1、基本信息SPM12（統(tǒng)計(jì)參數(shù)圖）由倫敦大學(xué)學(xué)院功能影像Karl Friston 團(tuán)隊(duì)開發(fā)。這是一個(gè)免費(fèi)和開源的包，在上運(yùn)行。本指南最早是為參加 Utrecht 大學(xué) MSc 項(xiàng)目“神經(jīng)科學(xué)與認(rèn)知”的學(xué)生所使用的 SPM99 版本編寫的。第二版升級為 SPM2，第三版為 SPM5，第四版為 SPM8，第五版即 SPM12（在 Utrecht大學(xué)/UMC 的Bas Neggers 和 Mitzy Kennis 幫助下）。本指南并不全面，只介紹了 SPM12 最重要的、為完成本課程有必要掌握的功能。盡管已做了一定程度簡化，閱讀本指南仍需要一些背景知識(shí)以正確理解何為空間預(yù)處理和統(tǒng)計(jì)。本指南未介紹的一些

2、重要屬于較深入或新的內(nèi)容，比如 DAR，Bayesian inference（Bayesian 推斷），dynamic causal ming（動(dòng)態(tài)因果建模）和 M/EEG function（s M/EEG 函數(shù)）。信息 查詢 SPMuk/spm。文件類型和文件選用NIfTI-1 格式SPM12 使用一種標(biāo)準(zhǔn) 3D（有些情況下是 4D）圖像格式，稱為 NIfTI-1.1。每個(gè) NIfTI 格式的圖像是一個(gè)擴(kuò)展名為“.”的文件?！?”文件包括：一個(gè)包含圖像中所有數(shù)據(jù)的位圖；一個(gè)將位圖套入 3D 坐標(biāo)體系的變換矩陣（稱為仿射變換：如旋轉(zhuǎn)，平移，縮放和/或裁剪）。一個(gè)時(shí)間序列（如 300）的掃描包含

3、 300 個(gè).文件。若用 SPM 處理這些圖像，一般只會(huì)改變 NIfTI 文件中含有仿射變換的矩陣。需要理解的重要一點(diǎn)是：實(shí)際數(shù)據(jù)，即位圖，是不變的，除非在處理過程的任何階段中選用“Reslice”（重新分層）項(xiàng)。圖像重新分層（在頭動(dòng)校正和寫入標(biāo)準(zhǔn)化后）時(shí)，NIfTI 文件中的仿射變換矩陣會(huì)重置，計(jì)算出新的位圖，生成的新文件重命名時(shí)在舊文件名字頭加上一個(gè)字母（如：OLDFILE.會(huì)被覆蓋。變成 rOLDFILE.），故舊文件不注：SPM12 也可像早先版本（SPM5 之前）一樣使用 Header（.hdr）和 Image（.img）文件。在 SPM12 中生成時(shí)，這些文件也跟NIfTI 文件兼

4、容，并包含與“.”圖像一致的信息。這些文件與在早先版本SPM 中使用的舊 img/hdr 文件不同。在 SPM2 或更早版本中生成的7.5 文件可能不能正確導(dǎo)入 SPM12 中，因此在一個(gè)項(xiàng)目中不要更換SPM 版本。ysis關(guān)于NIfTI-1.1 的信息請參閱Browsing and selecting files（瀏覽和選中文件）：所有 SPM12 的功能使用相同的文件瀏覽框顯示，如左圖所示。左側(cè)區(qū)塊中可選中某一級文件路徑，右側(cè)區(qū)塊顯示該路徑下的文件。單擊就可以進(jìn)入下一級路徑。像在類 Unix 軟件上一樣，“.”表示上一級路徑。圖像文件可逐個(gè)單擊選中，此時(shí)文件名會(huì)自動(dòng)移至框下方。在右側(cè)區(qū)塊點(diǎn)

5、右鍵，選“Select all”（全選）可選中當(dāng)前路徑下所有文件。通常不需要選中所有文件，只需要選中當(dāng)前路徑下的一部分文件，可以定義過濾規(guī)則（在 Filter 按鈕旁的輸入框中）。該過濾規(guī)則跟大部分常見的文件過濾規(guī)則不一樣。要點(diǎn)如下：“.*” 表示列出當(dāng)前路徑中的所有內(nèi)容（僅限能被 SPM 識(shí)別的圖像格式的文件）；“funx” 表示列出文件名中含有 funx 字段的文件；“funx” 表示列出文件名以 funx 字段起頭的文件；選中圖像文件后，可以單擊“Ed”（編輯）項(xiàng)修改已選中的文件列表。在此窗口中單擊右鍵會(huì)撤銷該文件的選中狀態(tài)。單擊？項(xiàng)按鈕可顯示該文件瀏覽框的詳細(xì)介紹。SPM12 主窗口可

6、視化功能第 4 頁統(tǒng)計(jì)功能第 21 頁空間預(yù)處理功能第 9 頁可視化可視化工具 Display（顯示）和 Check Reg（校驗(yàn)查看掃描所得圖像手動(dòng)處理圖像，為空間預(yù)處理設(shè)置起點(diǎn)檢查所有空間預(yù)處理步驟）用于：顯示此顯示功能用于查看和處理單次掃描的圖像。使用框?yàn)g覽你的文件并選中一個(gè)（參見第 2 頁）。當(dāng)你選中一個(gè)“.”文件它將會(huì)出現(xiàn)在框地步。點(diǎn)擊該文件又會(huì)將其反選。不需要雙擊來進(jìn)入某一級目錄。單擊“.”上一級目錄。單擊“Done”繼續(xù)。在顯示窗口最重要的按鈕或選項(xiàng)有：標(biāo)記：即圖中藍(lán)線標(biāo)記出的位置，以 mm 或像素計(jì)。右移，前移和上移：可向三個(gè)方向移動(dòng)圖像。這些方向只有在當(dāng)前圖像與 MNI（神經(jīng)

7、科學(xué)）標(biāo)準(zhǔn)空間坐標(biāo)系方向一致時(shí)才有意義。俯仰、橫滾、偏向：分別沿 X，Y，Z 軸轉(zhuǎn)動(dòng)當(dāng)前圖像。圖像重定向：點(diǎn)擊此處可保存當(dāng)前處理對圖像的修改并將相同修改應(yīng)用到其他圖像中。在右側(cè)窗口可見當(dāng)前圖像的一些有用信息：像素尺寸，原點(diǎn)等。除了單純查看圖像，顯示功能還可用于在進(jìn)行自動(dòng)空間預(yù)處理前對圖像進(jìn)行手動(dòng)匹配。進(jìn)行該處理的原因是如果圖像不大致匹配，用于精確配準(zhǔn)的算法在局部最小值處可能卡死，造成圖像完全無法匹配。建議在進(jìn)行任何處理前將所有圖像代入 MNI 坐標(biāo)系，即使不打算進(jìn)行標(biāo)準(zhǔn)化處理。有些掃描或轉(zhuǎn)換已經(jīng)考慮了這個(gè)問題，但仍建議檢查一遍。具體操作如下，用顯示功能查看一個(gè)典型T1 圖像，（如在 SPM12

8、，“canonical”路徑下的“single_subj_T1.”文件）并在“Crosshairition”（標(biāo)記）項(xiàng)下設(shè)“mm”值為“0 0 0”，將游標(biāo)移至坐標(biāo)原點(diǎn)。注意圖像的方向和原點(diǎn)（前連接處）。然后顯示當(dāng)前圖像，再將游標(biāo)設(shè)置到“0 0 0”，用右移、前移、上移、俯仰、橫滾、偏向設(shè)置項(xiàng)處理圖像直到滿意（注意：旋轉(zhuǎn)用徑向坐標(biāo)表示；180度相當(dāng)于 3.1416 徑向刻度）。記住將游標(biāo)放在 mm 0 0 0 查看原點(diǎn)在何處。修改圖像時(shí)，可將這些修改應(yīng)用于其他任何圖像。任何需重定向的圖像都必須在這里輸入，包括當(dāng)前正處理的圖像。可單擊添加文件。使用過濾功能（如“funx“”）可批量列出和選中你想

9、要的文件，并繼續(xù)通過在窗口中單擊右鍵將文件名包含該字段的文件全部添加（“Select all”）。列出的已選中文件也可單擊“Ed”進(jìn)行編輯。校驗(yàn)校驗(yàn)功能用于檢查2 個(gè)或者掃描的圖像是否互相匹配。該檢查應(yīng)在每一步空間預(yù)處理后進(jìn)行。在單擊“Done”之前，選中所有需對比的文件（參見第 2 頁）。在各圖層圖像的不同位置單擊看是否所有位置都匹配。此處可見 MNI 標(biāo)準(zhǔn)圖像（左上），單獨(dú)的 T1 解剖圖像（右上）和功能圖像示例（左下）。注意單獨(dú)的 T1 圖像和功能圖像套用相同的MNI 坐標(biāo)系方向軸，但原點(diǎn)（藍(lán)色標(biāo)記處）不同。至少在方向軸匹配時(shí)，SPM 基本上能自動(dòng)排布圖像（見下節(jié)），但仍需要檢查確認(rèn)。M

10、RIcronMRIcron 是另一個(gè)免費(fèi)。它不是 SPM 的組件，也不需要像 SPM 一樣在環(huán)境運(yùn)行。MRIcron 用于對統(tǒng)計(jì)結(jié)果進(jìn)行定向顯示，在這一點(diǎn)上比 SPM 更靈活。兩者可并用。說明書地址：http/mricro/mricron/index.html（注：不要跟 SPM12 一起使用老版本的“MRIcro”，因?yàn)樗荒苷_處理 NIFTI 格式的文件）。這是 MRIcron 里一個(gè)單獨(dú)的T1 圖像示例。為了用 MRIcron 顯示你的分組統(tǒng)計(jì)結(jié)果，從菜單欄，“file”下拉菜單，“open tempaltes”選項(xiàng)中載入一個(gè)解剖背景圖像。然后，從“overlay”菜單單擊“add”載

11、入你的統(tǒng)計(jì)結(jié)果（如：名為 “spmT_000n.img”文件）只有閾值設(shè)定合適才能得到較為正常的圖像。可調(diào)節(jié)窗口上方中間兩個(gè)框中的數(shù)值來設(shè)定閾值（這里設(shè)為 3.68 和 13）。意為所有大于 3.68 的統(tǒng)計(jì)量（T）會(huì)在圖中顯示，大于等于 8 的會(huì)顯示明亮的顏色。因此在 MRIcron 中需手動(dòng)設(shè)定合適的閾值（如：可選用 SPM 已經(jīng)幫你確定的值）空間預(yù)處理功能空間預(yù)處理的目的：匹配同一受試者的所用掃描圖像。在標(biāo)準(zhǔn)空間坐標(biāo)系中匹配所有受試者的掃描圖像。最重要的工具有：realign（頭動(dòng)校正）（和 unwarp 反卷積）， slice timing correction（層間時(shí)間校正），cor

12、egister（配準(zhǔn)）， Normalize（標(biāo)準(zhǔn)化）和 smooth（平滑）。描述如下。頭動(dòng)校正頭動(dòng)校正是匹配圖像的最基本功能。它采用剛體變換來處理掃描圖像。即只允許轉(zhuǎn)換（在 X， Y，Z 軸方向移動(dòng)）和旋轉(zhuǎn)（圍繞 X，Y，Z）。通過試錯(cuò)來找到能使兩個(gè)圖像差異最小化的處理方式。最小化成本函數(shù)是兩個(gè)圖像間的方差和。因此，只能用于相同模態(tài)的成像。如采用相同脈沖序列的成像。常用于在功能成像時(shí)校正受試者的頭動(dòng)影響（顧名思義頭動(dòng)校正）。頭動(dòng)校正結(jié)果會(huì)納入“. ”文件的（仿射）變換信息中。也可在新文件中對這些圖像進(jìn)行重新分層，生成的文件會(huì)包含修改過的位圖（即嵌入）。轉(zhuǎn)換旋轉(zhuǎn)在 SPM12 主窗口，在 R

13、ealign 項(xiàng)下，用下拉菜單選擇：Estimate（參數(shù)估計(jì)）：確定剛體變換的參數(shù)并將這些修改嵌入“.”文件。Reslice：創(chuàng)建新位圖文件（新文件名為舊文件名前加 r）。Estimate and reslice（參數(shù)估計(jì)與重分層）：一次執(zhí)行上述兩個(gè)處理。然后會(huì)彈出 SPM12 的批處理管理器窗口。每次變換之后進(jìn)行重分層不是必需的，而且會(huì)降低圖像質(zhì)量。但在開始統(tǒng)計(jì)分析前重分層是必要的。假設(shè)選用 Estimate and reslice。可見左側(cè)面板模塊列表中顯示名為“Realign: Estimate &Reslice”的任務(wù)。注意也可在菜單欄（主要在“SPM”下方）添加模塊建立一個(gè)批處理。

14、此處需指定要進(jìn)行頭動(dòng)校正的文件。注意，一開始“-X”在“Data”條目的右側(cè)顯示。意為此處尚未完成設(shè)定。其他包含默認(rèn)設(shè)置的選改可不改。如，可以在“filename prefix”項(xiàng)下自定義重分層后的文件名前綴。雙擊“Data”可顯示添加待處理文件的框。可用于一位受試者的多時(shí)間層掃描的圖像。然后雙擊“Select Files”為每個(gè)進(jìn)程定義“.”文件。然后彈出前述文件瀏覽器窗口（詳見第 2頁）。瀏覽待處理的圖像文件，通過過濾器或單擊鼠標(biāo)選中正確的文件，單擊右鍵可全選。也可用“Ed”鍵修改選中的文件。反卷積基于（回波平面成像）的功能脈沖序列在頭部充氣空腔組織成像時(shí)可能由于磁場異質(zhì)性造成圖像有較強(qiáng)的

15、空間。反卷積可用于：1）基于B0 場圖校正靜態(tài)形變；2）校正運(yùn)動(dòng)造成的這些的改變。這些可以類比為在哈哈鏡前上下移動(dòng)造成的圖像。因此不僅是位置，也包括容積形狀隨時(shí)間的改變。當(dāng)存在這些時(shí)，前述基于剛體變換的頭動(dòng)校正以消除運(yùn)動(dòng)偽影。當(dāng)選用反卷積時(shí)，這些可解釋為卷積，并重新互相匹配。但應(yīng)注意，只有有足夠理由認(rèn)為原始圖像即存在卷積時(shí)才應(yīng)進(jìn)行反卷積處理。SPM12 默認(rèn)只對俯仰和橫滾運(yùn)動(dòng)進(jìn)行反卷積處理，分別對應(yīng) nodding 選項(xiàng)的 yes 或 no。這是在掃描設(shè)備內(nèi)最常見的運(yùn)動(dòng)類型。層間時(shí)間最常見的功能脈沖序列（如 2D集容積中的每一層圖像。因?yàn)?可產(chǎn)生明顯時(shí)間差異。在功能磁，相對于三維脈沖序列如 3

16、D或 PRESTO）并不同時(shí)采一個(gè)容積一般需要數(shù)秒。一次掃描中依照圖層順序成像模式中時(shí)間是一個(gè)重要。（如：事件相關(guān)研究設(shè)計(jì)），故時(shí)間差異應(yīng)納入考慮。SPM 通過校正功能序列的時(shí)間來解決該問題。在批處理編輯窗口可見“Slice Timing”（層間時(shí)間）選項(xiàng)。首選需填寫“Data”項(xiàng)。操作方法與定義進(jìn)行頭動(dòng)校正處理的文件相同。此處可使用多個(gè)會(huì)話。需完成的第二項(xiàng)是單擊“Number of Sli”（圖層數(shù)）然后單擊“Edit value”（編輯值）。此處須輸入已獲知的圖層數(shù)。需完成的第三項(xiàng)是 TR，即輸入每個(gè)功能掃描耗時(shí)，為秒。下一項(xiàng) TA，須輸入 Sli)。首個(gè)和最后一個(gè)圖層的時(shí)間間隔。通常書寫

17、為 TR (TR / Number of此處還需輸入掃描的圖層順序。需要在實(shí)際掃描中仔細(xì)檢查確定順序。有兩個(gè)主要類型：Ascending or descending（升序或降序）：圖層從逐層或反之。在圖層順序項(xiàng)下，輸入： 1:30： 30:-1:1：（此為30 層，從底到頂。30 層，從表達(dá)式）。erleaved（交叉模式）：在交叉掃描所有偶中，先所有奇數(shù)圖層，然后數(shù)圖層（或反之）這些順序可如下輸入：2:2:30,1:2:29: ascending, even29:-2:1,30:-2:2: descending, odd可先在命令窗口輸入這些表達(dá)式進(jìn)行驗(yàn)證?；蚴謩?dòng)輸入任何自定義順序，如1,3

18、,5,7,2,4,6,8: ascending, odd。最后，輸入?yún)⒈葓D層，其他圖層校正時(shí)以此為對照。多數(shù)人選用層。這樣能使數(shù)據(jù)的時(shí)間校正最小化。進(jìn)行到一半時(shí)的圖作為選填件名前綴。在“Filename Prefix”（文件名前綴）項(xiàng)下修改層間時(shí)間校正后生成文件的文配準(zhǔn)配準(zhǔn)功能用于匹配不同模態(tài)掃描所得的圖像。如，下圖所示兩個(gè)圖像（T1 和T2匹配。）的如此例所示，方差和的最小化不管用，因?yàn)椴煌瑘D像匹配時(shí)差異太大。因此采用了成本函數(shù)，稱為 Mutual Information（交互信息）。這是上述兩個(gè)圖像完美匹配時(shí)的交互信息 2D-柱狀圖。X 軸代表第一個(gè)圖像的灰度值，另一個(gè)圖像的灰度值分布（在

19、灰度值相同的像素內(nèi)）垂直繪出。兩個(gè)獨(dú)立圖像因此可生成一條從左下到右上的斜線。此例中，可見在較暗的灰度值范圍兩個(gè)圖像間存在正相關(guān)（上圖中的斜線 1）。然而在兩個(gè)圖像中腦脊液部分的灰度值存在負(fù)相關(guān)（左側(cè)圖像的黑色部分，右側(cè)圖像的白色部分，見前述斜線 2）。簡而言之，兩個(gè)圖像的最終匹配度取決于 2D 柱狀圖中斜線的銳度。此銳度基本上是配準(zhǔn)時(shí)SPM 的最大化的度量。類似頭動(dòng)校正，配準(zhǔn)也默認(rèn)只能采用剛體變換（轉(zhuǎn)換和旋轉(zhuǎn)）。轉(zhuǎn)換旋轉(zhuǎn)在主窗口下拉菜單中的 coregistration 項(xiàng)下，選擇：Estimate：確定剛體變換的參數(shù)，并嵌入“.”文件而實(shí)際上不改變位圖。Reslice：將此變換應(yīng)用到圖像并創(chuàng)

20、建新的位圖文件。Estimate & reslice：一次執(zhí)行上述兩個(gè)處理。在 Estimate 中，需定義：Reference image（參比圖像）：其他圖像配準(zhǔn)時(shí)的對照。Source image（源圖像）：應(yīng)基于參比圖像進(jìn)行處理的圖像。（可選的）Other image（其他圖像）：執(zhí)行與源圖像相同處理的圖像。注：其他圖像應(yīng)已或已與源圖像進(jìn)行頭動(dòng)校正。SPM 允許修改 Estimate 和 Reslicing 功能的默認(rèn)設(shè)置項(xiàng)。多數(shù)情況下，默認(rèn)設(shè)置較好。如果在此步選擇 Reslicing，需考慮設(shè)“olation”（嵌入值）項(xiàng)為 4th degree B-Spline（第 4 度 B-樣條

21、），處理會(huì)較慢，但效果比三線性嵌入值更好。在頭動(dòng)校正后未進(jìn)行重分層處理時(shí)尤其推薦。標(biāo)準(zhǔn)化標(biāo)準(zhǔn)化功能用于在標(biāo)準(zhǔn)空間坐標(biāo)系（MNI）中處理圖像。在 SPM12 中 MNI 坐標(biāo)系由經(jīng) 152個(gè) T1-圖像非線性生成的模板來定義。SPM12 中的（新）默認(rèn)設(shè)置采用稱為“分割”的程序進(jìn)行空間標(biāo)準(zhǔn)化。此程序在一個(gè)模塊中包含了三個(gè)步驟：分割，偏倚校正和空間標(biāo)準(zhǔn)化。分割（詳見下文分割功能的介紹）是指在解剖掃描的一個(gè)圖像中分辨不同組織類型，如灰質(zhì)、白質(zhì)和腦脊液。偏倚校正用于去除圖像間的平滑變異強(qiáng)度差異（如：腦中部的暗區(qū)）。空間標(biāo)準(zhǔn)化通過生成“deformation field”（變形項(xiàng)）來實(shí)現(xiàn)。下圖是用于一個(gè)

22、 T1-圖像空間標(biāo)準(zhǔn)化的變形項(xiàng)示例。變形項(xiàng)是在 3D 空間中對每個(gè)位置的位移程度進(jìn)行定量描述的圖像。例如：在上述X 軸變形項(xiàng)中，淺色表示需向右移動(dòng)的位置，深色表示向左移動(dòng)。因此，平面中紅框所示從暗到亮的梯度定量顯示了一個(gè)在冠狀平面上從左到右的放大處理。一旦這些變形項(xiàng)生成后，即可應(yīng)用于其他不同模態(tài)的圖像（如：功能掃描），只要之前這些圖像已與該受試者的解剖圖像配準(zhǔn)。Z 軸變形項(xiàng)Y 軸變形項(xiàng)X 軸變形項(xiàng)T1-掃描在主窗口中 Normalise 項(xiàng)的下拉菜單中選擇：Estimate：計(jì)算用于空間標(biāo)準(zhǔn)化的變形項(xiàng)，保存?zhèn)溆谩rite（寫入）：類似“Reslice”，將之前確定的變形項(xiàng)應(yīng)用于特定圖像，并生

23、成新位圖。此步基文件名創(chuàng)建以“w”為文件名前綴（或其他可選前綴）的新文件。一般這兩步處理選擇Estimate and Write 同時(shí)執(zhí)行。假設(shè)選擇 Estimate and Write，以下項(xiàng)需填寫：首先在“Data”項(xiàng)，添加一個(gè)受試者，然后單擊“Image to align”并定義需要用于計(jì)算變形匹配 MNI 坐標(biāo)系的文件。這些變形項(xiàng)也可后續(xù)用于其他圖像。通常用于最高質(zhì)量的圖像。如果愿意，可采用“Source weighting image”（源加權(quán)圖像）在受損大腦中標(biāo)記病灶。然后，需要定義應(yīng)用這些變形哪些圖像需要重分層（“Images to write”）。這樣將會(huì)創(chuàng)建新位圖，新文件名將

24、在原文件名前加前綴“w” （或其他可選前綴）.然后，注意“Estimate option”項(xiàng)。默認(rèn)設(shè)置通常給出最佳值。但標(biāo)準(zhǔn)化處理可能出問題，例如，圖像中信號強(qiáng)度的強(qiáng)平滑變異（“Bias”）。此情況下可嘗試降低 bias regularisation setting（偏差規(guī)整設(shè)置）。開始標(biāo)準(zhǔn)化之前，可考慮調(diào)整“Writing”的一些默認(rèn)設(shè)置。一個(gè)重要的設(shè)置是邊界框。此項(xiàng)定義了嵌入新文件的 MNI 坐標(biāo)系的部分。默認(rèn)設(shè)置包括整個(gè)腦，故如果不掃描全腦，應(yīng)選擇小一些的邊界框（參考 MNI 坐標(biāo)系模板）。邊界框由兩行三列數(shù)字定義。兩行分別定義起點(diǎn)和終點(diǎn)，列定義 X 軸（左-右），Y 軸（前-后）和 Z

25、 軸（從底到頂）方向。然后，可修改新圖像的像素尺寸。SPM 默認(rèn)對標(biāo)準(zhǔn)化處理生成的新圖像進(jìn)行重分層時(shí)的像素尺寸是 2*2*2 mm。某些情況下，建議修改這些設(shè)置為初始像素尺寸或最接近的概數(shù)。較小的像素尺寸會(huì)大大增加數(shù)據(jù)量和統(tǒng)計(jì)計(jì)算耗時(shí)，但可能對 SPM 用于多重比較校正的平滑估計(jì)處理有好處。另外，確定像素尺寸與邊界框匹配。如：4*4*4 像素匹配-80 到 80，-112 到 76，-68 到 88 的邊界框，因?yàn)檫@些邊界框均可被 4 整除。最終，可考慮修改圖像重分層時(shí)所采用的嵌入方法，即在代入新 MNI 坐標(biāo)系的圖像中計(jì)算像素尺寸值的方法。默認(rèn)設(shè)置是 4th degree B-spline

26、嵌入。如果計(jì)算時(shí)間較為重要，較快的三線性嵌入已經(jīng)足夠，特別是頭動(dòng)校正處理后采用 4th degree B-spline 的重分層已應(yīng)用時(shí)。平滑平滑功能作為空間預(yù)處理的最后一步，用于對功能圖像進(jìn)行模糊化處理。以對不同受試者的解剖/功能圖像的輕微殘余差異進(jìn)行校正。當(dāng)然平滑處理會(huì)造成分辨率損失，需衡。因此，平滑處理的程度部分取決于所需回答太多平滑。例如，當(dāng)對細(xì)微結(jié)構(gòu)感時(shí)就不應(yīng)使用平滑處理通過對每個(gè)像素與其相鄰像素的義。和進(jìn)行平均化來實(shí)現(xiàn)由函數(shù)定曲線尺寸由其半寬給出（FWHM）。半寬越大，平滑程度越高。經(jīng)驗(yàn)規(guī)律是一般功能磁成像（fMRI）研究使用的半寬是像素（一個(gè)維度）尺寸的兩倍。首先，單擊“Imag

27、e to smooth”和“Select files”選擇要平滑處理的文件。在下面各項(xiàng)中，可輸入半設(shè)置為 8 mm。寬。各方向默認(rèn)分割分割功能用于分辨解剖圖像中的組織類型，如灰質(zhì)、白質(zhì)、腦脊液。解剖圖像的分割可生成一系列不同的影像，可用于多種目的，如：容積測定（基于像素的形態(tài)學(xué)測定）。分割也可用于標(biāo)準(zhǔn)化處理（見前述）。分割可基于定量描述每個(gè)像素中特定組織出現(xiàn)概率的組織概率圖來實(shí)現(xiàn)。如下圖所示：灰質(zhì)白質(zhì)腦脊液空氣頭骨軟組織進(jìn)行分割處理時(shí)，首先選擇“Data”項(xiàng)，通常應(yīng)為一個(gè)解剖圖像（T1-的圖像輸出類型。）。下面可選擇不同在“War& MRF”和“Deformation fields”項(xiàng)中，可選

28、擇生成的用于空間標(biāo)準(zhǔn)化和 Reverse（反向）標(biāo)準(zhǔn)化的變形項(xiàng)。下圖是一個(gè)分割單個(gè)圖像灰質(zhì)和白質(zhì)示例。這些圖像在原始坐標(biāo)系中（如，用該受試者的 T1圖像進(jìn)行頭動(dòng)校正處理）?；屹|(zhì)白質(zhì)統(tǒng)計(jì)分析功能統(tǒng)計(jì)分析功能用于：在使多元回歸分析的研究中為預(yù)期的 BOLD 信號創(chuàng)建yield 模型。通過定義對比參數(shù)，在腦部影像的每一個(gè)像素中估計(jì)和檢驗(yàn)此模型的擬合程度。在對研究設(shè)計(jì)進(jìn)行定義時(shí)，SPM12 允許設(shè)置大量選項(xiàng)對設(shè)計(jì)進(jìn)行定義，故需確保掌握所有所需的信息。如果需要調(diào)用已在當(dāng)前電腦上的信息（如刺激的起始信息），可能需要在命令行窗口調(diào)入或進(jìn)行處理。請確保在 SPM 啟動(dòng)后再執(zhí)行這些操作，因?yàn)?SPM 會(huì)在啟動(dòng)時(shí)

29、清空的工作區(qū)。在實(shí)際運(yùn)行模型定義/估計(jì)前，請確保所有輸入批處理文件的信息已保存。這樣在出問題時(shí)可回到模型定義的步驟，不用再從頭開始。第一步，需為每個(gè)條件將試驗(yàn)的起始信息分配給各變量。如果信息很少，如在慢區(qū)組研究設(shè)計(jì)中，可在 SPM12 的圖形界面上手動(dòng)輸入?；蛘?，在確保 SPM 已經(jīng)運(yùn)行的情況下，切換到命令行窗口（可以嵌入主界面，也可以是活動(dòng)窗口）。在此輸入命令（類似 Unix/Linux）。重令如下：打印當(dāng)前工作的文件目錄：列出（某個(gè)目錄下的文件）：改變目錄：調(diào)入名為 traildata.mat 的文件目錄：將一個(gè)名為“onsets.txt”的 ascii 文件調(diào)入一個(gè)名為 onsets 的

30、變量。即兼容數(shù)字單列文件的任務(wù)。：在工作區(qū)中顯示所有當(dāng)前變量。：顯示變量內(nèi)容。pwdls cdload trialdataonsets=load(onsets.txt)whos：type variable name pressing arrow upsome_cariable(4,2)：前一條命令：顯示名為“some_variable”的變量中第 4 行第 2 列單元格的內(nèi)容。：顯示此變量中第一列各行的some_cariable(:,1)內(nèi)容。定義第一階“定義第一階”（或 fMRI 模型定義）用于在受試者時(shí)間序列階乘中進(jìn)行模型定義。后續(xù)步驟了可設(shè)置的最重要的選項(xiàng)。Directory：定義研究設(shè)

31、計(jì)和保存相關(guān)文件的目錄。建議創(chuàng)建一個(gè)新目錄。將數(shù)據(jù)和分析結(jié)果分開保存。Time parameters：定義當(dāng)前研究設(shè)計(jì)的計(jì)數(shù)起始/區(qū)組）是以秒還是以掃描次數(shù)計(jì)。無論計(jì)時(shí)如事件的為何，起始的第一次掃描都計(jì)為時(shí)間點(diǎn) 0（不是 1?。?。若選擇 scans（以掃描次數(shù)計(jì)），則第 2 個(gè)掃描（的起始）將計(jì)為時(shí)間點(diǎn)1，以此類推。erscanerval（掃描間隔）是指子序列間的起始掃描時(shí)間間隔。通常此項(xiàng)應(yīng)為(volume) TR。如果時(shí)間不重要，如在慢區(qū)組研究設(shè)計(jì)中，可在 Microtime resolution（微時(shí)間分辨率）和 Microtime onset（微時(shí)間起始）設(shè)置中采用默認(rèn)值并跳過之后的設(shè)置

32、項(xiàng)。當(dāng) SPM 創(chuàng)建了一個(gè)預(yù)期信號的模型時(shí)，需要確切知道的時(shí)間點(diǎn)。通常，這個(gè)理想時(shí)間點(diǎn)對應(yīng)掃描間隔的中間點(diǎn)。原因可能是你已經(jīng)自行調(diào)整了計(jì)時(shí)（采用層間計(jì)時(shí)校正）以對應(yīng)在掃描間隔的中間點(diǎn)的那個(gè)圖層。無論你選擇哪個(gè)時(shí)間點(diǎn)都需要告知 SPM。此時(shí)需設(shè)置 Microtime resolution，或 bins（時(shí)間格數(shù)）和 Microtime onset，或 Sled bin（采樣時(shí)間格）。時(shí)間格數(shù)可設(shè)為與所獲得的圖層數(shù)對應(yīng)。Microtime onset 是需調(diào)整到的時(shí)間。故若已到一個(gè) 30 個(gè)圖層的數(shù)據(jù)集（如用交叉模式，圖層順序是1，3，5等，2，4，6等），其層間時(shí)間已校正到間隔的中間點(diǎn)圖層（此處

33、即圖層#2，從下向上數(shù)），Microtime resolution 應(yīng)設(shè)為 30，Microtime onset 應(yīng)設(shè)為 15。也可以將 Microtimeresolution 設(shè)為默認(rèn)值，讓自行估計(jì)正確的起始值（注意確切的時(shí)間不是很重要，因?yàn)锽OLD 信號的時(shí)間分辨率本來就低）。Data & Desing：此處應(yīng)先單擊“New subject/Ses”（新受試者或會(huì)話）直到達(dá)到你的研究中設(shè)計(jì)的受試者或會(huì)話數(shù)。一個(gè)會(huì)話通常是一位受試者的重復(fù)實(shí)驗(yàn)。如：在藥物研究中，藥物干預(yù)組和安慰劑組即使在不同的日子掃描，可歸入兩個(gè)會(huì)話中。三個(gè)會(huì)話的例子是三次連續(xù)掃描間隔兩次短暫休息的研究設(shè)計(jì)。確保不要將不同的

34、掃描輸入一個(gè)會(huì)話中！在一個(gè)會(huì)話內(nèi)，首先需用常規(guī)文件選擇框定義屬于這個(gè)會(huì)話的所有掃描。對于“Conditions”項(xiàng)，納入模型的每個(gè)條件都需單擊一次“New condition”。在開關(guān)刺激模式這類最基本的實(shí)驗(yàn)中，設(shè)為 1（而不是 2），因?yàn)樵谀Ｐ椭袇^(qū)別兩個(gè)條件只需要一個(gè)回歸量。在有兩個(gè)條件加休息間隔的研究設(shè)計(jì)中，需要兩個(gè)回歸量，以此類推。每個(gè)“Condition”項(xiàng)都需要設(shè)置一些參數(shù)。首先，輸入一個(gè)條件名。在“Onsets”項(xiàng)輸入此條件的矢量?？扇缦螺斎耄?. 手動(dòng)輸入逗號間隔的矢量，如 10,60,100,130,160。如果之前選擇了“Scans”，確保此處也以該格式輸入。2. 在工作區(qū)輸

35、入一個(gè)包含此條件下表示起始方向的矢量數(shù)組的變量名稱。在“Durations”項(xiàng)，輸入此條件下事件/區(qū)組耗時(shí)。在區(qū)組研究設(shè)計(jì)中即區(qū)組的長度。在事件相關(guān)研究設(shè)計(jì)中全部耗時(shí)的 Durations設(shè)為 0。如果所以事件/區(qū)組的耗時(shí)相同，可只輸入一個(gè)數(shù)值?；蛘咻斎肱c前述“Onsets”項(xiàng)下的矢量長度相同的矢量。Time modulations（時(shí)間調(diào)制）和 Parametric modulations（參數(shù)調(diào)制）項(xiàng)在下頁作簡要介紹。Time modulations 和Parametric modulations 項(xiàng)用于在整個(gè)實(shí)驗(yàn)的特定條件中將一個(gè)響應(yīng)的規(guī)模關(guān)聯(lián)到一個(gè)第三變量。此第三變量可以是：如，一個(gè)線

36、性下降趨勢（如：預(yù)期響應(yīng)是周期性重復(fù)，這是一個(gè)“Time modulation”的例子）或反應(yīng)時(shí)間測量（何時(shí)，如：較短反應(yīng)時(shí)間預(yù)期會(huì)伴隨較大的BOLD 響應(yīng)值出現(xiàn)，這是一個(gè)“Parametric modulation”的例子）偏上圖所示是一個(gè)典型的區(qū)組研究設(shè)計(jì)，中間是時(shí)間調(diào)制回歸量的圖示。當(dāng)合并這兩個(gè)回歸量時(shí)偏下方的圖。這是一個(gè)周期性重復(fù)的響應(yīng)。響應(yīng)周期性越強(qiáng)，中間回歸量的貢獻(xiàn)越大。若模型適當(dāng)，這能在此回歸量的較高的“Parameter estimates”（參數(shù)估計(jì)）值中反映出來。此例中，可選擇“Time modulations”項(xiàng)并選擇“1st order”（一階）。在更高級的研究設(shè)計(jì)中，

37、也可能用到更高階的多項(xiàng)式。若選用反應(yīng)時(shí)間為調(diào)制項(xiàng)，則需選擇“Parametricmodulation”項(xiàng)，添加一個(gè)新“Parameter”項(xiàng)，并輸入一個(gè)名稱和一該條件中每次試驗(yàn)的反應(yīng)時(shí)間的矢量數(shù)組。同樣，可假設(shè)反應(yīng)時(shí)間和響應(yīng)規(guī)模之間是線性（即一階）或更高階的多項(xiàng)式關(guān)聯(lián)。Multiple Conditions：除了使用前述條件選項(xiàng)外，也可指定一個(gè)包含所有這些信息的文件。使用此選項(xiàng)需要一些超出本指南的使用經(jīng)驗(yàn)。信息參見本頁下方的指導(dǎo)。Regressors and Multiple regressors（回歸量和多重回歸量）：此處可項(xiàng)模型添加回歸量。多數(shù)情況下，有些變量可用于對一些（如受試者在掃描儀

38、內(nèi)有運(yùn)動(dòng)）引起的數(shù)據(jù)額外變異進(jìn)行建模?；蛘咴陉P(guān)聯(lián)分析中，可添加包含了特定區(qū)域代表性時(shí)間進(jìn)程的回歸量。要添加一個(gè)單一回歸量，單擊“Regressors”項(xiàng)，選擇“new regressor”。然后輸入一個(gè)名稱和包含掃描長度及向量數(shù)組的變量。若想在模型中輸入重排參數(shù)（如：受試者在掃描儀內(nèi)有運(yùn)動(dòng)），用“multiple regressors”項(xiàng)較為方便。在重排過程中，在輸入進(jìn)行重排的第一個(gè)圖像所在文件目錄下會(huì)創(chuàng)建一個(gè)文件。此文件包含 6 列。這些數(shù)字表示受試者以 X，Y，Z 軸坐標(biāo)系表示的 “ition”（位置，不是運(yùn)動(dòng)）及相對于第 1 次掃描圍繞X，Y，Z 軸旋轉(zhuǎn)的情況。若這些文件的行數(shù)（掃描次數(shù)

39、）與此會(huì)話能掃描的次數(shù)相同，則可通過選擇“Multiple regressors”項(xiàng)并指向該文件將整個(gè)文件調(diào)入 SPM。如果不同，例如，因已使用重排功能排列另一掃描的圖像，如：采用功能掃描進(jìn)行參比掃描，則需在命令行窗口處理此文件。操作如下：在工作區(qū)調(diào)入此文件（如：輸入“rp=load(rp_scan name.txt)”），并逐一選擇需要的列（如：rp_column1=rp(1:488,1)，意為第 1 列從第 1 次到第 488 次掃描）。然后使用“Regressor”項(xiàng) 6 次輸入這些變量的名稱（此例中是“rp_column1”）.在模型中納入這些重排參數(shù)。但使用重排參數(shù)作為額外回歸量是有

40、爭議的。應(yīng)該記住并不是所有運(yùn)動(dòng)相關(guān)偽影都能用這 6 個(gè)參數(shù)建立適當(dāng)?shù)哪Ｐ??！癛egressor”項(xiàng)也可用于基于簡單區(qū)域的（神經(jīng)）功能連接分析。要輸入從 VOI 文件中摘錄的數(shù)據(jù)（見本指南最后一章），需在作為賦值。工作區(qū)調(diào)入VOI 文件并在“Regressor”項(xiàng)輸入“Y”High-pass filter（高通過濾器）：然后選擇需要的高通過濾器（用于濾除低頻信號）。SPM 中的過濾通過對模型添加 discrete cosi t（離散余弦函數(shù)集）實(shí)現(xiàn)。盡管這些回歸量的函數(shù)集是隱藏的，但對于信號以及模型其他部分是兼容的（過濾器與之正交）。此余弦函數(shù)集包含任意數(shù)量的余弦函數(shù)，從全余弦，半余弦和 1.5

41、 倍余弦等，在所輸入的截止頻率處（或之前）結(jié)束。左圖所示為 5 個(gè)上述余弦波。此例中的截至?xí)r相計(jì)算如下：耗時(shí)以秒/2.5 時(shí)相計(jì)的會(huì)話。注意，例如，可將線性漂移從信號中濾除。截止時(shí)相低則生成的回歸量多（一個(gè)回歸量會(huì)占用統(tǒng)計(jì)中的一個(gè)度）。盡管增加回歸量的代價(jià)并不會(huì)影響噪聲濾除帶來的好處，但在當(dāng)前工作所包含的頻率上應(yīng)添加余弦函數(shù)。如果添加，有可能處理引起的激活信號會(huì)被濾除，造成檢驗(yàn)效能降低。SPM12 的默認(rèn)截止時(shí)相是 128 秒。經(jīng)這對于大多數(shù)研究設(shè)計(jì)是合適的，但在快速時(shí)間相關(guān)設(shè)計(jì)的研究中有必要考慮采用更低的截止時(shí)相。（建議更熟練的用戶手動(dòng)計(jì)算過濾器與當(dāng)前工作回歸量之間的相關(guān)性。）Factori

42、al design（析因設(shè)計(jì)）：可使用此項(xiàng)在多設(shè)計(jì)的研究中分配早先定義到各單元格中的“Conditions”值。例如，假設(shè)研究設(shè)計(jì)包含兩個(gè)：“presenion time”（演示時(shí)間，三水平，1，5，10 秒）和“familiarity”（熟悉程度）（兩水平， 熟悉的和新）。這意味著需要述conditions option 項(xiàng)中輸入(3*2)=6 個(gè)條件。若已經(jīng)按如下格式輸入：“familiar 1sec”，“novel 1sec”，“familiar 5sec”， “novel 5sec”，“novel 10sec（” 懷疑原文有誤，此處應(yīng)為 novel，否則輸入重復(fù)）和“familiar

43、10sec”，此處輸入“preseniontime”作為一，“familiarity”作為二。注意，析因設(shè)計(jì)項(xiàng)只對主效應(yīng)和相互作用效應(yīng)添加對比參數(shù)檢驗(yàn)。也可在對比參數(shù)管理器中手動(dòng)定義（見下頁）。Basis functions（基本函數(shù)）：正如你所知，神經(jīng)活動(dòng)不是直接轉(zhuǎn)化為 fMRI 中測得的血氧水平依賴（BOLD）信號。因此需要一個(gè)描述BOLD 信號響應(yīng)與神經(jīng)活動(dòng)之間關(guān)系的模型。目前最常用的是血力學(xué)響應(yīng)函數(shù)（HRF）。大多數(shù)人在右上窗口選擇排列靠前的選項(xiàng)，名為“Canonical HRF”（標(biāo)準(zhǔn)HRF）。其他選項(xiàng)不在此指南的范圍。三個(gè)區(qū)組的區(qū)組研究設(shè)計(jì)示例（X 軸以秒為）方形函數(shù)HRF 卷積若

44、選擇了其中一項(xiàng)，所有已定義的區(qū)組或事件會(huì)采用標(biāo)準(zhǔn) HRF（即標(biāo)準(zhǔn)假設(shè)）進(jìn)行“convovled”（卷積）處理。上圖即是一個(gè)區(qū)組研究設(shè)計(jì)的示例。靠上方的圖顯示了預(yù)期的神經(jīng)活動(dòng)（on意為正處于特定條件的刺激，off 意為刺激間隔）?？肯路降膱D是神經(jīng)活動(dòng)引起的預(yù)期的血流動(dòng)力學(xué)改變。在統(tǒng)計(jì)分析中，SPM 會(huì)為腦部圖像的每個(gè)像素決定這種模式顯示到什么程度。理解在 fMRI（SPM 分析）中事件相關(guān)研究設(shè)計(jì)和區(qū)組研究設(shè)計(jì)的區(qū)別僅在于輸入函數(shù)的寬度是很重要的。在下頁的事件相關(guān)研究設(shè)計(jì)示例上可以清楚地看到，此處神經(jīng)活動(dòng)采用稱為 delta function 的模型來描述，該模型假定每個(gè)事件發(fā)生時(shí)有短暫的神經(jīng)活

45、動(dòng)迸發(fā)（靠上方的圖）。采用 HRF 卷積處理生成了一個(gè)神經(jīng)活動(dòng)迸發(fā)觸發(fā) BOLD 響應(yīng)的模型（第二幅圖）。三個(gè)事件的事件相關(guān)研究設(shè)計(jì)示例（X 軸以秒為）Delta 函數(shù)HRF 卷積時(shí)間導(dǎo)數(shù)離散導(dǎo)數(shù)當(dāng)然，使用 HRF 卷積處理可對BOLD 響應(yīng)的峰形進(jìn)行特定的假設(shè)。為了向建模的響應(yīng)峰引入一些度，也可添加能調(diào)整HRF 峰形的回歸量。操作如下：單擊“Canonical HRF”，“Mderivatives”和“Specifyitem”。time derivative（時(shí)間導(dǎo)數(shù)）項(xiàng)用于精細(xì)地調(diào)整時(shí)間（見第三段）。從數(shù)學(xué)意義上講，此函數(shù)是對卷積處理后的 Delta 函數(shù)對時(shí)間的部分導(dǎo)數(shù)?，F(xiàn)在已經(jīng)不止一個(gè)

46、回歸量，信號已采用線性組合的兩個(gè)回歸量進(jìn)行建模：b1*X+b2*，X 表示卷積處理過 HRF，Y 表示時(shí)間導(dǎo)數(shù)，b1 和 b2 表示與當(dāng)前數(shù)據(jù)匹配最佳的 值（參數(shù)估計(jì)）。左圖中可見當(dāng) b2 增加時(shí)，模型的時(shí)間出現(xiàn)回移（紅線）。也可以選擇添加另一個(gè)回歸量：disperderivative（離散導(dǎo)數(shù)）（見前述第 4 段）。這是 HRF 卷積處理過的脈沖對耗時(shí)的部分導(dǎo)數(shù)。實(shí)際應(yīng)用中，此回歸量可用于調(diào)整響應(yīng)的寬度，如下圖所示：當(dāng) 值降低時(shí)HRF 變寬。注意，向模型添加回歸量是有（微小）代價(jià)的：每添加 1 個(gè)回歸量，統(tǒng)計(jì)檢驗(yàn)的度減少 1。在區(qū)組研究設(shè)計(jì)中，區(qū)組起始的時(shí)間誤差，或區(qū)組寬度的權(quán)重變小，度損失

47、帶來的影響。以抵消因此，對于區(qū)組研究設(shè)計(jì)，時(shí)間和離散導(dǎo)數(shù)是沒有用處的。eractions (Volterra)（模型相互作用）：此功能用于M對試驗(yàn)或條件中的相互作用進(jìn)行建模，如：因?yàn)榱硪惶囟l件下的試驗(yàn)，之后對特定條件刺激的 BOLD 響應(yīng)預(yù)計(jì)會(huì)較大。此項(xiàng)很少用到，不作詳細(xì)。Global Normalisation（全面標(biāo)準(zhǔn)化）：如果要調(diào)整每次掃描的每個(gè)像素的值以匹配此次掃描數(shù)據(jù)的整體均值（即，使所有時(shí)間序列掃描的數(shù)據(jù)整體均值相等），則選擇“Scale”。特別要注意，比較不同條件下全腦的明顯差異時(shí)，刺激相 關(guān)的激活信號可能超出可顯示的范圍。全面標(biāo)準(zhǔn)化可能也會(huì)造成運(yùn)動(dòng)相關(guān)偽影或其他可引起大規(guī)模信

48、號改變的效應(yīng)。故大多數(shù)研究者都同意不采用全面標(biāo)準(zhǔn)化。Explicit mask（目標(biāo)范圍圈定）：此項(xiàng)用于定義分析的目標(biāo)范圍，即分析可被限定于特定腦區(qū)。例如：1）一幅描述灰質(zhì)的像素所在位置的圖像。此圖像可用“segmenion”功能創(chuàng)建（見前述）。2）將分析限定在感的腦區(qū)，如：額葉。這需要有一張描述此腦區(qū)所在位置的圖像（在 SPM 中無標(biāo)準(zhǔn)可依）。此腦區(qū)之外的統(tǒng)計(jì)計(jì)算不會(huì)執(zhí)行。另外，也可用 Region of erest 分析，見下文。大多數(shù)人會(huì)選擇全腦統(tǒng)計(jì)計(jì)算，故不在此步驟圈定目標(biāo)范圍。Serial correlations（序列相關(guān)性）：在 fMRI 掃描 信號中，測得的 signal（信號

49、）多數(shù)情況下比 s的BOLDle rate（采樣率）低。結(jié)果是數(shù)據(jù)過度采樣，或者換句話說，后續(xù)數(shù)據(jù)點(diǎn)并不是完全獨(dú)立觀察的結(jié)果。為了讓此問題更好理解，參考此例：若想計(jì)算和收入的相關(guān)性，只“測定”了 2 個(gè)人，這樣不可能找出統(tǒng)計(jì)意義上的顯著相關(guān)性。但是如果測定同樣的研究對象 10 次，假裝他們是不同的人。則會(huì)錯(cuò)誤地對象的數(shù)目。統(tǒng)計(jì)檢驗(yàn)中獨(dú)立觀察因?yàn)橐?guī)范的統(tǒng)計(jì)假設(shè)你的觀察對象是獨(dú)立的（逐個(gè)不相關(guān)），故 fMRI 的時(shí)間序列需校正。 SPM12 用 AR(1)（自回歸）模型進(jìn)行校正并降低所得T 值，如果這種相關(guān)性存在的話。當(dāng)對一個(gè)規(guī)整的單個(gè)受試者時(shí)間序列分析進(jìn)行統(tǒng)計(jì)時(shí)，這種校正是必要的。但是這不會(huì)影響

50、參數(shù)估計(jì)（ 值），因此也跟通常進(jìn)行整組內(nèi) 對比參數(shù)檢驗(yàn)的分組研究不相關(guān)?，F(xiàn)在可以定義一階模型了。確保將所有設(shè)置保存到批處理文件中。以供后面隨時(shí)調(diào)入并修改，而不用又從頭開始。運(yùn)行此模型后，在先前為統(tǒng)計(jì)分析設(shè)定的文件目錄下一個(gè)名為“SPM.mat”的文件（見前文）?？梢娙缱髨D所示的界面。中間部分是所謂的 design matrix（研究設(shè)計(jì)矩陣）。此例中，研究設(shè)計(jì)很簡單，只包含一個(gè)會(huì)話和一個(gè)條件（刺激，靜息）。研究設(shè)計(jì)矩陣的列表示回歸量，行表示各次掃描。數(shù)值用灰度表示，越亮表示值越高。此處，一階回歸量顯示了 1 個(gè)包含靜息態(tài)間隔的區(qū)組研究設(shè)計(jì)。其后的 6 個(gè)回歸量是此受試者的重排參數(shù)。單擊矩陣可查

51、看其值。在矩陣下方可見先前模型定義時(shí)已選擇的參數(shù)。定義第二階“Specify 2nd-level”僅用于分組研究。如果當(dāng)前工作是單個(gè)受試者（一階）的可略過此節(jié)。 很多情況下，二階分析比一階分析簡單。在開始定義二階分析之前，確保已達(dá)到如下要求： 1）所有圖像數(shù)據(jù)都已同法處理，套入相同的空間坐標(biāo)系（通常是 MNI 坐標(biāo)系）。2）一階模型已成功進(jìn)行定義和估計(jì)，每一位受試者的目標(biāo)對比參數(shù)已被定義和計(jì)算。例如：在含有 2 個(gè)條件（左，右）的研究設(shè)計(jì)中，可計(jì)算左和右的一階對比參數(shù)。這會(huì)生成每個(gè)像素包含一個(gè)值的對比參數(shù)圖，名為不同條件間的百分比信號差異。如果此處每位受試者都有一個(gè)正值，則出結(jié)論，整個(gè)組內(nèi)此像

52、素點(diǎn)都顯現(xiàn)出了效應(yīng)。如你所知，如果一組受試者的評分都偏離 0，則假設(shè)檢驗(yàn)可用簡單的單樣本 t-檢驗(yàn)進(jìn)行。故此例的二階分析對全腦的每個(gè)像素都包含一個(gè)單樣本 t-檢驗(yàn)。這是最簡單的二階統(tǒng)計(jì)，很多問題都可以采用此簡單的、通過一階計(jì)算得到適當(dāng)對比參數(shù)的二階研究設(shè)計(jì)來回答。更復(fù)雜的研究設(shè)計(jì)，涉及配對 t-檢驗(yàn)，雙（獨(dú)立）樣本 t-檢驗(yàn)和全階方差分析，遵從相同邏輯在 SPM 中也能實(shí)現(xiàn)。在factorial design specification 項(xiàng)下可設(shè)置一系列選項(xiàng)。Design：此處可輸入對所有受試者采用的統(tǒng)計(jì)檢驗(yàn)類型，有以下檢驗(yàn)可用：1）單樣本 t-檢驗(yàn)。此類型將檢驗(yàn)總體均值為 0的零假設(shè)。簡單地

53、輸入所有受試者的對比參數(shù)圖像即可（同“Scans”項(xiàng)）。2）雙樣本 t-檢驗(yàn)。此類型將檢驗(yàn)兩組間無差異的零假設(shè)。因通常涉及無關(guān)的各組，可假設(shè)為 “independence” （ 獨(dú)立 ）。 但假設(shè)的“equal variance”（方差齊）在檢驗(yàn)時(shí)不一定可靠，例如：患者和對照受試者。3）配對 t-檢驗(yàn)。此類型將檢驗(yàn)兩配對掃描無差異的零假設(shè)，通常是對同一受試者進(jìn)行特定的重復(fù)掃描。配對t-檢驗(yàn)在數(shù)學(xué)上等價(jià)于配對間的單樣本t-檢驗(yàn)。4）多重回歸。此項(xiàng)用于檢驗(yàn)當(dāng)前序列掃描與一個(gè)或無相關(guān)性的零假設(shè)。協(xié)變量（如，量表評分等）間5）全階。此項(xiàng)用于定義任意組合的組內(nèi)（重復(fù)測定）和組間全階方差分析。先為每個(gè)想添

54、加的單擊“new factor”。此處需要輸入名稱和階數(shù)。然后若待分析的是組間則在“independence”項(xiàng)選擇“Yes”，若為組內(nèi)（如重復(fù)進(jìn)行特定的測定）則選擇“No”。對于方差，如不確定則可選默認(rèn)值“unequal”（不齊）。也可假設(shè)所有單元格的方差齊。注意只有1 個(gè)二階獨(dú)立的全階模型實(shí)際上等價(jià)于雙樣本 t-檢驗(yàn)。6）可變階。此用于以一種更靈活的方式定義階乘模型，即不包括主效應(yīng)和相互作用全集。此項(xiàng)的詳述不在本指南范圍內(nèi)。 Covariates（協(xié)變量）：此處可輸入任何可能感檢驗(yàn)對單個(gè)組的效應(yīng)時(shí)，可能需要控制某些確性測試。的或可解釋額外變異的協(xié)變量。例如：當(dāng)，如：，性格特征等，或這些的明

55、Masking, Global calculation, and Global normalisation（遮蓋，全面計(jì)算，全面標(biāo)準(zhǔn)化）：將像素從腦中去除通常不在此步驟進(jìn)行，此處不詳述。其他三項(xiàng)用于 PET。Directory（文件目錄）：此處必須輸入一個(gè)析結(jié)果保存到不同的文件夾。當(dāng)前工作文件的目錄。建議原始數(shù)據(jù)文件和分復(fù)核復(fù)核功能用于對研究設(shè)計(jì)的各定義項(xiàng)進(jìn)行再次檢查?？刹榭此袑Ξ?dāng)前研究設(shè)計(jì)的信度/效度有影響的參數(shù)。復(fù)核可用于一階和二階模型。下文僅對一階進(jìn)行似。，二階的選項(xiàng)與之類選擇“review”（復(fù)核），選擇在先前研究設(shè)計(jì)定義步驟中創(chuàng)建的 SPM.mat 文件。單擊左側(cè)窗口的“Desig

56、n”（研究設(shè)計(jì)）見三個(gè)選項(xiàng)：，可Design matrix（研究設(shè)計(jì)矩陣）：此處再次顯示研究設(shè)計(jì)矩陣，與先前顯示的矩陣完全一致。Design orthogonality（研究設(shè)計(jì)正交性）：選擇 此項(xiàng)時(shí)，再次顯示研究設(shè)計(jì)矩陣，但此時(shí)下方 有一個(gè)三角形圖案。此圖案顯示當(dāng)前研究設(shè)計(jì) 的 Orthogonality（正交性）：各回歸量之間的相 關(guān)程度（如無關(guān)則各回歸量間是正交的）。圖案 灰度越深相關(guān)性越強(qiáng)。正交性是一個(gè)重要問題，因?yàn)閮蓚€(gè)回歸量間如果高度相關(guān)，則很可能是 信號中的同一個(gè)變量，會(huì)降低檢驗(yàn)效能并造成 模型擬合的不穩(wěn)定。多數(shù)情況下，此問題在構(gòu)建研究設(shè)計(jì)時(shí)即掃描前就處理過了。一旦掃描無法再作任何

57、調(diào)整。故建議先在 SPM 中定義好研究設(shè)計(jì)再掃描第一個(gè)受試者。Explore（）：使用此功能可詳細(xì)查看單個(gè)回歸量。在圖形窗口可見 3 個(gè)定義當(dāng)前研究設(shè)計(jì)中單個(gè)條件的圖形。左上圖是當(dāng)前會(huì)話全程的血力學(xué)響應(yīng)模型。緊鄰的是此模型的頻譜。注意頻譜圖形的灰器濾除的頻率。域表示被高通過濾下方是已選擇的基礎(chǔ)函數(shù)集的圖示（此處是血力學(xué)響應(yīng)函數(shù)）。1 個(gè) 6 秒?yún)^(qū)組采用標(biāo)準(zhǔn) HRF 進(jìn)行了卷積處理，對每個(gè)區(qū)組的響應(yīng)生成了當(dāng)前的模型。參數(shù)估計(jì)一旦已定義并復(fù)核過研究設(shè)計(jì)，即可繼續(xù)將整個(gè)研究設(shè)計(jì)實(shí)際擬合到數(shù)據(jù)上。這可能需要一些時(shí)間，取決于數(shù)據(jù)量和模型。二階模型通常參數(shù)估計(jì)的耗時(shí)較少。在左圖中再次輸入 SPM.mat

58、文件（在先前定義的文件目錄中）。關(guān)于方法，此處假設(shè)選擇的是 “Classical”。其他選項(xiàng)，如采用 Bayesian 統(tǒng)計(jì)，不在本指南的范圍。結(jié)果此處已可查看開始查看結(jié)果。單擊“Result”并再次載入 SPM.mat 文件。將彈出對比參數(shù)管理器，如下圖所示。此處，通過選擇define new contrast（ 定義新對比參數(shù)），可限定哪種比較或?qū)Ρ葏?shù)要檢驗(yàn)。T之前列出的序號對應(yīng)已指定的工作文件目錄下寫入結(jié)果的文件的文件名的序號（如：spmT_0001.img for contrast #1）。記住，模型擬合后，（全腦圖像每個(gè)像素）的每個(gè)回歸量都有了一個(gè) 值，這是一個(gè)參數(shù)估計(jì)，決定了此回

59、歸量所解釋的變量數(shù)目。通過限定對比類型，可簡單地組合這些 值。前述示例中，特定條件的施加與撤除采用單回歸量進(jìn)行建模，簡單的1對比參數(shù)足夠檢驗(yàn) 值是否屬于第一個(gè)不是 0 的回歸量。若當(dāng)前模型響應(yīng)兩個(gè)不同條件（再加上靜息態(tài)），用兩個(gè)回歸量建模，可使用1,-1對比參數(shù)來比較這兩個(gè)條件。此例中進(jìn)行 0 檢驗(yàn)前會(huì)從第 1 個(gè) 值中扣除第 2 個(gè) 值。另外一個(gè)例子是查看這兩個(gè) 值之和（即1,1對比參數(shù)）。此例中會(huì)檢驗(yàn)全腦每個(gè)像素在兩個(gè)組合條件的刺激下是否激活。限定對比參數(shù)后，SPM 會(huì)執(zhí)行 T-檢驗(yàn)統(tǒng)計(jì)。簡而言之，這最后生成 T-圖的一步是 SPM 通過估計(jì)已被解釋的變量（已對比過的 值）與未解釋變量（無

60、法擬合到當(dāng)前模型中的變量數(shù)目）的比值計(jì)算全腦的T 值。此時(shí)考慮一個(gè)含 2 個(gè)標(biāo)準(zhǔn) hrf 函數(shù)及其時(shí)間導(dǎo)數(shù)的事件相關(guān)研究設(shè)計(jì)。此情況下適當(dāng)?shù)臋z驗(yàn)不是1,1,-1,-1對比參數(shù)，因?yàn)樵谶@樣的 T-對比參數(shù)中，HRF 的 值和時(shí)間導(dǎo)數(shù)會(huì)加和。因此，當(dāng) HRF 的 值是較高的正值，時(shí)間倒數(shù)是其負(fù)數(shù)時(shí)（例如，時(shí)間前移），二者只和為 0，也就意味著會(huì)得到一個(gè)為 0 的T 值。因此，需要一個(gè)能估計(jì)其中任一 值，不論方向，是否解釋此變量占有大的權(quán)重的檢驗(yàn)。此檢驗(yàn)即 F-對比參數(shù)。采用該對比參數(shù)，可同時(shí)定義一系列 T-對比參數(shù)（在不同的列輸入）。然后此檢驗(yàn)會(huì)對此對比參數(shù)是否全面解釋變量占有大的權(quán)重進(jìn)行估計(jì)。例