看牛人掐架


嗯，我说的不是微博，而是在学术期刊上。我最喜欢看的一类期刊文章就是comments和response。这类的文章通常立场针锋相对，既可以看清作者的学术观点，还可以看出作者的性格。比如大牛Karl Friston的几篇comments或response都让我印象深刻。

前三篇是Friston针对fMRI数据分析中使用localiser的批评。说是批评，起因其实是Friston投到PLoS Biology的文章被拒，reviewer说你应该使用localiser做分析，而不应该做voxel-wise分析。Friston一怒之下就在neuroimage上吐槽。我是在Vul发表了voodoo correlation的文章之后读这篇文章的。那时所有人都觉得voxel-wise的分析不靠谱，localiser才是王道。但实际Friston这篇文章清楚的点明了localiser的问题：一是无法显示激活的选择性，二是localiser通常会和实验任务的某一个条件相关因此也不是完全独立的。这些问题不注意，localiser照样充满陷阱。强烈建议做fMRI数据分析的人读一读这几篇文章。
  • Friston KJ, Rotshtein P, Geng JJ, Sterzer P, Henson RN, (2006). A critique of functional localisers. Neuroimage 30(4):1077-87.
  • Saxe R, Brett M, Kanwisher N, (2006). Divide and conquer: a defense of functional localizers. Neuroimage 30(4):1088-96.
  • Friston KJ, Henson RN, (2006). Commentary on: Divide and conquer; a defence of functional localisers. Neuroimage 30(4):1097-99.


去年Friston苦心经营多年的Dynamic causal modeling被人批评。Lohmann的批评主要是集中在模型数量的组合增长，以及DCM模型拟合度低等问题。我觉得批评的还是挺有道理的，因为我在使用DCM分析数据时确实遇到了相似的困扰。但Friston的回复在我看来近乎挖苦，标题上还用了gobbledygook这个GRE词汇。使用DCM分析数据的同学一定要读一下这两篇文章。

  • Lohmann G, Erfurth K, Müller K, Turner R, (2012). Critical comments on dynamic causal modelling. Neuroimage 59(3):2322-9.
  • Friston K, Daunizeau J, Stephan KE, (2012). Model selection and gobbledygook: Response to Lohmann et al. Neuroimage doi:10.1016/j.neuroimage.2011.11.064


当然，牛人掐架是不会限制在neuroimage的，掐架最好的地方当然是微博Science。去年Friston和合作者发表了一篇用ERP结合DCM模型证明植物人病人来自前额叶的自上而下加工受损的研究。因为使用了DCM模型，这篇文章探讨了一个通常用ERP根本无法探讨的问题。当然也受到了另外一位牛人Dehaene的批评。这几篇文章读起来也很有意思。关于这个的小道八卦我就不写在博客上了。

  • Boly M, Garrido MI, Gosseries O, Bruno MA, Boveroux P, Schnakers C, Massimini M, Litvak V, Laureys S, Friston K, (2012). Preserved feedforward but impaired top-down processes in the vegetative state. Science 332(6031):858-62.
  • King JR, Bekinschtein T, Dehaene S, (2011). Comment on "Preserved feedforward but impaired top-down processes in the vegetative state". Science 334(6060):1203.
  • Boly M, Garrido MI, Gosseries O, Bruno MA, Boveroux P, Schnakers C, Massimini M, Litvak V, Laureys S, Friston K, (2012). Response to Comment on “Preserved Feedforward But Impaired Top-Down Processes in the Vegetative State”. Science 334(6031):1203.

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

12平均律vs.自然律 频率vs.音高

图片
字母表示 7 种琴键音。从 A 到下一个 A 占用 8 个白键，俗称“八度音” octave 。国际标准 A 音为 440 Hz。钢琴上有许多 A 音，它们是：27.5，55，110，220，440，880…… Hz。请注意，每增加一个八度，用 Hz 为单位的频率增加为 2 倍。物理学中把 octave 说成是“倍频程”。钢琴调音师会把那种倍数关系拉开一些。1000 Hz 以上会拉得很开。在 500 Hz 以下，调音师人工调音中，倍数关系还是比较好的，非常接近 2 倍。 钢琴键盘上相邻的 7 个白键和 5 个黑键组成“十二半音”。相邻的白键和黑键之间，音高关系是半音。两个白键相邻，中间没有黑键的，也是半音的关系。两个白键相邻，中间有黑键的，白键之间是全音的关系。两个半音是一个全音。半音是全音的一半。 请注意，从 Hz 数值看，半音之间是 2 开 12 次方根的关系，也就是 1.059463 倍的关系。把它自乘 12 次，应该等于 2 。 在音乐家的听觉中，平均律并不好。他们更喜欢自然律： C 　D 　E 　F 　G 　A 　B 　C 264 297 330 352 396 440 495 528 它们之间有一种和谐悦耳的关系，也就是简单的比例关系，例如 C 与 G —— 2 : 3 、 E 与 A —— 3 : 4 、 G 与 B —— 4 : 5 、 E 与 G —— 5 : 6 ， 各自之间分别是最简单的比例关系。 半音 E 与 F 、B 与 C —— 15 : 16 的比例关系。它们是音乐带来悦耳感受的基本依据。 在有些乐器中自然律转调很不方便，所以钢琴要用 12 平均律。平均律与自然律的误差极小。 平均律的半音单位（st）跟 Hz 数值之间很容易换算，对于语音研究来说，它有重要的用途。
阅读全文