最新spm8-fMRI数据处理

__________________________________________________
目录
SPM 简介和安装..............................................................................................................................1 一、数据准备（先设置数据输入和输出目录，再转换数据格式） ...........................................2 二、数据预处理流程 ....................................................................................................................... 2 0、预处理的 workflow ....................................................................................................................2 1、Slice Timing 时间层校正 ...........................................................................................................3 2、Realignment 头动校正 ..............................................................................................................3 3、Coregister 配准..........................................................................................................................5 4、Segment 分割.............................................................................................................................6 5、Normalize 空间标准化..............................................................................................................6 6、Smooth 平滑 ..............................................................................................................................8 三、GLM 模型和 Specify 1st-level.................................................................................................9 四、实例：任务态数据预处理和一阶分析的批处理 ................................................................. 13
SPM 简介和安装
SPM，即统计参数图，也是这个软件的最终输出，它是由英国伦敦大学的 Friston 教授 等人在通用数学软件包 Matlab 基础上开发的软件系统，其统计功能非常强大，设计这个软 件包的初衷是采用统计的方法来处理 fMRI，PET 和 SPECT 的数据。

用 SPM 进行数据处 理分析过程主要分为两大部分：预处理过程和统计分析过程。

需要注意的是，静息态、任务
态和 DTI 数据的预处理大致框架一致，但具体步骤不同，本教程主要讲任务态数 据处理。

数据预处理主要包括三个大框架：（1）Convert dicom files to hdr files and img images；（2） Temporal processing，即 Slice Timing；（3）Spatial processing，包括 Realign、Normalize 和 Smooth。

具体步骤下面有讲。

统计分析过程包括：个体分析和组分析。

使用 Specify 1st level 做单个 被试(single subject)分析；使用 Specify 2nd level 做组分析(group analysis)。

先写一下 SPM8的安装：有必要说一下 SPM 实际不是一个独立的软件，它相当于一个 用 Matlab 程序编写的工具箱，必须依赖 Matlab 的环境完成其功能。

言归正传，首先将下载 好的 SPM8程序包导入 Matlab，复制整个 spm8文件夹到 MATLAB 的安装路径： MATLAB\R2009a\toolbox\下。

然后运行 Matlab，在其主窗口选择 File->set path->Add with Subfolders->spm8->save->close。

设置完成后在 Matlab 中执行命令>>spm fmri。

这样出现 了 spm8的操作界面（如下图），这也表示 spm8安装成功！我们称左上侧的窗口为按钮窗口 (button window)，左下侧的窗口为输入窗口(input window)，右侧大窗口为树形结构窗口或 图形窗口(Tree Building Window or the graphics window)。

收集于网络，如有侵权请联系管理员删除


__________________________________________________
一、数据准备（先设置数据输入和输出目录，再转换数据格 式）
为方便后续的数据处理，如果数据分散处理后整合，建议所有处理数据路径保持一致， 要统一路径。

如原始 DICOM 图像放在 raw data 文件夹中，data 文件夹存放转换后的功能 像，data3D 文件夹中存放转换后的结构像。

处理前首先要采用数据转换软件将 dicom 数据转换成 SPM 解析格式，转换时格式请选 择 NIfTI，可用 SPM 输入面板中的 DiCOM Import 模块转换，也可以采用专门的转换软件， 如 MRIcovert。

然后进行数据预处理，预处理结束后到 matlab 安装目录中备份 spm*.ps 文 件，其中包含了空间校正和标准化的信息，然后进行建模分析。

格式转换后 data 文件夹（功能像）中会有多对（和 TR 的个数一样）.img（图像数据） 和.hdr（矩阵数据）；data3D 文件夹中只有一个.img 和.hdr 文件。

二、数据预处理流程
0、预处理的 workflow
1) DICOM to NIFTI（详见核磁数据格式转换）
2) Delete Images
3) Slice Timing
4) Realign
5) Normalize：①Normalize by using EPI templates，即使用公共的 EPI 模版来进行空间
标准化，这样的话就用不到 T1 结构像，也就不需要对 T1 像进行 Coregister 和 Segment；
6)
②Normalize by using T1 image unified segmentation，即用 T1 像来进行
空间标准化，这样的话需要用到 T1 结构像，所以需要在 normalize 前先对 T1 像进行
Coregister 和 Segment，换句话说就是用 coregistered and segmented T1 像来进行空
间标准化。

另外，如果以后希望把功能激活图像叠加到结构像上，那么结构像也需要做
一次空间标准化。

Parameters files 和功能像的 normalize 一样，也选择在 segment 中
生成的空间标准化参数文件（批处理中选择 Subj→MNI）。

Images to write 选择在
segment 中场强校正后的结构像。

这里的 voxel size 要设置结构像的大小，也就是
[1,1,1]。

7) Smooth
8) Detrend
9) Filte
收集于网络，如有侵权请联系管理员删除


__________________________________________________
1、Slice Timing 时间层校正
Slice Timing 用来校正1个 volume 中层与层之间获取(采集)时间的差异，对事件相关设 计的实验尤为重要。

我们在按钮窗口中的预处理面板中点击“Slice Timing”，将出现一个 对话框，修改其中参数：
Data：New：Session Session：选择你要处理的数据，如文件夹 data 中的所有数据 Number of Slices：我们输入每祯图像的层数，如“32”（可以在 spm8->Display->data：.img->done->Dimensions:64*64*32中查看） TR：我们输入重复时间，一般为2秒，我们输入“2” TA：是每祯图像获取第一层开始到获取最后一层图像的时间间隔，TR-TR/nslice，可直 接输入公式，如我们输入“2-2/32” Slice order：我们输入“1:2:31 2:2:32”（图像是隔层扫描所得到的）。

指定层获取顺 序的层次序参数是一个含 N 个数的向量，这里 N 是每个 volume 所含的层数。

每一个数表 示该层在图像(volume)中的位置。

向量内的数字排列顺序是这些层的获取时间顺序。

如行向 量[1 3 5 7 9 11 13 15 17 19 21 23 25 24 6 8 10 12 14 16 18 20 22 24](在 Matlab 中可表示 为[1:2:25,2:2:25]) Reference Slice：我们输入“31”。

选择参考层，通常选择 nslice/2，如25层时选择13 层作为参考层。

Filename Prefix：是指新生成的图像前加何标记，一般采用默认设置。

默认为 a 最后点击面板上方的向右的绿色三角即开始运行。

运行完后将会生成一系列 a*.img 文 件，这就是时间校准后的数据。

注意：很多研究者容易将时间校准和空间校准顺序颠倒，一般的观点是如果图像获取是 隔层（interleaved）进行的，如1、3、5、7、9、2、4、6、8、10，则要先进行 slice timing 再进行 realign，如果图像各层是连续(sequential)获取的，如1、2、3、4、5、6、7、8、9、 10，则要先进行 realign 再做 slice timing。

做完了 Slice Timing，接下来就该进行头动校正了。

2、Realignment 头动校正
即使我们对被试的头部做了很好的固定，在实验过程中，被试也会不由自主的有一些轻 微的头动，这在 fMRI 实验中尤为明显。

这一步就是把一个实验序列中的每一帧图像都和这 个序列的第一帧图像按照一定的算法做对齐，以矫正头动。

目的：如果在容许的头动范围内，可以使用一定的算法校正信号，使其靠近真实值，如
收集于网络，如有侵权请联系管理员删除


__________________________________________________
果超过了这个规定的范围，则必须剔除这组数据。

头动范围（Check Realign）：平动≤2.0mm and 旋转≤2.0degree[严老师观点] 我们在预处理面板校准选项中选择“Realign(Est&Res)”，出现一个参数设置对话框。

过程： realign：estimate+reslice Data：New：Session，然后选中 data 下出现的“Session”选项。

点击“Specify Files”，
用 spm 文件选择器选择刚做完时间校准的全部图像（a*.img）。

Filename Prefix：默认为 r 其余选项采用默认设置，点击上方绿色
的三角开始运行。

做完这一步，能给出该序列中被试 的头动情况，以作为是否放弃该数据的 依据，如果头动超过1个 voxel（功能图 像扫描矩阵一般是64*64，则体素的大 小为（FOV/64）*（FOV/64）*（层厚 +层间距）），则要考虑放弃该时间点数 据。

该程序利用最小二乘法(least squares approach)原理和含6个参数 (刚体模型)的空间变换，对从一个被试 获取的时间序列进行校正。

用户可指定 某个 volume 作为随后 volumes 的参 考。

可以是第1个 volume，也可选择比 较有代表性的 volume(更明智的选择)， 例如选择磁场相对稳定的第4个 volume。

校正信息(头动信息)将在结果窗口 (Graphics Window)显示。

每个 Session 的校正信息将存储为 rp*.txt，其中*为 Session 数据集名称。

另外，头动校正信息将以 plot 图形显示。

如下图：translation 图表示被试头部在 X，Y，Z 三个方向的平移，分别用蓝，绿，红三种颜色表示。

rotation 图表示被试头部在实验过程当中绕 X(L-R)，Y(A-P)，Z(S-I)三条轴的转 动角度。

横坐标代表这个序列所采集的所有图像，纵坐标表示的是偏移量和偏转 角度，分别以毫米和度为单位。

采用 SPM8，头动信息和空间标准化的图形文件 将以 spm_“data”.ps 的形式保存于 matlab 的工作目录下，如我们是2009年4 月30日处理的数据，则将以 spm_2009Apr30.ps 文件存于 matlab 的 work 目录 下。

当然也可以将生成的图像保存成.jpg 格式：File->Save As->.jpg
收集于网络，如有侵权请联系管理员删除


__________________________________________________
说明：①matlab 中如何查看头动范围 打开 rp_af*.txt 文件，前3列为平动数据、后3列为旋转数据； 在 matlab 中输入命令：b=load(‘rp_af*.txt’); %----[载入头动数据文件] c=max(abs(b)); %---[取 b 值的绝对值的最大值，表示找出每列的最大值] c(4:6)=c(4:6)*180/pi %---[4-6列为转动，将以弧度为单位的数值转化为以角度
为单位的值，pi 表示 π] ②运行结束后将生成一对 mean*（.img 和.hdr）文件（平均脑）、一个 rp_*.txt 文
件（头动参数文件）及若干对 r*（.img 和.hdr）文件。

3、Coregister 配准
对于单个被试的研究，往往是通过在高分辨率结构图像上叠加激活区来精确定位功能区，也 就是 coregistration。

目的：上述头动校正的求解参数仅对同一被试的同一种成像方法(或成像模态 modality) 有效,对于同一被试的不同成像方法（功能像/结构像）所得图像,由于它们之间没有足够的可 比性,不可以直接用头动校正的方法来求解参数,这时需要用图像配准的方法来做空间校正。

具体为将所有的图像同一个 volume 对齐，对功能像与结构像做一个信息的变换。

为什么选
收集于网络，如有侵权请联系管理员删除


__________________________________________________
择 Coregister 里面的（Estimate）呢？因为我们相信对于被试，功能像与结构像是线性相关 的平动与转动，而不是扭曲的。

由功能像向结构像去配，对于结构像中的 hdr 文件存有一个 矩阵，而这个矩阵就包含了功能像的信息。

只需要将旋转的矩阵写入到 hdr 文件中，不需要 生成新的文件，也就是对3D 文件做一个刚体的变换，变换到功能像空间里。

过程： 在 spm8中选择 Coregister（Estimate）: Reference Image---[选择头动校正后生成的 mean*.img 文件] Source Image---[选择3D 文件，即 data3D 文件夹中的.img 文件] 其余选项采用默认设置，点击上方绿色的三角开始运行。

说明：Source image 与 Reference image 的关系，可以认为是将结构像向以 mean 开 头的功能像里估计，估计结束后就可以将旋转矩阵写入到精度更高的3D 文件当中，最后做 出的图像的分辨率就会很高。

（结构像比功能像清晰很多）
4、Segment 分割
目的：要将被试的结构像配到功能像里，就需要将结构像进行分割。

一般分割为灰质、白质 和脑脊液三部分。

过程： 在 spm8中选择 Segment
Data---[选择配准后的3D 图像，即 data3D 文件夹中的.img 文件] .Clean up any partitions----Light clean Affine Regularisation---[选择欧洲人或东亚人大脑模板] 如：ICBMspace template-European brains
其余选项采用默认设置，点击上方绿色的三角开始运行。

5、Normalize 空间标准化
对于多个被试的研究，由于不同人的脑的尺寸、形态各不相同，一般认为需要一个模板，把 所有被试的功能统计图叠加到标准模板上，这叫做 normalize 目的：将不同容积及形状的被试的大脑放到一个标准空间里，用一个公用的坐标系去描述具 体的一个位置，例如有十个被试，他们脑袋的形状和大小都不一样，如果你让他们进行了一 个激活了某个脑区的情绪实验，然后你想把该脑区计算出来并进行呈现，那么你就需要一个 标准的脑模版来衡量这十个被试的大脑空间位置以实现准确的空间定位。

方法：①. Normalize by using EPI templates；
收集于网络，如有侵权请联系管理员删除


__________________________________________________
②. Normalize by using T1 image unified segmentation。

注意：只有使用方法②时才需要对结构像进行 coregister 和 segment，方法①用不到 T1像， 所以不需要对 T1像进行预处理。

先说第①种方法的操作： 在预处理面板标准化选项中选择“Normalise:Estimate&Write”，出现一个对话框，我们做
如下设置： 选中“data”——“new sbject”，在 data 下新出现的“subject”选项中作如下设置， “source image”选择 realignment 生成的“mean*.img”文件，“image to write”选择 realignment 生成的“.img”文件，“template image”我们选择“EPI.nii”，其余采用默 认设置，点绿三角运行。

或用第②种方法的操作： 用3D 像文件做分割，用分割的信息去做空间标准化，分割要做三个小步骤，被试既有 结构像，又有功能像，我们要用结构像分割所得到的信息来做功能像的空间标准化。

首先， 要保证功能像与结构像在同一个位置。

所以，需要做一次 coregister，即配准。

先把被试的 结构像变换到被试的功能像空间里，然后将变换到功能像里的结构像分割所得到的相应信息 运用到功能像里。

结构像在功能像空间里被分割后，会得到一个矩阵。

这个矩阵就会告诉我们如何从被试 的功能空间去往标准空间。

也就是 MNI 空间。

我们可以根据这些信息应用到功能像里，写 进去以后就会自动配准到标准空间里去。

Normalise: Write Data/new subject /Parameter File---[参数文件，选择3D 文件夹下 segment 后
的文件，有2个文件，分别是 seg_sn.mat 和 seg_inv_sn.mat，前者表示由功能像到标准化 空间去配，而后者正相反，所以选择前者。

]
Image to Write---[要写入的文件，选择3D 文件下的 ms*.img 文件] Bounding box---[默认的偏小，可以改为-90 -126 -72 90 90 108] （相当于把整个 大脑装在这个“盒子”里） Voxel sizes—[改为3 3 3]（不能为1 1 1） 其余参数默认即可。

如果以后希望把功能激活图像叠加到结构图像上，那么结构图像也需要做一下空间标 准化。

再次 Normalise，做完头动校正后，以平均脑文件做一次标准化。

Normalise: Write Data: new subject Parameter File---[参数文件，选择3D 文件夹下 segment 后的 seg_sn.mat 文件] Image to Write---[要写入的文件，选择头动校正后以 r 开头的.img 文件]
收集于网络，如有侵权请联系管理员删除


__________________________________________________
Bounding box---[默认的偏小，可以改为-90 -126 -72 90 90 108] Voxel sizes—[改为3 3 3] Filename Prefix：默认为 w 其余参数默认即可。

点击上方绿色的三角开始运行。

说明：运行完毕会生成若干对 waf*打头的 img/hdr 文件，同时还会生成一个 mean*_sn.mat 文件（存放变换参数）。

6、Smooth 平滑
目的：将功能像文件平滑 过程：
（1）在 spm 总的按钮窗口中，选择 Smooth 按钮, 会弹出批处理对话框。

（2）在这一步有两个参数必须要进行设置：images to write，选择在上一步生
成的所有空间标准化之后的以 w 开头的功能像文件；平滑的“全宽半高 FWHM”,将默 认的“[8,8,8]”,改成“[6,6,6]”。

这里的6，是我们所采用数据的体素大小的两倍。

其余默认。

点击上方绿色的三角开始运行。

说明：高斯平滑后会生成若干对 swaf*打头的 img/hdr 文件。

数据预处理过程到此完成。

注意！最容易出问题的地方在于： 1）没有在每一步之后检查生成的图像是否有问题（主要为头动参数和空间标准化图 像）； 2）没有按照自己数据适合的方式进行预处理。

对于图像检查，可以参考 /imaging/DataDiagnostics； 3）对于预处理方式选择：a. 如果是 Block 设计，不需要做 slice timing。

如果是事 件相关设计，则需要做；b. 在事件相关设计中，如果 BOLD 功能图像的扫描方式是间隔 采样，先做 slice timing，后做 realignment；如是顺序采样，则先做 realignment 后做 slice timing；c. 当扫描参数为长 TR (TR > 3sec) 时，不推荐做 slice timing；d. 头动 过大的剔除原则：按照在一个 run 内不超过一个 voxel size 的标准。

这是一个普遍承认的 标准。

当然具体研究有具体的标准，需要具体对待；e. 平滑参数一般选择为2－3倍的 voxel size。

收集于网络，如有侵权请联系管理员删除


__________________________________________________
三、GLM 模型和 Specify 1st-level
如前所述，用 SPM 进行数据处理分析过程主要分为两大部分：预处理过程和统计分析过程。

预 处理过程已经在前两篇里完成啦，接下来是统计分析过程。

参数估计：在 spm8中选择 Specify 1st-level，即以前版本的“fMRI model”。

spm5 和 spm8 使用 Specify 1st level 做单个被试(single subject)分析；使用 Specify 2nd level 做组分析(group analysis)。

这里只有 Specify 1st level。

在真正的统计分析之前，必须先对 SPM 的统计分析基础——GLM 模型有一定的了解。

广义线性模型（generalized linear model, GLM)是简单最小二乘回归（OLS)的扩展，在 OLS 的假设中，响应变量是连续数值数据且服从正态分布，而且响应变量期望值与预测变量之间的关系是 线性关系。

而广义线性模型则放宽其假设，首先响应变量可以是正整数或分类数据，其分布为某指数 分布族。

其次响应变量期望值的函数（连接函数）与预测变量之间的关系为线性关系。

因此在进行 GLM 建模时，需要指定分布类型和连接函数。

理论上，经过预处理的数据可以直接进行统汁分折，但是这样做会有很大的局限胜。

我们需要考 虑到实际信号（探测到的神经生理响应）包含有多方面的因素。

如果我们可以把它分成感兴趣的部分、 不感必趣的部分以及误差项，这样以来，一方面可以用于复杂问题的研究，另一方面使有用信息更加 突出。

为了达到这个目的，SPM 采用一般线性模型（GLM）对采集到的信号进行统计分析。

通俗的说，GLM 基于这样一种假设：每个像素上的实验数据（用 Y 来表示，同一任务的时间序 列或不同任务序列的），是一些未知参数（用 x 表示）的线性组合（用 β 表示）。

这些未知参数与 任务或时间有关、但与具体脑区(像素)无关的已知参数．它组成的矩阵通常又称为设计矩阵。

数学表达式为：Y=β*X + ε，其中ε表示误差。

在经过 GLM 描述之后，分析的对象就发生了转变。

原本是对 Y 的统计分析，现在转向了拟合得 到的 β。

SPM 得到的脑功能激图实际上就是根据对参数 β 的统计推断而得到的。

那么，对参数 β 的统计推断究竟是怎么一回事？ 首先，是检查设计矩阵的正确性；
其次，使用最小二乘法法拟合出参数 β 使得误差和最小； 再次，对 β 系数做 t 检验或者 F 检验； 最后，根据 t 检验或者 F 检验统计量和阈值，对 β 系数做统计推断。

根据 t 或 F 值以及相应的阈值，可以得到该阈值对应置信度的脑功能激活图。

由于它是对模型的 参数做统计分析而得到的，所以被称为统计参数图。

与阈值对应的 t 或 F 值记为 SPM{t}，SPM{F}。

SPM 还提供了与 t 或 F 值及它们相应的自由度所对应置信度的{0，1}正态分布的参数值 z，这样也得
收集于网络，如有侵权请联系管理员删除


__________________________________________________
到关于 z 图像，记为 SPM{z}。

此外，根据这些激活图，SPM 还可以输出脑血流等生理信号的响应曲 线以及不同状态的响应特性等。

一、Model specification 建立模型
我们选择“Specify 1st level”，出现一个 fMRI Model specification 对话框，设置参数
如下：
需要设置的参数
具体方法
Directory
建议建立 results 文件夹来单独存放一阶分析的结果 SPM.mat。

Timing parameters
Units for design：下面的 onset time 是以秒为单位还是以 TR 的倍数为单位。

即如选 scans，其后
durations 的时间按 TR 的倍数计算；如选 seconds，则以秒为单位计算。

Interscan interval（扫描间隔时间）：TR 是多少秒
?Microtime resolution --- [通常默认为 16 ，除非 TR 很长 ]与陈昌明师兄所说不一致
?Microtime onset --- [在 ER 设计中， slice timing 时， reference slice 的扫描次序，
例如 reference slice 为第 25 层，是第 13 个扫描的，这里就填 13 ]与 SPM manual 的提
示不一致
Data & Design
有几个 run 就 Session 几次，就会生成几个 Subject/Session 子菜单。

存在很多子选项需 【Scans】：该 run 预处理后的以 sw 开头的文件；
要设置，务必细心！ 【Condition】：有几种条件（这里的条件指的是呈现的刺激图片或声音）就定义几个。

然 后输入条件的名字和相应的 onset time。

Onsets 代表任务刺激启动的扫描数（如1:14:70 ，
代表任务从第 1个 TR 开始，每14个 TR 为一个周期，共70个 TR）。

在 Onsets 中输入数组
T：2T：M，这里输入的数组实质是每个 cycle 中 task 状态的起始 volume 的序号（注意编号
从0开始）。

T：2T：M 在 Matlab 中就是一个数组，是 T,3T,5T,……。

注意：可以建立 Multi-condition
files 以避免输入每个 run 参数的苦恼。

【Durations】：ER 设计填 0、block 设计填刺激任务的持续时间 ，注意前面 Units for
design 的选择！！Duration 为 block 的长度，如果是事件相关设计，duration 就输入0。

Multi regressors
输入被试的头动文件，rp*.txt
Module derivatives ER 设计选第二项，block 设计默认
其他参数默认。

设置完毕后点击绿三角运行。

这样将会在开始选择的目录中生成 文 spm.mat。

这里，为了确保模型参数设置的正确性，推荐使用在 spm 总的按钮窗口中 的 Review 按钮来检查。

点击 Review 按钮之后，会弹出一个窗口。

在窗口中有 一个 design 菜单，菜单中有这样几个子选项：
收集于网络，如有侵权请联系管理员删除


Design matrix会把设计矩阵进行图形化展示。

Explore -> session 1 –> active （假如在一个run种呈现active和rest两种刺激）会展示一个叫做“exploring design matrix”的窗格。

总共会展示三幅图像：一个叫做active的regressor，就是我们上面定义的active condition。

但是这不同于condition方波化的展示，在这里将方波和hrf做了卷积。

以及这个active regressor的谱密度图，还包括一个hrf图形。

Design orthogonality包含一个设计矩阵；设计矩阵的下方是一个正交性矩阵，用以展示不同regressor之间的正交性（“正交性”是从几何中借来的术语。

如果两条直线相交成直角，他们就是正交的。

用向量术语来说，这两条直线互不依赖。

沿着某一条直线移动，该直线投影到另一条直线上的位置不变。

在计算技术中，该术语用于表示某种不相依赖性或者解耦性。

如果两个或者更多事物种的一个发生变化，不会影响其他事物。

这些事物就是正交的）。

在spm中，设计矩阵已经设计出来之后，其实整个GLM已经完成一大半。

下面所要做的就是估计和推断。

估计就是通过逆矩阵运算，求解得到原始beta 参数，beta参数指的是不同regressor对最后测量得到的信号，所产生的effect 效应。

这是glm统计学中的术语。

然后，我们基于beta和残差构造t统计量，进行推断，当然需要先设置一个显著性水平才可以。

二、Model Estimate模型估计
下面要估计我们刚建立的模型，在模型设置面板中点击“estimate”，将打开一个对话框，很简单，我们只须选择刚生成“spm.mat”文件点击“down”然后点击绿三角运行即可。

三、Results查看结果
在做完估计之后，就可以在spm总的按钮窗口中，选择results按钮, 会弹出批处理参数设置对话框。

在这里，把在一中生成的SPM.mat选进来就好了。

这时，就会弹出contrast manager对话框。

这里需要对spm下的glm的contrast脑补一下：
首先，contrast是为了简化多变量分析，多变量假设检验的一种方法。

Contrast其实是一个权重向量。

其实，类似我们在求多元微分学中，当只考虑一个变量的变化趋势时，我们就使用偏导数这个工具来研究问题。

这里，也是这个原因，通过contrast可以突出某个变量的效应effect，可以忽略某个变量的效应effect。

一般是多少个condition，就在contrast向量中对应多少个元素，这里对于设计矩阵中的常数covariante是不考虑的。

参考：PrinciplesStatistics - MRC CBU Imaging Wiki中的Introduction to
SPM statistics
在这里，由于只有一个condition，就是active。

所以，contrast向量，只含一个元素。

Active -> rest 用1来表示，rest -> active 用-1来表（单侧检验）。

3.1 contrast manager
（1）在contrast manager中选择定义新的contrast, “Define new contrast”。

（2）在Define new contrast中进行contrast的设置。

设置后，重新返回到contrast manager 对话框中。

（3）然后，在contrast manager中选择刚定义的contrast。

点击DONE。

那我们可以到下一步。

3.2 masking
在3.1点击DONE之后，会弹出新的窗口，在窗口中问你，
Mask with other contrast? [Yes/No]. 还需不需要其他contrast来做模板，我们选择no就好了。

Mask分两种：inclusive 和exclusive。

Mask并不会影响最后p值得计算，只是包含或者排除一些满足要求的体素。

3.3 thresholds
这里设置p值，其实是设置显著性水平（范统计学中一类错误的概率），这里的设置方法是：
Title for comparison 设置为active > rest（具体情况具体分析）
p value adjustment to control: [FWE/none]. 选择FEW（个体分析选none）
p value(family-wise error) 具体的p值设置为默认值0.05。

在spm中，显著性水平，或者一类错误的概率，称为假阳性水平。

接下来，会让你设定最小cluster的大小：
Extent Threshold voxels [0] 这里保持默认值0就好了。

如果这里输入某一个值v，就代表最终激活图中，各个cluster中至少包含v个体素。

>> 这一步，设置完之后，spm就真的给我们构造一个spms统计参数图了。

3.4 files
在上一步，threshold设置完之后，会在SPM.mat所在目录下得到一些文件：
两个加权参数文件：con 0002.hdr/img, con 0003.hdr/img;
两个t统计量文件：spmT 0002.hdr/img, spmT 0003.hdr/img。

3.5 maximum intensity projection
最大强度投影其实是医学血管造影中的技术，什么意思呢？就是仅仅对血管成像，而把什么骨头啊，组织什么的，全部都忽略掉。

其实，在spm中最大强度投影指的就是玻璃脑。

在上一步，设置完阈值之后，就会弹出一个玻璃脑graphics窗口，用以显示结果；还会弹出一个design 交互式对话框。

这个design交互式对话框非常强大，可以选择控制显示的内容，可以进行叠加、渲染。

在所弹出的玻璃脑graphics窗口中，左上方显示玻璃脑，右上方显示设计矩阵。

设计矩阵是可交互的，右击设计矩阵会显示相应参数名，左击设计矩阵会显示相应beta向量中的元素。