张杰栋——磁共振

功能磁共振

1. fMRI：Bold信号，即代谢信号(突触后产生电位的消耗，即反应的是对信号的接收；主要成分是血流量的变化；其次才是血氧信号)【含氧的血红蛋白会导致磁场的均一性——看脱氧和含氧的比例，上升，信号不均一性上升(先小幅度下降，再大幅度上升，最后大幅度下降)，说明神经信号活动增强】
2. MRI原理：H离子乱序——加磁场后，统一方向——撤去磁场，发生弛豫产生信号被线圈接收
3. 信号处理：INU Correction(归一化处理：整个图像不同位置的结构信息进行归一化，起到降噪的效果)——Fuse and conform(信号的平均)——Skull-Stripping(把头骨、小脑、脑干的信号进行剥离)——BOLDref(3D)【TR代表采集时间间隔，时间之内的扫描成像】——Head-motion(把不同时间尺度下采集的图像进行头动的校准)——Reconstruction of susceptibility distortion(矫正大脑，补齐缺口)——Slicing-timing correction(不同层随时间的校准)——Preprocessed——功能成像投射到结构上 * General linear model——事件变化β1(β0一般不看，只看基线上的小变化)+β2+error——信号与HRF(每一个体素对事件有不同的响应，所以它们的HRF都不太相同，需要进行预测)的卷积【预测HRF：需要多个β值才可以拟合】注：红色——事件【预测的神经活动】，绿色——X1，红色与HRF的卷积，蓝色——实际测得【蓝绿得到GLM】
   • The Retinotopic mapping：检测神经元对特定空间位置的敏感程度【周期性的从中心向外周不断扩大的圆环：检测由内到外的敏感；周期性的扇形图像刺激：圆环不同轴线方向上的敏感度】
   • 数据之多重比较：当比较多后，会容易发现虚假的结果(假阳性增加，二类错误增加，但是独立数据检验后，再次发生二类错误的可能性减少，需要p的平方才能出现，所以需要分开数据，一个进行训练，一个进行测试验证)会出现很多极端值，显著有变化！(X????没有进行独立数据的检验)【体素和体素以及神经元和神经元是独立关系——每加一个数据就会进行一次比较】
     • Bonferroni correction：α=P^FWE/n【p越小，越显著——检测严格，只能保证我不犯错误，严格！】
     • Spatial correlation of noise/ neural responses——Cluster【空间位置聚类分析，减少比较次数】
     • Cluster-based correction【根据function聚类减少比较次数，矫正方法目前大部分不会特别严格】
     • Independent analyses/datasets【假设和检验的数据不重叠】：一个独立数据分成两份，一份进行假设检验，一个进行进一步验证【一个是训练集(如奇数次数据做训练)，一个是测试集(偶数次数据做测试)】——分数据时，有时第二个验证的数据不是独立的，是依据你所有数据训练后的结果来选择【包含二类错误】，因此数据的分份应该独立随机，比如不进行多重比较就分开数据【进行中立的选择——独立的数据，与理论非独立】
     • 独立分析/非独立数据分析
   • Voodoo model:
     • 多重比较(重复、用不同方法检验、用不同批次的老鼠等)带来相关度的虚高——需要进行独立数据的检验
4. 文献：
   1. (1)
      • 建模寻找X和Y的关系(机器学习)：X输入【LFP：低频信号往往来自高级脑区的表征】、Y输出【Bold】——建模，后面测LFP带入得到Bold-est，看与Bold的拟合程度。——变异分析相关性的变化程度【改变信号刺激的长度、contrast刺激强度的不同】
      • 傅里叶变换后只能分析采样频率范围内1/2的信号
      • 越靠近对角线，相关性越强

MEG/EEG

1. 表层【I/II/III：接收高级皮层的反馈信号】中，高级脑区的低频信号会对高频信号【高频信号依据低频信号的相位耦合作用】进行调制【局部场电位】后输出【高频的spike】
2. EEG/MEG如何和大脑内部的神经信号进行整合(+fMRI)？
   1. Decoding in Neural imaging data：fMRI【小样本，大参数估计—胖数据】——多重比较(训练)+独立数据检验【训练和测试数据的分割相同的预训练、相同的噪音、相同的过程】
      • 相关分类器【支持向量机：准确率很关键——准确率高，可看当前信息是否能区分神经元对两种输入的表征】：条件1内部的相关系数大于条件1和条件2的相关系数
   2. Decoding with Temporal dynamics
   3. RDM：MEG【与fMRI相反】+fMRI【高空间分辨率+低时间分辨率】——如何整合？——表征相似性的矩阵【看两个刺激的相似性——MEG，得到了没有空间信息的时间信息】+fMRI【和其得到的空间信息做相关】【固定一个看另一个】