静息态数据处理
静态数据后处理基线解算步骤
静态数据后处理基线解算及坐标投影1．运行“南方GPS数据处理”程序，点击“文件”菜单中的“新建”菜单，在弹出的对话框中输入“项目名称”并选定投影坐标系（一般情况为北京54坐标3度带坐标系统）；2．点击“数据输入”菜单下的“增加观测数据文件”菜单，找到存放观测数据的文件夹，点击右上方的“全选”按钮然后单击确定导入观测数据；3．点击“数据输入”菜单下的“坐标数据录入”，在弹出的对话框中选择已知点点号后输入相应的已知点坐标数据（至少两个已知点数据）；4．点击“基线解算”菜单下的“全部解算”菜单，等待程序对基线进行自动进行解算；5．点击左屏幕中的“基线简表”子项，查看基线解算是否全部通过（方差小于3时系统会自动提示解算不通过），如果有未解算通过的基线边可在相应的基线解算数据行上单击右键，在弹出的对话框中增加或者减少“高度截止角”和“历元间隔”反复解算直到基线的方差比大于3为止，特殊情况下可选择参考卫星。
6．点击左屏幕中的“闭合环”子项查看同步环和异步环的闭合精度是否合格（如果精度太低系统将会提示）；7．点击左屏幕中的“重复基线”子项查看重复基线的精度情况，如果精度太低系统将会自动删除不合格的重复基线；8．以上工作确保无误的情况下，点击“平差处理”菜单下的网平差，系统将自动对GPS网进行平差计算和坐标成果解算。
如果系统提示已知点坐标与坐标系统设置差异太大：首先请检查已知点的坐标数据是否正确；其次如果确认已知点坐标数据无误后还会出现该提示，说明所提供的已知点坐标数据不是北京54坐标系，点击“平差处理”菜单下的“平差参数设置”在弹出的对话框中将“进行已知点与坐标系匹配检查”一项变为不选中再进行网平差即可。
9．自定义坐标系时先选择相应的坐标系统参数再点新建，并注意坐标投影高（如果有两个以上已知点，可不考虑投高度）。
10．点击“成果”菜单下的“成果报告打印”，设置纸张为A4然后系统将自动打印出成果报告。
fMRI的BOLD信号静息态
fMRI的BOLD信号静息态3.1 静息态数据3.1.1 fMRI静息态数据与任务态数据如1.1所述，fMRI技术可以方便且有效地得到大脑中某区域各个体素BOLD 信号与时间的关系。
通过任务态数据分析，可以确定大脑中控制某项功能的具体位置信息。
这样，可以通过fMRI技术来研究大脑中控制某项功能的区域的BOLD 信号随时间变化的性质。
3.1.2 fMRI静息态数据与大脑中的临界大脑中神经元所构成的复杂网络已被证明是无标度的，然而大脑是否处于临界状态却尚未有明确的结论。
有很多指标可以判定系统的临界程度，例如本文所用的熵的量度。
通过任务态数据的分析，定位出控制手动的区域，进而研究此区域静息态的数据，比较静息状态与激活状态下时间序列的熵的变化，对大脑处于静息状态下是否更接近临界状态做出判断。
3.2 实验数据3.2.1 实验对象与实验仪器实验对象与实验仪器均如2.1所述。
共有40名被试参与了静息态任务的测试。
1-20名被试与21-40名被试所采取的实验方案不同。
3.2.2 实验方案1-20名被试的实验方案见图3.1。
实验分为两阶段，被试于第一阶段处于静息态，第二阶段处于动手的激活态，时间均为8分钟20秒。
21-40名被试的实验方案见图3.2。
实验分为两阶段，被试于第一阶段处于静息态，时间为10min，第二阶段处于激活、静息交替进行的阶段，各60秒，第二阶段共6分钟。
3.2.3 大脑任务态成像数据采集静息态：20个横向层面，6mm厚（无间隙），回波时间[TE]=40ms，重复时间[TR]=2000ms，翻转角（flip angle）=90°，基元（matrix）96*96，视场（field of view）240mm*240mm，总计需要时间为16min40s，包括500个全脑volumes。
（静息态实验二总计16min，包括480个全脑volumes）。
图3.1 1-20名被试的静息态实验方案图3.2 21-40名被试的静息态实验方案3.3 数据处理3.3.1 预处理数据对静息态数据进行预处理。
静息态功能磁共振数据分析工具包使用手册
静息态功能磁共振数据分析工具包使用手册宋晓伟（Dawnwei.song@）文档版本: 1.3文档修订日期: 2008-2-25北京师范大学认知神经科学与学习国家重点实验室目录一、开发背景介绍 (1)二、软件用途和技术特点 (4)三、设计与实现 (4)四、测试 (5)五、使用要求 (5)六、使用方法演示 (6)(一)计算功能连接 (7)(二)计算局部一致性 (9)(三)计算低频振幅 (11)七、详细使用说明 (13)(一)安装REST (13)(二)卸载REST (13)(三)启动REST (13)(四)在REST中设置待处理的数据目录 (16)(五)Mask 的设定 (16)(六)在REST中设定输出参数 (17)(七)可选项：去线性漂移 (18)(八)可选项：滤波 (19)(九)局部一致性计算参数的设定 (20)(十)低频振幅计算参数的设定 (21)(十一)功能连接参数的设定 (21)(十二)点击“Do all”开始计算 (23)(十三)耗时估计 (24)(十四)其它工具 (24)八、附注说明 (26)九、参考文献 (28)一、开发背景介绍大脑是人体中最迷人也是人们了解最少的部分，科学家哲学家们一直在寻找大脑与行为、情感、记忆、思想、意识等的关系，却缺少一个非侵入性的高分辨率的技术方法来直接观察并确立这种联系，直到上世纪末功能磁共振成像（functional magnetic resonance imaging, fMRI）的出现（Ogawa et al., 1990），既能让人们观察到大脑结构又能让人们观察大脑结构的某一部分所具有的特定功能（Clare, 1997）。
fMRI机制是血氧水平依赖性（Blood oxygen level dependent, BOLD）信号的变化。
目前认识到的大多数的脑功能都是通过对任务或刺激的控制，并同时记录与任务或刺激相应的行为学上的变化和神经活动的变化来得到的。
[转载]静息态fMRI、DTI、VBM
![[转载]静息态fMRI、DTI、VBM](https://img.taocdn.com/s3/m/e884cff25ff7ba0d4a7302768e9951e79b896965.png)
[转载]静息态fMRI、DTI、VBM一、简介1、静息态fMRI数据处理学习内容BOLD-fMRI技术自1990年发明至今，已经成为研究人脑功能的不可替代的手段。
但20年来，除了少数单位将BOLD-fMRI用于协助脑病变术前功能定位，基本上未用于临床实践。
近几年来，由于数据分析方法的进步，静息态fMRI正在被越来越多地用于临床基础研究。
与PET或SPECT相比较，静息态fMRI有较好的时间分辨率、不需要注射放射性药物；与EEG相比，静息态fMRI有较好的空间分辨率；与任务状态fMRI相比较，静息态fMRI简单方便、可重复性好。
这些优点，使得静息态fMRI具有较好的临床应用前景。
静息态fMRI已经被用于各种神经精神疾病的研究，如癫痫、Parkinson 氏病、Alzheimer氏病、精神分裂症、抑郁症、儿童注意缺陷多动障碍、创作后应激障碍、自闭症以及脑肿瘤的术前功能定位等等。
事实上，所谓静息态（resting-state），只是状态（states）的一种而已，研究者可以根据自己的需要，设计各种各样的状态（states），比如情绪激发状态、成瘾者的渴求状态、针灸的“得气”状态等等。
这几种特殊的状态，往往不适合用传统的block设计或事件相关设计。
这种状态fMRI（state-fMRI）可以大大拓宽实验设计的范式。
State-fMRI数据处理，与传统的block设计或事件相关设计的数据处理也有很大不同。
除了脑疾病研究，Resting-state-或state-fMRI也正在被越来越多地用于认知科学的研究以及针灸的研究，甚至被用于神经系统之外的研究，如肝、肾、四肢等。
本部分主要内容包括：1) 使用REST DICOM Sorter整理原始数据。
2) 使用SPM对数据进行预处理。
3) 使用REST对数据进行去线性趋势、滤波等操作，以及使用REST进行Functional Connectivity (FC)，Regional Homogeneity(ReHo)，Amplitude of Low-Frequency Fluctuation (ALFF)和Fractional ALFF (fALFF)计算。
fMRI处理步骤
刘小娟FMRI数据处理流程对于刘小娟（病人）治疗后的数据处理过程如下：一、数据转换：拿到原始数据文件夹，使用MRIConvert进行转换，打开按钮，出现如下界面：二、数据预处理前：在数据转换之后，上面标红线的这两个文件夹是静息态处理需要的数据，1.在某个磁盘如E盘，建立一个文件夹，文件夹的名字为：DataAnalysis,并打开，打开之后再建两个文件夹一个是FunImg,另一个是T1Img，如2.打开FunImg文件后将上面数据转换后的BOLD文件粘贴过来，并修改文件名为subject0013.打开T1Img文件后将上面数据转换后的T1文件粘贴过来，文件名也改为subject001，结果如下：（举例对于FunImg的数据来说）三、数据预处理：在matlab中打开DPARSF,选择DPARSF Basic Edition按钮，之后会出现这个对话框，点NO，会出现Basic Edition。
打开之后，首先会有一个Working Directory窗口，也就是工作路径，结果生成的是如下文件夹：ALFF和fALFF的计算结果在Results文件夹里面。
对于ReHo的计算，操作如下图：以上ALFF、fALFF和ReHo的计算完成。
四、去除协变量1.协变量的设置打开此文件，会看到有subject001_Covariables的txt文档。
在DataAnalysis文件夹里面新建一个文件夹，如文件名为为cov_regression并打开，将上面的subject001_Covariables的txt文档粘贴过来。
再再这个文件夹里面建一个txt文档，文件名为CovList如：之后打开CovList文档，进行如下的设置：这里协变量的设置完成。
2.去除协变量：打开REST，在Utilities选项中选Regress Out Covariates,打开最后生成的文件如下图：这个subject001_Covremoved.文件夹里面的数据就是去完协变量之后的数据，下面计算Fun. connectivity用的就是此数据。
dpabi使用手册
dpabi使用手册DPABI（Data processing & Analysis for Brain Imaging）是一款功能强大的脑成像数据处理和分析工具，主要应用于静息态功能磁共振成像（Resting-state fMRI）数据的预处理和后续分析。
本手册将为您介绍DPABI的基本使用方法，并帮助您快速上手使用该软件。
一、安装DPABI您可以从DPABI的官方网站上下载最新版本的软件安装包。
安装包提供了适用于不同操作系统的安装文件，您只需根据自己的系统选择相应的文件进行安装即可。
二、数据预处理1. 选择功能磁共振成像数据在DPABI中，您可以通过“Select subject”功能选择将要处理的功能磁共振成像数据，支持的数据格式包括.nii和.img/.hdr等常见格式。
2. 预处理步骤DPABI提供了丰富的预处理选项，您可以根据需要选择合适的预处理步骤。
一般情况下，预处理步骤包括切头、切首、去除非神经元信号、空间标准化等操作。
3. 设置参数在进行数据预处理之前，您可以根据自己的需求设置一些参数。
例如，选择切头切首的比例、设置滤波频带范围等。
这些参数设置将直接影响数据的处理效果，应根据实际情况进行调整。
4. 运行预处理参数设置完成后，您可以点击“Run”按钮开始进行数据的预处理。
DPABI将根据您的选择和设置完成相应的数据处理操作，处理结果将保存在您指定的文件夹中。
三、静息态功能连接分析1. 启动连接分析在DPABI的主界面上，您可以选择“Functional Connectivity”选项进入静息态功能连接分析模块。
2. 选择预处理后的数据连接分析需要使用预处理后的功能磁共振成像数据。
您可以通过“Select data”功能选择预处理结果所在的文件夹。
3. 设置感兴趣区域（ROI）在连接分析中，感兴趣区域（Regions of Interest，ROI）的选择对结果产生重要影响。
基于静息态脑电数据的高阶脑网络分析和抑郁识别研究
基于静息态脑电数据的高阶脑网络分析和抑郁识别研究近年来，随着脑科学和神经影像学技术的发展，大脑网络的研究备受关注。
高阶脑网络分析是一个重要的研究方向，可用于理解大脑的功能和疾病。
抑郁症是一种常见的精神疾病，严重影响了患者的生活质量。
基于静息态脑电数据的高阶脑网络分析和抑郁识别研究对于深入理解抑郁症的病理机制及早期诊断具有重要的意义。
高阶脑网络分析是指研究大脑不同区域之间的功能连接和信息传递模式。
通过分析大脑网络的拓扑特性，可以揭示大脑信号的传播路径、信息整合和协调功能。
研究发现，抑郁症患者与正常人相比，在脑网络的拓扑结构上存在一定的差异。
高阶脑网络分析可以帮助我们了解脑网络的变化，并为抑郁症诊断和治疗提供依据。
而静息态脑电数据则是通过记录人在静息或无任务状态下的脑电信号来研究大脑的功能状态。
相比于任务状态下的脑电信号，静息态脑电数据更能反映大脑的固有活动和自组织性。
通过对静息态脑电数据进行高阶脑网络分析，可以了解大脑的功能连接模式和信息传递特性，为抑郁症的识别和治疗提供帮助。
抑郁症是一种复杂的精神疾病，其病理机制尚未完全清楚。
然而，通过基于静息态脑电数据的高阶脑网络分析，研究人员已经取得了一定的进展。
一项研究发现，抑郁症患者的大脑功能连接更为紧密，信息传递更为强烈。
这可能导致患者出现负性思维、情绪调控障碍等症状。
另外一项研究表明，抑郁症患者的大脑网络中核心节点的连接强度较低，说明患者在信息整合和协调方面存在缺陷。
这些研究揭示了抑郁症患者大脑网络的异常变化，有助于我们更好地理解这一疾病。
在抑郁识别方面，基于静息态脑电数据的高阶脑网络分析也具有重要的应用价值。
一些研究表明，利用脑网络特征可以有效地区分抑郁症患者和正常人。
例如，通过建立机器学习模型，可以利用大脑网络连接矩阵中的特征，实现对抑郁症的快速识别。
这为抑郁症的早期诊断和干预提供了新的思路。
虽然基于静息态脑电数据的高阶脑网络分析对于抑郁识别具有潜力，但仍存在许多挑战。
fMRI处理步骤
fMRI处理步骤fMRI（功能性磁共振成像）是一种用于研究人脑功能和结构的非侵入式技术。
它通过测量脑血流变化来揭示不同脑区在不同任务或刺激下的激活情况。
fMRI的数据处理是一项重要的步骤，确保研究结果的准确性和可靠性。
下面将介绍fMRI数据处理的基本步骤。
1. 数据获取首先，需要在磁共振设备中为被试者进行扫描，获取fMRI原始数据。
扫描通常包括静息态扫描和激活态扫描，以获得脑的静息态和特定任务下的激活态。
2. 修正图像畸变在fMRI扫描过程中，由于磁场不均匀性和磁共振设备的非线性，图像可能会出现畸变。
因此，需要对原始图像进行畸变校正，以提高后续分析的准确性。
3. 时序校正由于被试者在扫描过程中可能存在微小的头部运动，这会对脑图像的分析产生干扰。
为了纠正这种干扰，需要对每一帧图像进行时序校正，使其对齐并消除由于运动引起的失真。
4. 配准和空间标准化为了将不同被试者的fMRI数据进行比较，需要将它们的图像配准到同一参考空间。
这通常涉及到将fMRI图像与结构性MRI图像进行配准，并将其转换到标准大脑模板上，以进行后续的群体统计分析。
5. 数据平滑为了增强脑图像的信噪比和减少空间噪声，通常需要对fMRI数据进行平滑处理。
平滑可以使用高斯滤波器来实现，平均邻近数据点的值以减少局部噪声。
6. fMRI信号提取在数据预处理后，需要对脑图像进行信号提取。
通常使用脑区感兴趣（ROI）分析或基于整个脑的体素分析进行信号提取。
这可以通过计算脑血氧水平依赖（BOLD）信号的平均值或百分比信号变化来实现。
7. 统计分析在信号提取之后，进行统计分析以研究不同任务或刺激条件下的脑活动差异。
常用的方法包括通用线性模型（GLM）分析、随机效应分析和非参数显著性检验等。
8. 结果展示和解释最后，需要将统计结果以适当的方式呈现出来，如脑活动的活动热图、脑区间的连通图等。
根据分析结果，对脑活动的模式和区域进行解释，并与相关的研究文献进行比较。
AJNR：静息态功能磁共振常用数据分析：脑中有“城市”和“高速路”
AJNR：静息态功能磁共振常用数据分析：脑中有“城市”和“高速路”编者按：受美国神经影像学权威期刊AJNR杂志邀请，此篇综述由首都医科大学附属北京友谊医院吕晗医生书写，王振常教授把关，多位国内外权威专家修改，美国神经影像学会主席（ASFNR）、斯坦福大学Max Wintermark教授审校，2018年发表。
内容基础、充实、易懂，一年多来已经被国内外引用超过50次，已经成为部分单位开展相关研究的“教科书式”入门指南及“方法学进阶”查阅手册。
翻译为中文，请同行参考。
引用：Lv Han#, Wang Zhenchang, Elizabeth Tong, Leanne M Williams, Greg Zaharchuk, Michael Zeineh, Andrea N. Goldstein-Piekarski, Tali M. Ball, Liao Chengde, Max Wintermark*. Resting-State Functional MRI: Everything That Nonexperts Have Always Wanted to Know. American Journal of Neuroradiology (AJNR), 2018, 39(8), 1390-1399.血氧水平依赖性功能磁共振（BOLD-fMRI）是近些年来比较热门的一种脑功能研究方法，它的成像基础为神经元被激活后，局部脑血流量及氧合血红蛋白增加，氧合/脱氧血红蛋白比例发生变化，导致局部磁化率变化而被磁共振（MR）检测。
BOLD-fMRI包括任务态和静息态（rs-fMRI）。
rs-fMRI不需要受试者执行特定任务或接受某种刺激，更适用于神经外科疾病、精神病以及儿科患者，近年来在临床研究中应用越来越广泛。
为了更容易地理解，可以将人的脑图（Brain map）形象地比做地图（map）。
看地图时，我们会关注“城市”（cities）以及连接城市的“高速路”(highways)。
静息态ICA处理
• 一般IC可以从最小的选择 起，如这里选择27，最后 看分出的效果，不好再改 变。 • 其他的选项选择默认不变 就可以了。 • 点击Done 下一栏的所有 选项也保持默认不变 直接 点击Done。 • 最后在输入路径中会生成 一个文件： componet_ica_parameter _info.mat
网络一般的构建方法与常用的分析：
提取ICs时间序列
滤波 IC之间相关性计算 节点分析（就某一IC对其时间 序列进行组间组内统计对比）
关系矩阵
二值化
边的分析（就某一构造的权重网 络进行组间组内统计对比）Fra bibliotek二值矩阵
二值网络
网络分析（节点的局部\全局网 络属性、网络的属性、小世界属 性...）
难点概括：
• 软件包如同SPM 只需添加到matlab搜索路 径中保存然后在matlab中输入：gift 即可调 用。 • 其使用说明书和相关文档： v1.3h_GIFTManual.pdf v1.3h_GIFT_Walk_Through.pfd
主界面
导入数据以及参数选择
• setup ICA Analysis 选择输出路径 • 注意： （每个被试的数据有一个文件夹，然后将所 有文件夹放在同一个路径下）就是选择这 个路径。 选择好后 Directories selected：1
• 1.ICA成分数的确定及成分的挑选; • 2.节点、边、网络的差异的意义及解释。 解决办法（多读相关的方法以及问题类的文 献、多总结经验。）
• 第一行：选择输入文 件前缀（按个人习惯） • 第二行：选择要处理 的数据，点入： • Is your data stored in one folder？ • 选择No（因为你的每 一个被试都有一个文 件夹）
静态动态测试数据处理
数据同步
保持不同位置或不同系统间的数据一致性， 确保数据的准确性和可靠性。
同步策略
制定数据同步的规则和流程，包括数据版本 控制、冲突解决机制等。
06
测试数据处理安全
数据泄露防护
加密存储
01
对敏感数据进行加密存储，确保即使数据被盗也无法轻易解密。
访问控制
02
实施严格的访问控制策略，限制对数据的访问权限，防止未授
数据备份
数据备份是动态测试数据处理中必不 可少的环节，它涉及到将存储的数据 备份到其他介质上，以防止数据丢失 或损坏。
数据备份需要存储在可靠的介质上， 并定期检查备份数据的完整性和可用 性。
数据备份可以采用定时备份、差异备 份和增量备份等多种方式，根据实际 需求选择合适的备份策略。
在数据备份过程中还需要注意备份数 据的安全性和保密性，采取相应的加 密和访问控制措施，确保备份数据不 被非法获取和篡改。
数据加密技术
数据加密
通过加密算法对数据进行加密，确保数据在传输和存储过程中的安 全性。
加密算法
用于加密数据的算法，常见的有对称加密算法和公钥加密算法。
解密过程
在需要使用加密数据时，通过解密算法将加密过的数据还原为可读 状态。
数据同步技术
同步方式
包括实时同步和定时同步，根据不同需求选 择合适的同步方式。
数据安全
采取必要的安全措施，如加密、权限控制等，确保数据的安全性和保密性。
05
测试数据处理技术
数据压缩技术
数据压缩
通过算法对数据进行压缩，减少存储空间和 传输时间，提高数据处理的效率。
压缩比
衡量数据压缩效果的指标，通常以压缩前后 的数据量大小进行比较。
静息态eeg数据处理参数
静息态eeg数据处理参数1.引言1.1 概述概述部分的内容可以写成如下所示：引言是一篇文章的开端，它的主要目的是为读者提供一个关于该主题的背景和内容的概述。
本文的引言部分旨在介绍静息态EEG数据处理参数的主题，并提供一些相关的背景知识。
静息态EEG数据处理参数是指在没有任何特定任务的情况下，对大脑电活动进行记录和分析所需的一系列参数。
静息态EEG数据通常是在被试者彻底放松、闭眼或静坐的条件下收集的。
通过对静息态EEG数据的处理和分析，我们可以获得有关大脑状态和功能网络的重要信息。
静息态EEG数据处理参数的选择取决于多个因素，包括研究的目的、实验设计和分析方法等。
在选择处理参数时，研究者需要考虑到数据的质量、特征提取的准确性、处理方法的适用性以及数据分析的效率等因素。
本文的主要目的是探讨静息态EEG数据处理参数的重要性，并就如何选择适当的处理参数进行讨论。
通过探索和分析这些参数，我们可以更好地理解大脑在静息态下的功能和连接特性，为进一步的研究和临床应用提供有效的参考。
在接下来的章节中，将详细介绍静息态EEG数据处理参数的重要性和选择。
2.1节将探讨这些参数在研究中的作用，并分析其对结果的影响。
2.2节将提供一些常用的静息态EEG数据处理参数的选择和解释，以帮助研究者在实践中做出适当的决策。
总之，本文旨在探讨静息态EEG数据处理参数的重要性和选择，并提供相关的背景知识和指导原则。
通过深入研究和分析这些参数，我们可以更好地理解大脑的功能和连接特性，为未来的研究和临床应用提供有益的参考。
1.2 文章结构文章结构：本文主要围绕静息态EEG数据处理参数展开讨论。
在引言部分介绍了本文的概述、文章结构以及目的。
接下来的正文部分将分为两个主要部分，分别是EEG数据处理参数的重要性和静息态EEG数据处理参数的选择。
在这两个部分中，将详细探讨静息态EEG数据处理参数在脑电图分析中的作用以及选择的原则和方法。
最后的结论部分将对文章进行总结，并对未来的研究提出展望。
静息态fmei校正方法-解释说明
静息态fmei校正方法-概述说明以及解释1.引言1.1 概述本文主要介绍了静息态fmei校正方法。
在脑电图（MEG）研究中，fmei校正是一项重要的预处理步骤，用于消除脑电信号中的眼电和肌电干扰，从而提高信号的纯净度和可靠性。
随着脑电技术的快速发展，静息态脑电信号在研究中的应用也越来越广泛。
然而，由于脑电信号的微弱性和周围环境的复杂干扰，静息态脑电信号往往伴随着大量的噪音，导致分析结果的可靠性和准确性下降。
为了解决这个问题，研究人员提出了各种各样的fmei校正方法。
这些方法通常基于信号的统计特性和空间分布特征，通过对多个电极或传感器数据进行合理的处理和滤波，去除眼电和肌电噪音的影响，从而得到更加准确和可靠的静息态脑电信号。
本文将重点介绍几种常用的静息态fmei校正方法，并对它们的原理和适用场景进行详细讨论。
通过对比实验和分析，我们将进一步评估这些方法的效果和性能，为今后的脑电研究提供更具参考价值的数据处理方法。
总的来说，本文的目的是介绍静息态fmei校正方法的原理和应用，帮助研究人员更好地理解和应用这些方法，提高脑电信号的质量和可信度。
通过这些校正方法的应用，我们有望在脑电研究领域取得更加准确和深入的结果，为认知神经科学和临床脑电诊断提供有力支持。
1.2文章结构文章结构部分的内容应该包括对整篇文章的组织和安排进行介绍。
以下是一个可能的内容示例：文章结构:本文主要分为引言、正文和结论三个部分。
引言部分主要包括概述、文章结构、目的和总结四个方面。
在概述中，介绍了静息态fmei校正方法的基本概念和重要性。
接着，对整篇文章的结构进行了简要说明，指出了各个部分的内容和安排。
然后，明确了本文的研究目的和意义，以及对于静息态fmei校正方法的进一步探索的重要性。
最后，总结了引言部分的主要内容和布局。
正文部分主要包括三个要点。
在第一个要点中，介绍了静息态fmei校正方法的原理和基本步骤。
通过详细解释各个步骤的目的和执行过程，读者可以更好地理解该方法的原理和操作方式。
静息态功能磁共振数据分析工具包使用手册
静息态功能磁共振数据分析工具包使用手册静息态功能磁共振数据分析工具包使用手册宋晓伟（**********************）文档版本: 1.3文档修订日期: 2008-2-25北京师范大学认知神经科学与学习国家重点实验室目录一、开发背景介绍 (1)二、软件用途和技术特点 (4)三、设计与实现 (4)四、测试 (5)五、使用要求 (5)六、使用方法演示 (6)(一)计算功能连接 (7)(二)计算局部一致性 (9)(三)计算低频振幅 (11)七、详细使用说明 (13)(一)安装REST (13)(二)卸载REST (13)(三)启动REST (13)(四)在REST中设置待处理的数据目录 (16)(五)Mask 的设定 (16)(六)在REST中设定输出参数 (17)(七)可选项：去线性漂移 (18)(八)可选项：滤波 (19)(九)局部一致性计算参数的设定 (20)(十)低频振幅计算参数的设定 (21)(十一)功能连接参数的设定 (21)(十二)点击“Do all”开始计算 (23)(十三)耗时估计 (24)(十四)其它工具 (24)八、附注说明 (26)九、参考文献 (28)一、开发背景介绍大脑是人体中最迷人也是人们了解最少的部分，科学家哲学家们一直在寻找大脑与行为、情感、记忆、思想、意识等的关系，却缺少一个非侵入性的高分辨率的技术方法来直接观察并确立这种联系，直到上世纪末功能磁共振成像（functional magnetic resonance imaging, fMRI）的出现（Ogawa et al., 1990），既能让人们观察到大脑结构又能让人们观察大脑结构的某一部分所具有的特定功能（Clare, 1997）。
fMRI机制是血氧水平依赖性（Blood oxygen level dependent, BOLD）信号的变化。
目前认识到的大多数的脑功能都是通过对任务或刺激的控制，并同时记录与任务或刺激相应的行为学上的变化和神经活动的变化来得到的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Part1 数据的预处理1、格式转换2、去除前n个时间点的数据3、时间层校正（Slice Timing）4、头动校正（Realign）5、空间标准化（Normalize）6、平滑（Smooth）7、去线性漂移（Detrend）8、滤波（Filer）一、DICOM格式——NIFTI格式。
若数据遗失NIFTI格式则不用转，直接在工作目录下建立一个子文件夹“FunImg”，将数据拷入其中即可二、一般去10（8——20之间即可），由于机器刚启动等原因前面一些数据不稳定三、Slice Timing的设置：以总层数25层为例SPM中：Slice order：<—x：1:2:25；2:2:24Reference Slice 参考层一般取中间层，即第25层。
因为扫描顺序为：1,3,5,7,9….,n,2,4,6,8,…n-1DPARSF中：1,3,5,7,9….,n,2,4,6,8,…n-1四、头动校正后会在工作目录下生成Realign Parameter文件夹，其中有spm….ps这个文件，用专业版的Aoboe Reader 打开可查看每个被试头动情况。
或在Excludesubjects.txt文件下可查看头动数据（卡不同值时被排除被试情况）。
对于患有疾病的患者：一般卡3mm 和3degre；而对正常人一般卡1.5mm和1.5degere或取2.五、空间标准化即把被试的原始空间往标准空间上估计，以克服不同被试的脑结构之间的差异问题。
把结构像分割得到的信息来做功能像的空间标准化，有两种方式：a、使用EPI模板进行空间标准化SPM中：原始图像Source Image：mean_***.img 头动校正后生成的文件，为某被试各个时间点的平均像；Image to write ：r*.img 所有头动校正后生成的文件；模板图像Template Image：EPI.nii ；Bounding box：-90 -126 -72；90 90 108 ；V oxel sizes：3 3 3。
.DPARSF中类似可设b、使用一致分割的T1像进行空间标准化分三部分：1、配准coregister 将结构像与功能像匹配，即把被试的结构像变换到功能像空间（被试的平均功能像）2、分割转换后的结构像用一致的分割法则分割为灰质、白质、脑脊液。
这样就能把功能像弄到标准空间去。
此过程中得到一个由功能像去往标准空间的转换矩阵。
转换矩阵会写入*_seg_sn.mat文件中。
3、标准化把转换矩阵写到功能像上去。
这样就可以知道怎么从被试的原始空间到标准空间。
SPM中：coregister—Reference Image：mean_name.image —Source Image：T1.img；Segment—data：T1_coregiserd.ima—clean up any partitions：left clean—Affine Regularization：推荐选欧洲脑，亚洲脑样本少。
Normalize—write—parameter file：name_seg_sn.mat—images to write：r*.img DPARSF中简单勾选几项即可。
结果：在工作目录下会生成pictures for chknormalizition文件夹，其中有被试标准化后的图像供检查。
此外，使用b法时还会附带生成VBM文件夹，其中T1imgsegment下有如下文件：c1开头的为灰质在原始空间的概率，c2开头的为白质的，c3为脑脊液的；wc1开头的未标准空间灰质的概率，以此类推。
六、平滑（注意在做Reho局部一致性前不能做平滑，故一般先做Reho，后平滑；而计算ALFF和FALFF以及做功能连接前一般要做平滑）SPM中：image to smooth：w*.img;FWHM:[4 4 4] full width of half maximum半峰全宽？DPARSF中简单可设置七、去线性漂移由于机器的工作而升温或被试适应，随着时间的积累会存在一个线性趋势一般此处选no mask ，可做全部体素的去去线性漂移Default mask：rest里自带了一套default mask是在spm的先验模板中卡了50%的概率？八、滤波低频滤波后的静息态fmri信号具有重要的生理学意义，可能反映了自发的神经活动。
故一般去LFFS：0.01—0.08Hz高频滤波有意义么？Part 2 Reho、ALFF/FALFF的计算一、局部一致性的计算Reho ：Regional Homogeneity一般是用肯德尔和谐系数计算以个体素和周围体素的一致性。
需要注意的是，如果手头数据的分辨率不是61*73*61，则需要对你需要的mask文件进行重采样，把mask文件重采样到你数据的同等的分辨率大小。
SPM中：coreg—coreg.Relice(重新插值)：Image define space:选择一张被试的功能像（空间标准化后的或去线性漂移以及滤波后的功能像）；Image to slice（被插值的图像）:选择一个mask文件或定义的ROI文件；插值方式：Nearest Neighbour最近插值，插值结果为0或1，不会出现小数，插mask文件一般选此；Trilinear线性插值，插T1或其他图像。
REST中：utilities—reslice image--add：加入需插值的图像—Intepolation设置：0，Nearest Neighbou；1，Trilinear—target space：defined by input image，以输入的图像分辨率为标准，类同spm中；keep the original space，保持原始空间，仅仅改变voxel sizeDPARSF中选mask时此处一般选择default mask，如果自己有感兴趣区，则可自己制作mask，软件里自带的mask只有灰质、白质、脑脊液三个。
Cluster size簇的大小一般选27 voxels。
在这里选smReho则可以在做完Reho后继续做平滑。
结果：Reho值，mReho值等于体素的Reho值除以全脑均值。
一般还计算一个mReho—1，为进一步做单样本T检验做准备，因为最早的spm中的单样本T检验只能是测试值与0相比，而mreho指是恒大于0的，以1为均值，故需减1。
.二、ALFF与fALFF的计算ALFF:amplitude of low frequency fluctuation 低频波的振幅。
在疾病研究中一般选此指标。
fALFF是拿ALFF值除以整个频段振幅均值得到的。
相对适用以表现默认网络。
理由：研究表明对PCC后扣带回而言，ALFF在整频段都较低，但低频>高频；对于SC脑室？来说，ALFF在整频段都比较高，但低频<高频；则为了使PCC在低频时被显现出来，则使用fALFF。
mALFF等于某处的ALFF值除以全脑ALFF均值。
而计算mALFF—1或mfALFF—1来用于进一步的单样本T检验。
软件中设置时mask此处一般选default mask；Band（Hz）：0.01——0.08针对不同疾病，选不同频段可能更有效果；TR（s）：2Part3 功能连接Functional Connectivity一、去除协变量Regress out nuisance covariates主要有以下几项协变量：1、头动参数head motion parameters：存放在rp_name.txt 文件中2、全脑信号global mean signal 去除之后才会发现负相关，否则都是正相关，类似于前面某些参数减1的效果。
3、白质信号white matter signal4、脑脊液信号cerebrospinal fluid signal还有other covariate选项，自己设置协变量REST中：a、先把感兴趣区的协变量提取出来utilities—extract ROI time course—add加入被试所有数据—define ROI—add ROI—predefined ROI—from user defined mask file—next—选择REST下mask文件夹里的文件（选择上述2、3、4三个）—done—run输出文件夹里有sub_001_ROITimecourse.txt文件，里面有三列数据，分别对应2、3、4。
把所有的协变量合并到同一个txt文件中，以便下一步使用，合并代码见第一个ppt79页。
b、去除协变量utilities—regress out covariates—第三个add—定义covariables list见ppt81页，有代码。
DPARSF中，比较简单，只是选了other covariate时需要定义ROI，设定你所要去除的区域作为ROI。
？后面可是要做弄能连接呀，也要选define ROI那个按钮，有冲突么，还是做去除这步时先不点Functional Connectivity,去除完协变量后再点再做再做，不能一步到位。
二、功能连接分为两种：1、voxel-wise ：选取某一感兴趣区域与全脑其他区域的每一个体素做信息相关即可得功能连接图2、ROI-wise：选取n个感兴趣区域做它们彼此之间的相关，得到r值，经过Fiser Z转换得Z值，存储于生成的txt文件中。
生成的相关表类似spss里做多变量相关时的表。
REST中：1、voxel wise ---ROI definition下有三种情形：a、spheried ROI 可以自己填坐标和核团大小；b、dredefine ROI中的前三种都要用到rest slice viewer来选择ROI，第四种是选择已经做好的mask；c、time course把头动序列放进去？--done然后第三个add加入所有filter后的数据---选default mask—covariales这里由于前面已经做了，此处则不选—勾中最下方的fisher Z变换，使r—z，这样使其服从正态分布，便于下一步的T检验。
2、ROI wise—ROI definition list—add ROI—把感兴趣的ROI放进去—done—加入被试filter 后数据—default mask—fisehr Z 生成fcmap_sub_***.txt 内含若干个相关区的相关相关系数表。
DPARSF中：1、做voxel wise : ROI Define 可选入多个ROI批量做这些ROI与全脑的相关。
生成一些图在FC文件夹下：分别按选入顺序排序号为1、2、、、、2、做ROI wise：选extract ROI time course—加入covremoved文件夹下的数据—defineROI—放入ROI 生成_restdefineROIT文件夹下的txt文件：time course.txt 表时间进程resultcorr.txt则是ROI wise的结果Part4 统计分析一、单样本T检验One sample T test一般在文章中都需要先分别报告各组被试的单样本T检验的结果，用以报告显著脑区这里的显著指的是显著高于全脑均值。