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

发表评论

此博客中的热门博文

如何画出漂亮的图

图片
    题目其实是个标题党。我一直都在尝试各种方法把paper中图片做的更漂亮，但效果总是不理想。而读paper时经常能看到让人眼前一亮的图。比如最近Journal of neuroscience一篇关于视觉系统 随机共振 的研究。     所谓随机共振，就是当一个非线性系统在加入少量噪声时的工作效果要比完全没有噪声时好。人的神经系统就是个典型的非线性系统。上图是原文中的一个figure。要注意的是最上面的原始图像两个斜杠之间的细节。斜杠中的斜杠是阈下的，通常很难被知觉到，但如果加入适当的噪声，就可以清晰地看到斜杠中间的细节 (中图)。     初看到这幅图，我的感觉这是对随机共振效应的最好的演示。因为之前对随机共振的介绍都是理论或者语言描述，从来没有给过这样直观的演示。但说实话，很难看出如何只加入噪声就可以把第一幅图像变成第二幅图像的样子。我自己用MATLAB对原始图像加随机噪声，完全得不到这种效果。当然我自己的图像处理水平有限，电脑显示器也比较低级。不知道哪位高手可以实现。OR, 这其实只是个示意图？ Schwarzkopf, D., Silvanto, J., & Rees, G. (2011). Stochastic Resonance Effects Reveal the Neural Mechanisms of Transcranial Magnetic Stimulation Journal of Neuroscience, 31 (9), 3143-3147 DOI: 10.1523/JNEUROSCI.4863-10.2011
阅读全文

大脑的工作模式和休息模式

图片
[ 十五言 是个不错的地方。也许以后类似的文章都会现在那里发表，欢迎 关注 。] 大脑不休息 与人体其的他器官不同，大脑在人的一生中一直处在活动状态。从能量代谢的角度讲，肌肉在休息时的耗能几乎可以忽略不计，但在收缩运动时会消耗1000倍以上的能量。相反，大脑无论在工作还是休息时都要消耗大概身体总代谢量的20%。而在工作时的耗能水平只比休息时高5%。正是因为如此，休息时的大脑更应该被看成是一种独特的状态，而并不是简单的休息。圣路易斯华盛顿大学的Marcus Raichle等人在2001年时将这种状态 (resting-state)命名为默认模式 (default mode)，并将一些在休息状态时神经活动更高的区域组成的网络称为为默认网络 (default mode network)。这一网络中的区域的神经活动在人执行特定的任务的时候反而会下降，通常认为是负责产生自发的想法以及无目的的思考。 对于大脑的休息状态，另一个重要的发现要追溯到1995年。当时在威斯康辛医学院的Bharat Biswal等人发现在完全没有运动的休息状态，大脑左右两侧运动皮层的fMRI信号仍然会显示出很强的相关性。fMRI技术是一种无创的记录脑活动的方法，它通过测量脑血流中含氧血红蛋白和脱氧血红蛋白的比例间接地反映神经活动。这是一个非常重要的发现。因为之前虽然知道左右两侧的运动皮层在完成双手协调任务时会同时激活，但并没有人会想到人在没有动双手的时候负责控制两侧手的区域仍然会同步活动。这提示了一个大脑重要的属性。大脑中存在着自发的脑活动，而且这些自发脑活动不是杂乱无章的，而是有组织的。在接下来的一系列研究都发现，凡是已知的功能相关的脑区之间，在静息态时也都会显示出很强的相关。这一组组相互关联的区域就组成了不同的脑功能网络，比如视觉网络、运动网络和注意网络等等。这种使用静息态fMRI数据分析大脑功能网络的技术目前正日趋流行，而且是当前美国的人脑连接组项目(human connectome project)的基础技术之一。 既然休息时的脑活动已经能反映大脑的网络结构，那么，大脑活动时的状态又会有什么差别呢？大脑可以大致的分为两个系统：一个是之前提到的默认网络系统；另一个是负责各种具体任务的区域的集合，通常被称为任务正网络。这两个网络的神经活动是负相关的：一个网络的活动升高，另一个网络的活动...
阅读全文

复习考试可以改变大脑结构

图片
    高考刚过，现在又是广大大中小学生期末考试的时候了。考试是一件很痛苦的事，特别是在中国，人们总是把脑力劳动变成体力劳动。所谓体力劳动，就是重复的、机械的记忆大量无意义的内容。而我最近无意发现一篇论文，高强度的准备考试，竟然会改变学生的大脑结构。     这是一组德国科学家在2006年做的研究。研究设计很简单，就是拉来准备德国医学考试的学生分别在考前3个月、考试后1-2天以及考试后3个月进行大脑磁共振扫描。研究者扫描的并不是反映脑功能的BOLD图像，而只是反映大脑结构的T1像。对于MRI图像，研究者可以把每个被试的图像分割成灰质、白质和脑脊液，然后用形态学分析方法计算大脑中每个位置的灰质密度。这样研究者就可以比较这组被试在不同考试阶段的脑结构的变化。     下图左显示了被试在考试后灰质体积显著大于考试前的区域，主要分布在后部和外侧顶叶皮层。如右图所示，这些区域的灰质体积在3个月的复习后会显著增加，而在另外三个月没有复习的阶段灰质体积保持不变。这一结果有一点出乎意料，因为研究者的假设是高强度学习会改变与记忆有关的海马。不过也有证据表明后部顶叶皮层也与陈述性记忆有关。     三个月的复习就会改变大脑结构，这还是挺让人惊讶的。不知道这种结构的改变是否有极限。我想要研究这个问题，中国的高中生应该是最好的样本了。高中生的整个高中阶段就是为一个一个的期末考试以及最后的高考准备。那么高中生的大脑结构会在每次考试后达到顶点然后下降波动，还是会像登台阶一样一直上升，还是在某一时刻就达到了平台？不管做出什么样的结果，都还是蛮有趣的。     最后还有一个想法，就是应该研究一下读了PhD (博士)后大脑结构的变化。我猜测肯定能做出结果，这样就可以为永久性脑损伤 (Permanent Head Damage)假说提供证据支持了 :) Draganski, B., Gaser, C., Kempermann, G., Kuhn, H.G., Georg, H., Winkler, J., Büchel, C., & May, A (2006). Temporal and Spatial Dynami...
阅读全文