Never

人在看电影时，大脑如何做反应？一方面，外部的感觉信息实时的输入达到脑中；另一方面大脑会自动生成对故事线的预测，并与输入的信息进行匹配。那么，如果使用功能磁共振实时记录大脑的脑活动，我们会看到什么？ 对于观看电影这类复杂刺激的脑成像数据，分析起来还是有很多挑战。相比于常规使用的心理学任务，对电影刺激很难确定某一心理活动具体发生的时间。因此也就无法用简单的模型去测量某些具体时间点对应的心理过程诱发的脑活动。但是好在很多脑区的激活模式是直接受输入的刺激调控的，因此在看同样的电影时不同人在这些脑区产生的激活模式是相似的。因此可以用测量不同被试激活时间序列的相似性来找到参与加工电影刺激的脑区。最早一篇显示被试间激活相似性的研究在2004年发表在Science上。我曾经在2010年的一篇 博客 中介绍过。 这种被试间相关性分析的方法如上图A所示。在标准化空间上大脑的每一个位置，可以做不同被试看电影时的时间序列的相关。这样就可以得到一张大脑中每个地方相似性的统计图。这类的研究已经有很多，大多发现在看电影时大脑里负责视觉加工的很多区域的激活模式存在很高的被试间相似性。而在负责高级认知任务的脑区，激活模式的被试间相似性并不高。这可能是因为这些区域并没有参与电影加工；但也可能是因为不同人对电影的理解和主观感受不同，所以局部激活的模式也没有太大的相似性。 大脑里的不同脑区负责加工不同层次的信息。它们之间并不是独立的工作的，而是实时的互相传递着各种信息。这也是我们为什么要研究脑区间的连通性，特别是动态连通性的原因。动态连通性在静息态数据处理中是用得比较多。通常可以使用滑窗 (sliding window)的方法计算每一个小时间窗口 (比如说30s)内两个脑区的功能连通性。经过一系列的滑窗，不同窗口之间连通性的变化可能反映了脑区间功能联系的动态变化。但连通性的测量指标 (比如相关系数)很容易受到噪声的影响，特别是功能磁共振信号中的头动、呼吸等生理噪声。另外，哪怕是完全无意义的随机信号，采用滑窗法也会计算出功能连通性的"变化"。那么如何才能说明滑窗间的“变化”是有意义的？这在静息态数据上是个难题。而对于看电影的数据，关于动态连通性的功能意义的疑问似乎可以在一定程度上解决。因为如果连个脑区间的动态功能联系真的是与对电影的理解有关，那么不同被的动态联系也可能是相似的。基于此我们...

这是一个经常被问到的问题，MRI扫描对大脑有什么影响？目前没有什么证据表明MRI扫描对大脑有什么损害，除了在高场中快速头动的话可能产生一点头晕 (van Nierop et al., 2012)。而相反，有证据表明fMRI扫描时的脉冲电磁刺激有缓解抑郁的作用 (Rohan et al., 2004)。而最近，这个效应被随机双盲的临床试验重复 (Vaziri-Bozorg et al., 2012)。 Rohan M, Parow A, Stoll AL, Demopulos C, Friedman S, Dager S, Hennen J, Cohen BM, Renshaw PF, 2004. Low-field magnetic stimulation in bipolar depression using an MRI-based stimulator. Am J Psychiatry 161(1):93-8.  Vaziri-Bozorg SM, Ghasemi-Esfe AR, Khalilzadeh O, Sotoudeh H, Rokni-Yazdi H, Ghanaati H, Firouznia K, Sharifi V, Tabatabayee M, Kooraki S, Shakiba M, (2012). Antidepressant effects of magnetic resonance imaging--based stimulation on major depressive disorder: a double-blind randomized clinical trial. Brain Imaging Behav 6(1):70-6. van Nierop LE, Slottje P, van Zandvoort MJ, de Vocht F, Kromhout H, 2012. Effects of magnetic stray fields from a 7 Tesla MRI scanner on neurocognition: a double-blind randomised crossover study. Occup Environ M...

目前最流行的脑成像技术是基于血氧水平依赖 (BOLD)信号的功能磁共振成像 (fMRI)。BOLD由Ogawa于上世纪90年代提出，由于其安全无放射性，迅速成为了研究人类正常大脑功能的主流方法。BOLD方法最大的问题是它并不是直接测量神经活动，而是间接通过测量局部血氧水平来反映神经活动。简单来说，一个区域的神经元活动会消耗能量及血氧，导致局部血氧水平的短暂降低。随后大脑供血机制会使这个区域的血流量和血容积增加。随着新鲜血液的到来，局部的血氧水平反而会超过神经活动之前的水平，这就是血液的过补偿。而BOLD信号实际上测量的就是血氧的相对水平。因此，再从神经活动到BOLD信号的复杂链条中，氧代谢、血流/血容积的变化都会对观测到的fMRI“激活”产生影响。 最大的影响其实来自大血管。通常希望fMRI激活的结果反映的是灰质内局部毛细血管的BOLD变化，但显然大血管的血流量更大，BOLD效应也更强。往往很小的激活或者噪声都会被大血管放大，同时统计得到的激活区域也会向大血管偏移。这些都是做fMRI实验不想看到的。 血管图像来自 BrainWeb 大血管的分布如何？上面这幅图也许会让人印象深刻，因为很多富含血管的区域也是脑成像研究的热门区域，比如前扣带回、脑岛和小脑。几年前Annals of improbable research有一篇 文章 发现，报告扣带回激活的文章已经超过报告运动皮层的文章，而且与扣带回相关的认知功能也越来越无所不包。另外一个区域脑岛也在慢慢成为社会认知神经科学研究的热门区域。但这些区域都易受大血管的影响，使得激活结果值得怀疑。 不仅受大血管影响，大脑灰质不同区域的血氧响应强度也不相同。有一些区域的血氧响应很弱，这使得fMRI的激活效果也变差，比如前颞叶、海马等区域。而血氧响应的影响主要是在进行被试间比较时。比如用fMRI对比老年人和青年人在完成某一认知活动的激活差异。得到的差异可能是由神经活动的差异造成，也可能仅仅是由于老年人的血氧响应功能减弱而造成的。因此在做fMRI实验，特别是进行组间比较时，对fMRI激活图像的校正就变得十分必要。 前面说过，BOLD信号实际上来源于神经活动造成耗氧后的血氧补偿。那如果不改变神经活动，只让被试吸入二氧化碳，同样可以模拟大脑局部区域缺氧后的血氧补偿响应。通过测量吸入二氧化碳后BOLD信号的变化，就可以...

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...

    磁共振数据分析软件有很多。早期很多实验室都有自己的in house软件。但后来每一个预处理和处理过程的算法越来越复杂，研究者就越来越多的使用主流的软件包，比如SPM, AFNI, FSL，以及现在越来越流行的FreeSurfer。     对于分析软件，每个实验室都有自己的偏好。水滴上也经常有人争论哪一个软件好。其实软件的"好"与“不好”主要是取决于自己的需求。我这里只想用数字说明一下各种软件的流行度。     我用的方法是在Google scholar里搜索相应软件名称。关键字是"软件名+fMRI"以及"软件名+MRI"。上图是各种关键字返回文章数量的结果。可见SPM还是占统治地位的。使用AFNI的文章数量甚至还没有FSL多。而2001年才出现的FreeSurfer也有了2000+的文章。     另外，MRI与fMRI结果相差的部分可能主要是做结构像MRI或者DTI的文章。用SPM有大量做VBM的研究，用FSL貌似有很好的DTI工具，而FreeSurfer主要的功能就是越来越流行的皮层展开和皮层厚度的计算。AFNI没有这部分功能？

认知神经科学发展至今已取得了丰硕的成果。特别是fMRI技术的应用，使得研究的数量几何增长。但这一领域研究的问题依然普遍存在：比如BOLD信号的来源一直有人质疑，还比如很严重的数据分析的双重提取问题 (double dipping)。作为一门科学，不仅要不断积累实验数据，还要将积累的数据整合成系统的知识。Trends in Cognitive Sciences上的这篇文章，就对脑功能研究的积累以及整合提出了构想。 fMRI研究最大的问题其实是由数据性质及分析方法决定的，即高空间分辨率的大量测量数据，以及大量单变量统计 (mass univariate)的分析方法。这会导致一系列问题： 一是统计效力 (power)低。受资金的制约，fMRI研究的被试一般只有15-20人，但因为大量单变量统计需要多重比较校正，因此要采用严格的阈值 (比如其实还不算严格的p<0.001)。这导致fMRI研究只能关注最显著的效应，而对于微小的效应通常无能为力。 二是误报 (false positive)很常见。多重比较矫正的越严格，研究的敏感性就越低。因此需要研究者在敏感性和可靠性之间权衡，采用一个大家都可以接受的阈值 (比如p<0.001)。但这样结果中就会有很多误报。据估计误报的激活区域大概占总结果的15%。 三是重复实验很困难。首先是因为做研究要突出新意，所以很少直接重复别人的实验。而且由于SPM统计方法的缘故，也很难评价两个研究的结果是否一致。 四是研究逻辑的问题，即如何将特定任务与特定的脑区相联系。要得出这个结论，必须要表明这个区域与这个任务相关，但与其他任务都不相关。但这样要进行大量的对照实验，按照目前的现状也很难实现。 整合研究的第一步是建立研究结果的数据库，编码特定的任务范式以及结果。这一步已经有很多group在做，比如  Human Brain Project  和  Brainmap  等等... 接下来可以对现有结果进行定量分析，即元分析。元分析是十分必要的，因为单个fMRI研究统计效力不足，而且有很多误报，特别是医学影像领域。而且元分析不仅可以整合现有的结果，而且还可以产生并验证新的假设。比如之前一直认为杏仁核主要负责加工恐惧情绪，但元分析结果表明杏仁核对恶心/厌恶情绪的激活更强。常用的元分析方法有a...

    电影就是要抓住观众的思想。导演们都希望自己的电影可以让观众能够沉浸其中，吸引观众的注意，诱发观众达到想要的思想状态和情绪体验。制片过程中可以用很多手段来诱导观众的思维，比如用蒙太奇或联戏剪辑的手段。但用电影来操控观众思维的愿望却一直没有办法来直接验证。而目前渐渐兴起的神经电影学 (neurocinematics)，使得用神经活动来评价电影成为可能。     Hasson 在2004年在Science上发表的文章验证了用功能磁共振 (fmri)评价电影的可能性。他们的思路很简单却很巧妙，如果电影可以引起观众神经活动的起伏响应，哪么不同观众在看相同电影时的神经响应应该是相似的。因此，他们让被试躺在MRI机器中观看电影片段，而后采用了他们采用了试间相关 (ISC)的方法计算不同观众相同大脑区域神经活动的同步性。在没有在看电影时，不同观众的大脑活动显然都是无关的。但如果这些观众在看同一部电影，由电影诱发的神经活动就会显示出相似的模式。相应大脑区域的ISC值就会很高。如下图所示，大脑的视觉加工皮层，听觉加工皮层以及颞叶和顶叶等区域都会显示出很高的同步性。但负责高级认知加工的额叶皮层却很少同步。     上图所示的激活区域是合理的。在看电影时，视觉与听觉加工都会随着电影的进程而紧密响应，因此会同步。而一些负责特异性加工的专门区域，也会产生同步。比如颞叶和枕叶中负责面孔加工的梭状回面孔区 (FFA)会在电影中出现面孔时激活，而负责场景加工的海马旁回 (PPA)会在电影中出现场景时激活，而当电影中的角色使用工具时 (比如用手点烟或者开枪)，顶叶皮层将会同步激活。但是，每个人看电影都会有自己的理解，因此负责高级认知加工的的额叶皮层几乎没有同步活动。     不同观众神经活动的同步性可以被称为群体卷入性 (collective engagement)。考察不通电影引起的同步活动的区域的大小，可以在一定程度上反映电影对观众控制程度的大小。比如上图4部电影拍南端的比较结果，现希区柯克的《断魂枪声》片段引起了65%大脑区域的同步激活，莱翁的《黄金三镖客》片段引起了45%大脑区域的同步激活，而拉里・戴维的《抑制热情》片段只引起了18%的大脑区域的同步...

    我们理解别人的行动与情绪，依赖于所谓镜像神经元 ( wiki )。镜像神经元最早在猴子的电生理研究中被发现，即这一组神经元既在猴子完成某一动作时发放，也在观察别人完成同一动作时发放。当前的理论认为镜像神经元会对他人执行的动作产生共振，从而帮助理解对方的行为。由于技术限制，共振理论一直只是推测，不过最近PNAS上的一篇文章巧妙的记录了执行动作与理解动作的两个大脑，并找到了支持共振理论的证据。     研究者让12对情侣在MRI机器中完成猜词游戏。就是一方通过手部动作描述一个动作或物体，比如骑车、电话，另一方猜出是什么词。因为MRI机器的局限，两个人不能同时扫描。所以一个人先到机器里做7个词语的动作，被录像。随后另一个人进入机器中看录像猜词语，然后再做7个动作给对方猜。如此反复。虽然执行动作和猜动作不是同时进行，但可以根据录像的时间将两个人的神经信号放在一起进行分析，以检验是否大脑中存在同步。     研究者使用Granger causality来研究执行动作和和猜动作者大脑活动的相互关系。与预期相同，结果发现执行动作的大脑中的镜像神经元区域的神经活动可以引起猜词者大脑中镜像神经元区域的共振，而相反则没有。这一结果第一次在两个大脑之间发现了共振的关系。     不过这边文章选择情侣作为被试，似乎混淆了很多因素，比如两人对某一共同事件的回忆或者卷入了情感信息。这限制了研究的可推广性。如果选择两个完全不相关的人完成同样的任务，可能会使结果的解释更纯粹一些。不管怎样，这篇文章告诉我们，所谓心灵相通，就是大脑的同步。:) Schippers, M., Roebroeck, A., Renken, R., Nanetti, L., & Keysers, C. (2010). Mapping the information flow from one brain to another during gestural communication Proceedings of the National Academy of Sciences DOI: 10.1073/pnas.1001791107

绘画是二维平面的艺术，如何在二维平面中表现出超出二维的信息 (如立体感)，是绘画创作中的一个挑战性的问题 (纯外行，有错请拍砖)。除了空间感，另一个重要的维度就是时间。因此如何在绘画中表现动态感，也是一个很有意思的问题。我对绘画艺术不在行，但是还是看到过一些让我印象深刻的作品，比如法国画家杜尚的《下楼梯的裸女》 (右图)。这幅画用错乱的线条，将每一帧下楼梯的动作定格在画面上，从而展现出整个下楼梯的动态过程。不过说实话，我一直觉得创作这样作品的艺术家可能有某类精神疾病，比如李献计的差时症？ 在东方绘画中有一种截然不同的表达方法，比如日本画家葛饰北斋 (Katsushika Hokusai)的一组 北斋漫画 (Hokusai Manga)。北斋漫画是包含3000多幅木版画的漫画集，内容覆盖很多方面。其中一些人物图像以一种不稳定的姿势表现，如下图左侧的人物。画者通过这种极其不稳定的、挑战地心引力姿势来创造强烈的运动感觉。 人脑看到这样的图片会有什么反应呢？最近，日本京都大学的研究者研究了人们在观看北斋漫画时的大脑活动。被试躺在磁共振机器 (MRI)里观看不同类型的漫画图片，同时进行fMRI扫描。漫画分三种类型：第一类是处于不稳定姿势的人物图片，第二类是静止的人物图片，最后一类是静止的物体。通过对比在观看这三类图片大脑活动的差异，研究者发现，被试在观看带有运动信息的图片时会显著激活与运动加工相关的MT区。 这个结果其实并不奇怪，因为早就有研究发现蕴含运动信息的照片会激活MT区。不过对于人为创作的绘画作品来说，如何表现运动信息，表现的程度如何，也许可以通过脑成像的方法来验证。也许这门学科可以称之为艺术认知神经科学吧:) Osaka, N., Matsuyoshi, D., Ikeda, T., & Osaka, M. (2010). Implied motion because of instability in Hokusai Manga activates the human motion-sensitive extrastriate visual cortex: an fMRI study of the impact of visual art NeuroReport, 21 (4), 264-267 DOI: 10.1097/WNR.0b...

网格细胞 (grid cell)的发现，为我们理解大脑中如何表征空间位置提供了很直接的证据。2005年，一组挪威科学家在Nature上最先报道了大鼠脑中网格细胞的存在。研究者让大鼠在1平米左右的空间内自由活动，同时记录大鼠内嗅皮层 (entorhinal cortex)内神经元的发放模式。其中有一类很有意思，当大鼠走到环境中特定位置时神经元会激活，而且引起神经元发放的位置在空间中呈规则的形状排列。如下图所示，黑色或红色的线代表老鼠运动的轨迹，红色线表示网格细胞激活的位置。在整个空间中，网格细胞发放的点成规则的等边三角形排列，使整个空间成六边形蜂窝状。这个发现第一次揭示了老鼠大脑中对外部环境空间的表征方式。 图片来自 这里 那么人类脑中是否存在网格细胞呢？对于人来说研究网格细胞有两个困难。第一，无法对人进行单细胞记录，要记录活体人类的大脑神经活动，目前最好的办法只能是fMRI。但以fMRI的分辨率只能记录成千上万神经元的集合。第二，MRI扫描需要被试躺在机器里保持静止，被试根本无法在空间自由走动。 图片来自  这里 不过最近英国伦敦大学学院 (UCL)的一组科学家巧妙的用fMRI发现了支持人类存在网格细胞的证据。首先研究者采用虚拟现实技术，给被试呈现如上图一样的场景。被试可以操作键盘在场景中走来走去，同时完成一些任务。因为fMRI只能记录神经元群的活动，因此研究者先研究了大鼠脑中网格细胞神经元群的活动特性。因为不同网格细胞对环境中的不同位置起反应，从而可以对整个环境的不同位置进行编码，因此记录一群细胞是无法区分单个细胞所编码的网格位置。但是，对于同一只老鼠的不同网格细胞，网格朝向角度是相同的。进一步研究者还发现，网格细胞群的活动还受运动方向的调制。如果运动方向与网格朝向一致，则神经活动更高。最后，网格细胞的发放还受到运动速度的调制。运动速度越快，网格细胞群的网格性就越强。根据这三个属性，就可以用fMRI验证网格细胞的是否存在。 对于每个被试来说，网格细胞的朝向是不一样的。因此研究者首先用用结构像定义内嗅皮层，然后找到对某一运动方向相应最强的方向。实际上，内嗅皮层区域的激活在以60度为间隔的六个方向上激活最强，而且激活强度还受到运动速度的调制。随后再用新的一批数据，在全脑中寻找激活水平受到运动方向调制的区域，结果在全脑范围内只找到了内嗅皮层的...

植物人状态是受到严重脑外伤昏迷后，虽然苏醒但仍然没有意识的状态 ( Vegetative State, VS )。比植物人状态稍轻微一点的状态是最小意识状态 ( minimally conscious state, MCS )。在最小意识状态，病人偶尔会显示出对外界刺激的反应，但这种反应并不一致。在临床上对病人意识状态的诊断通常只能通过病人的行为反应进行判断，比如病人是否会对外界刺激进行反应。这就可能出现一个很可悲的状况，如果一个病人存在意识，但是丧失了运动能力，他同样无法对医生的刺激进行反应。这时我们仍然得把病人归类为植物人状态或最小意识状态。很多病人的家属会固执的认为病人还存在意识，可以理解自己的话，因此会坐在床边一直与病人说话。在琼瑶阿姨的电视剧中，这时镜头一转，就会发现病人眼角一行眼泪流下~ 眼泪是不靠谱的，不过有fMRI，我们可能读到藏在植物人脑中的意识。早在2006年，Owen等就在Science上就报告了一个惊人的发现。研究者对一名因车祸而成为植物人的病人进行fMRI扫描。同时，研究者让病人进行两种想象任务：一种与运动相关，想象自己打网球的动作；另一种与空间相关，想象自己在家中行走。结果病人在运动想象任务中激活了辅助运动皮层 (SMA)，而在空间想象任务中激活了海马旁回 (PPA)。这种激活模式与正常被试进行相同想象任务的激活模式是一致的。从而提供了很强的证据，表明这名女病人可以理解研究者的话，并与研究者合作完成了想象任务。虽然可能因为运动功能的丧失导致病人无法与研究者交流，但病人的某些大脑活动是正常的。 (病人在完成运动想象和空间想象任务时的激活模式与正常人很相似，图片来自Owen et al., 2006) 在这个病人之后的3年里，这个研究小组又扫描了54名植物人病人或最小意识状态病人。研究者都让病人完成这两类运动想象和空间想象任务。在这54名病人中，有5名病人显示出了可靠的辅助运动皮层或海马旁回的激活。 接下来，研究者又有了一个天才的想法。如果病人可以成功的主动操控大脑内两个区域的兴奋水平，那么也许可以通过监控这两个区域的激活水平来与病人交流。研究者选取了一名大脑活动响应最可靠的病人，让病人回答一系列问题。问题与病人生活有关，病人只要回答是/否就可以，比如“你父亲的名字是Alexander么？”同时，研究者告诉被试，如果答案是...

fMRI虽说是目前研究人类脑功能的空间分辨率最高的技术，但通常分辨率只是3mm×3mm×5mm，即几毫米的尺度。因此通常只能定位某一个脑区，而很难定位皮层上的某一层、或某一功能柱。最近发现一些小组试图用fMRI观察视皮层的特定一层的激活，感觉还是蛮有趣的。 上图是MRI图像得到的人类视皮层结构像。其中灰色的是灰质 (GM)，即皮层，白色为白质 (WM)，黑色为脑脊液 (CSF)。皮层分为六层，每层有不同种类的细胞，分别负责传入、传出或者水平联系。研究者让被试观察闪烁的棋盘格，同时计算沿皮层表面切线方向上的信号激活情况。结果如下图： 从左到右，分别是白质、灰质和脑脊液。可以看到，看到闪烁的棋盘格后，白质没有激活，灰质显示出了激活，而脑脊液中的激活最大。但脑脊液的激活是由于血管效应的影响，如果去除血管的影响，则脑脊液的激活就会降低。最有意思的结果是，在皮层的激活中，第4层产生了最高的激活。 从图中可以看到，整个皮层的厚度为2.25mm，而本研究中fMRI扫描的分辨率为0.75mm×0.75mm×0.75mm。看起来结果还不错。但想想整个第4层就是1个像素的宽度，这种分辨率在实际中应用可能还是很困难的。 文章中一个让我惊讶的结果是，由于血管效应的影响，使得脑脊液中的激活最大，甚至远远大于皮层第4层的激活。在通常fMRI的分辨率下，这些区域可能都混合在一个像素中，那得到的效应究竟是什么，鬼才知道... Koopmans, P., Barth, M., & Norris, D. (2010). Layer-specific BOLD activation in human V1 Human Brain Mapping DOI: 10.1002/hbm.20936

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。...

fMRI数据分析变得越来越复杂，复杂到做数据分析的人可能根本不懂底下的数学原理。因此出现了 ten simple rules 这样的系列文章。最近 Friston 也发表了一篇关于 Dynamic Causal Modelling 的文章。文中多是对 DCM 分析中具体问题进行了解释和建议，回答了我很多疑问。虽然这帮大牛们总是不建议新手们使用 DCM 分析，但是随着 fMRI 研究的应用越来越广泛，这种趋势是不可避免的。Ten Simple Rules 也算是一种折衷吧。 关于 MRI 数据分析的 Ten Simple Rules 系列： Stephan K.E., et al. (2009). Ten Simple Rules for Dynamic Causal Modelling. NeuroImage doi: 10.1016/j.neuroimage.2009.11.015 Ridgway G.R., et al. (2008).Ten simple rules for reporting voxel-based morphometry studies. NeuroImage doi: 10.1016/j.neuroimage.2008.01.003 Poldrack R.A., et al. (2008). Guidelines for reporting an fMRI study. NeuroImage doi: 10.1016/j.neuroimage.2007.11.048 另外还有 PLoS Computational Biology 主编写的  Ten Simple Rules 系列，关于如何发表文章，如何读研究生等等，也值得一看。

今天发现的这个有趣的研究，是在09年 Human Brain Mapping 年会上报告的一个研究。研究的被试是1名18英寸长、3.8磅重的死鱼。死鱼同学的任务是躺在MRI机器里看一系列的图片——图片中包含一个处在某种情景下的人——并判断这个人会在情境中体验到什么情绪。实验设计与数据处理与一般人类被试的实验没有差别。下面就是结果： 在使用 p(uncorrected) 其实研究想说的是很多fMRI研究的不靠谱，也就是多重比较校正问题。如果我们单独抽取一个样本进行t检验，得到 p 但问题依然还存在。其实问题谁都知道，但实际操作中确有问题。因为进行了校正，想要得出激活的结果酒都没有了。因为多重比较校正的目的只是保证激活的结果不是随机事件造成的，它造成一个连带后果是标准过于严格，从而会拒绝很多真实存在的效应。因此问题在这里总是纠缠不清。按照作者Graig M. Bennett的看法，以后最好同时报告校正以后的结果以及没校正的结果，这样可以让其他研究者自己判断结果的意义。 这个研究的标题：Neural correlates of interspecies perspective taking in the post-mortem Atlantic Salmon: An argument for multiple comparisons correction Poster地址: http://prefrontal.org/files/posters/Bennett-Salmon-2009.jpg

    今天NeuroImage刚in press 的一篇文章 ( doi )，介绍了一个新的研究fMRI数据功能连通性 (functional connectivity)的工具箱 ( MATLAB Toolbox for Functional Connectivity )。     初步的扫了一下文章，这个工具箱针对的是已经定义好的若干区域之间的functional connectivity，不能做voxel-wise的分析，也不关注时间序列和其他因素的交互作用 (比如PPI)。不过在计算几个区域间functional connectivity的时候提供了很多种方法。对于整个时间序列，可以计算cross-correlation, cross-coherence, mutual information。而对于多于两个区域，还可以计算偏Partial cross-correlation/coherence/mutual information。对于事件相关序列，可以计算trial-by-trial的相关。对于有实验设计的fMRI序列，直接做correlation实际上意义不大。文章也提到了可以用残差序列或者低频滤波之后 (滤掉实验设计相关成分)的序列再进行functional connectivity分析。文章中还对各种方法进行了比较，有空要好好研究一下。 工具箱地址： http://groups.google.com/group/fc-toolbox Zhou, D., Thompson, W., & Siegle, G. (2009). MATLAB toolbox for functional connectivity NeuroImage, 47 (4), 1590-1607 DOI: 10.1016/j.neuroimage.2009.05.089

之前 八卦 过Vul同学对社会认知神经科学中高相关的批评。现在这篇文章及其他作者的回复已经正式出版( Perspectives on Psychological Science, Vol. 4, Issue No. 3 · May 2009 )。可能是争议比较大，文章标题中的voodoo改成了Puzzlingly，语气缓和了很多。五一没有心情读文献，明天开始好好研究一下。:)

神经营销学"neuromarketing"是认知神经科学中很炫的一个领域。近些年有一些研究发表在顶级的期刊上，比如neuron ( doi  )。《买》 (buyology)这本书，介绍了neuromarketing 在业界的一些实际应用。 对于影响人类购买行为的因素，书中大部分解释实际上没有达到神经层面，而只是决策行为层面。比如，人的决定经常受到非理性、潜意识以及习惯的影响。这些理论是认知心理学和经济学结合的产物，即行为经济学。  Daniel Kahneman  正是由于在这领域的杰出贡献而获得2002年诺贝尔经济学奖。相比于比较完善的行为经济学的理论，书中提到真正与神经有关的理论恐怕只有镜像神经元 (mirror neuron)和躯体标识器假设 (Somatic Marker Hypothesis)。镜像神经元恐怕是认知神经科学领域很重要的一个发现，但书中应用镜像神经元解释人的购买行为却不太合理。你看到其他人戴带着白色耳机线的ipod，导致你的镜像神经元激活，所以你也想买一个同样的ipod。镜像神经元理论只是说人们在观察别人行动时会激活自己做相同行动时所用的脑区，即镜像神经元。激活自己做动作的脑区只是理解对方行为的一种途径，并不代表自己想要做同样的事情。 本书作者和其他一些研究者还做了一些功能磁共振 (fMRI)和脑电 (EEG)的研究，试图说明人们为什么买某一类商品，或者预测某些广告是否会成功。可惜的是，两类研究的逻辑都是错误的。比如，作者试图说明人们对某些品牌的偏好类似于某种宗教信仰。因此作者对比了人们看某些“强势品牌”和“弱势品牌”时大脑活动的差异，发现激活的区域与宗教体验激活的区域相似。但这种相似并不能说明人们偏好某品牌与人们信仰宗教相似，因为fMRI数据分析只能得到统计性的结果，而且大脑某个区域的功能并不是非常非常特定的 (没有哪个专门的区域是单纯的负责“宗教体验”)。 另外，作者的研究还试图用人们观看广告片时的神经活动来预测该广告片时否会成功。首先，各种不同广告片之间的物理属性差异巨大，很难说明哪一个广告片会引起更大的注意。即使可以可靠的测量注意，在现实中广告的效应也很难单独由是否引起注意力决定。如果观众一连看了多个高度吸引注意的广告片，也许另外一个轻松的广告片更会被记住。 脑成像研究实际上有...

PPI (PsychoPhysiological Interaction)是一种分析fMRI数据有效连通性的一种方法。它可以用来验证大脑内两个区域之间的联系是否会受到实验任务的调制，即在条件A中两区域间的相关性是否大于条件B时的相关性。这种方法在1997年由Friston等人提出后，已经有了很多漂亮的应用，其中不乏Nature, Science级别的文章。下面是我搜集到了在Nature, Science和Nature Neuroscience上发表的使用了PPI分析的文章。如果要在fMRI数据分析中使用PPI分析，可以参考这些文献。 Stephan, K.E., et al., 2003. Lateralized Cognitive Processes and Lateralized Task Control in the Human Brain. Science 301(5631), 384 - 386. DOI: 10.1126/science.1086025 Klein, T.A., et al., 2007. Genetically Determined Differences in Learning from Errors. Science 318(5856), 1642 - 1645. DOI: 10.1126/science.1145044   Hare, T.A., et al., 2009. Modulation of the vmPFC Valuation System Self-Control in Decision-Making Involves. Science 324(5927), 646-648. DOI: 10.1126/science.1168450   Heinz, A., et al., 2004. Amygdala-prefrontal coupling depends on a genetic variation of the serotonin transporter. Nature Neuroscience  8, 20 - 21. doi: 10.1038/nn1366 Egner, T. & Hirsch, J., 2005. Cognitive control mechanisms resolve conf...

最早是斯坦福大学的法律与生物科学中心的 blog 报道了这一事件。在一项青少年性虐待的案件中，被告父母提供了一份 No Lie MRI 公司提供的他们没有说谎的fMRI扫描证据。下面是翻译连线杂志wired一篇文章( 原文 )。 在美国，辩护律师第一次向法庭提交了一份有争议的神经测谎报告作为证据。 在圣地亚哥即将开始的一项青少年性虐待案听证中，辩护方希望通过功能磁共振成像 (MRI)扫描来证明虐待并没有发生。fMRI扫描是通过测量血氧含量来显示大脑活动。 这项技术广泛用于大脑研究中，但作为测谎方法还没有被充分验证。任何技术要被加州法院接受，必须先在科学界被广泛接受。 进行此项大脑扫描的公司 "No Lie MRI" 声称他们的测试的 准确性超过百分之九十  ，但一些科学家和律师对此表示怀疑。 “目前的这些研究非常有趣。我认为它们值得进一步研究。但是这项技术非常新，只有很少的研究支持，更没有研究是在现实场景中完成的，”Hank Greely 在他写给Wired.com的e-mail中说。Greely是斯坦福大学法律与生物科学中心的负责人。 在1921年 生理多导测谎仪 发明之后，测谎技术一直诱惑着律师，但测试的精度一直被怀疑。Greely指出，美国法院和科学家有“ 85年的生理多导仪测谎的经验”，而且大量研究试图说明其准确性。但目前除了新墨西哥州，生理多导测谎仍然没有被法庭普遍接受。 其他的尝试试图使用不同的大脑信号测谎，比如印度开发的 以脑电图 (EEG)为基础的技术  。在印度，脑电测谎已经作为证据出现在了法庭上。去年，律师试图利用功能磁共振成像的证据达成工人对慢性疼痛的赔偿要求，但该案件达成庭外和解。如果证据被接受，圣地牙哥的案件将是美国法院第一次使用成像测谎检测作为证据。 根据 最先报告这个fMRI证据  的Emily Murphy说，该案件是一个保护儿童的听证会，以确定该儿童是否应该留在家里，还是因为其被性虐待而逮捕其父母。Murphy是 斯坦福大学法律与生物科学中心  的一名行为神经学家。 显然，被告父母聘请了 No Lie MRI 公司进行的大脑扫描。No Lie MRI公司总部设在圣地亚哥，测试设备在加州的Tarzana。该公司的报告说，fMRI实验表明被告声称无罪不是一个谎言。 该公司拒...