程，數(shù)據(jù)處理服務(wù)及腦科學(xué)工作站銷(xiāo)售業(yè)務(wù)，可添加周翊工程師(微信號(hào)MCKJ-zhouyi或17373158786)咨詢。

文章來(lái)源于微信公眾號(hào)（茗創(chuàng)科技），歡迎有興趣的朋友搜索關(guān)注。