避免 non-independent error 的一个巧妙方法

ResearchBlogging.org
最近关于fMRI数据分析中非独立错误 (non-independent error)的问题引发了很多讨论,比如这里。道理很简单,如果要进行两次统计分析,这两次统计分析应该是独立的。在fMRI实验中问题主要出在进行感兴趣区域 (ROI)分析时。fMRI数据分析时一般先要做一个全脑每个像素的统计分析 (voxel-wise analysis),找到与假设相符的区域。比如,在全脑中找哪一个区域的激活水平与被试主观感受的被排斥感相关。接下来的问题是要计算这个区域的激活水平与主观感受的相关有多大,就需要定义ROI,提取ROI内的统计值与主观报告的统计值计算相关。经常犯的错误是,直接用voxel-wise analysis的激活区域定义ROI,然后计算相关系数大小。因为全脑中的像素大概有100000个,事先进行一次选择必然引入噪声,使得到的相关系数放大。

要避免 non-independent error,最主要的就是定义ROI时要独立。Kriegeskorte (2009)总结了一些方法。最简单就是,用一个独立的实验定义ROI。比如,先进行实验一找到被试被排斥时激活的脑区。再进行实验二,用刚才找到的脑区提取统计值并与主观被排斥感计算相关。这种方法的缺点是,很多区域没有现成的localizer,而且如果进行实验时没有考虑到,事后没有办法补救。如果没有独立的localizer定义ROI,Kriegeskorte (2009)建议的方法是把数据分半,用一半数据定义ROI,再用另一半数据进行ROI分析。这在理论上是个好想法,但实际操作中也不现实。因为fMRI扫描很贵,如果扫描10min可以做出结果,就不可能扫描20min。因此通常的实验数据,如果分半后必然得不到很好的激活结果,也就很难再进一步做ROI分析。

Esterman et al. (2009)这篇新文章提出的方法与分半方法类似。简单说起来就是,一次去掉一个被试 (Leave one subject out, LOSO)。比如,一共有15个被试,先去掉被试1,用被试2-14进行voxel-wise分析定义ROI,再用这个独立于被试1的ROI提取被试1的统计值。如此对每个被试做一次LOSO,再把每个被试的统计值拿出来与主观被排斥感计算相关。这样就可以保证提取每个被试统计值时依据的localizer是独立于该被试的。这种方法很巧妙,而且实际的操作可行性很强,估计以后会被广泛使用。

Esterman, M., Tamber-Rosenau, B., Chiu, Y., & Yantis, S. (2009). Avoiding non-independence in fMRI data analysis: Leave one subject out NeuroImage DOI: 10.1016/j.neuroimage.2009.10.092

评论

此博客中的热门博文

如何画出漂亮的图

12平均律vs.自然律 频率vs.音高