- 综合排序
- 最热优先
- 最新优先
- 来自专栏思影科技
Frontiers in Neuroscience：fMRI研究指南
fMRI因为能够提供对大脑功能的独特洞察而受到医生和研究人员的广泛欢迎。 然而，我们必须考虑多种技术因素，从实验设计到数据采集、数据处理以及方法的内在限制，以优化fMRI分析并对数据作出最准确和最有根据的解释。 关键词：fMRI，数据收集、预处理、分析 应用领域 fMRI技术被广泛应用于认知神经科学领域（比如感知运动功能、语言、视觉空间、注意、记忆、人格、决策、执行功能）以及成瘾、神经营销等等。 Power分析 fMRI研究因为样本量少、比较次数多导致统计效应低而一直为人诟病。另外也由于BOLD响应的不确定性等原因导致fMRI研究较少计算效应量。 结论和未来展望 fMRI目前在脑功能研究中很受欢迎，并有望在未来变得更加突出。本文旨在为新手提供fMRI研究的一套指南，从实验设计、数据采集到数据分析和结果汇报，希望能对大家有所帮助。
1.7K20发布于 2020-04-01 - 来自专栏锦小年的博客
FMRI数据分析与处理
功能像的处理是fMRI数据处理的关键。 是fMRI数据处理和分析的主要任务。可分为数据的处理、分析和结果的呈示（见图2）。 二、功能图像数据的处理 校正(Re-alignment)。 在最先的fMRI研究中 ，仅采用图像相减的简单方法来演示任务依赖的脑区域。 四、功能磁共振数据可视化方法 fMRI数据经过处理和分析，以直观的形式表现出来，以方便结果观察和引用。 以上简单介绍了fMRI数据处理与分析的原理及方法。这些步骤的实现均靠软件根据不同算法完成。专业软件多种多样，但方法和步骤都基本相同。
1.8K10发布于 2019-05-26 - 来自专栏思影科技
Neuron: MEEG-fMRI融合指南
M/EEG-fMRI融合的基本原则 要解决M/EEG和fMRI在不同时间点获得的神经反应映射，一种思路是在fMRI的空间位置和M/EEG的时间点之间引入固定的实验约束。 (F)最后，对M/EEG和fMRI RDMs进行相似性比较，确定M/EEG中的时间点与fMRI中的区域在表征相似性约束下的映射关系。 图6 M/EEG-fMRI融合的前景 (A) M/EEG-fMRI融合可以应用于任何M/EEG和fMRI已经分离应用的领域。 (B) M/EEG-fMRI融合可与脑刺激相结合，揭示其作用，建立神经反应与行为之间的因果关系。 (C)通过fMRI融合，进行M/EEG和fMRI研究的创新，揭示神经加工的新方面。 因此，单独检查M/EEG或fMRI信号在时间和空间域上可能比M/EEG和fMRI结合融合时显示更多的信号。
2.2K41发布于 2021-04-23 - 来自专栏锦小年的博客
fMRI数据分析处理原理及方法
功能像的处理是fMRI数据处理的关键。 是fMRI数据处理和分析的主要任务。可分为数据的处理、分析和结果的呈示（见图2）。 二、功能图像数据的处理 校正(Re-alignment)。 在最先的fMRI研究中 ，仅采用图像相减的简单方法来演示任务依赖的脑区域。 四、功能磁共振数据可视化方法 fMRI数据经过处理和分析，以直观的形式表现出来，以方便结果观察和引用。 以上简单介绍了fMRI数据处理与分析的原理及方法。这些步骤的实现均靠软件根据不同算法完成。专业软件多种多样，但方法和步骤都基本相同。
2.9K20发布于 2019-05-27 - 来自专栏锦小年的博客
课程笔记2--fMRI数据结构
在磁场等条件一样时，fMRI扫描出的图像的时间分辨率越高/低，对应的空间分辨率就越低/高，很多时候我们需要根据不同的情况在两者之间找到一个平衡点。
2.5K21发布于 2019-05-26 - 来自专栏锦小年的博客
课程笔记6--fMRI的噪音来源
BOLD fMRI包含多种来源的噪音，与设备本身和被试本身相关 噪音的来源 －系统内自由电子的热运动 －磁场和其梯度的不稳定性 －头动及其对磁场的交互影响 －生理影响：心跳、呼吸，co2浓度 这些噪声如何在数据内出现 所有fmri的数据都有一些伪影，在做数据分析的时候如果遇到严重的伪影问题是很难处理的，所以我们需要在数据获取的时候就尽量避免。 漂移： 在fmri中的单个体素强度信号随时间的缓慢变化(低频噪音)，扫描器的不稳定是漂移的主要成因，因为即使是对尸体的扫描中也可以看到漂移，不过生理噪音也是很重要的 我们需要在预处理与进行数据分析时都考虑到漂移的问题 建模fmri噪音 许多噪音部分可以在分析之前被去除，包括低频漂移与图片的异常值鉴别，不过是无法去除所有噪音的，有一些显著的自相关还是经常会留在信号内的。 ，在fmri中我们经常用自回归(AR,autoregressive)或者自回归运动平均（autoregressive moving-average ，ARMA）处理来建模自相关 总体来说，噪音的时空行为处理是很复杂的
1.4K20发布于 2019-05-26 - 来自专栏脑机接口
EEG vs MRI vs fMRI vs fNIRS简介
想要获得大脑活动的图像，这就需要使用fMRI的技术了。 什么是fMRI(功能磁共振成像呢)呢？ 这是我们在fMRI看到的数据，通常可以在MRI图像上看到。 ? fMRI的一个缺点是时间分辨率。由于血流变化需要几秒钟的时间，并且实际记录受到计算因素的限制，因此数据收集速度变慢。 fNIRS进行脑功能成像的原理与fMRI相似，即大脑神经活动会导致局部的血液动力学变化。 fNIRS在这几种技术中最大的优势在于其时间分辨率比fMRI技术快，空间分辨率比EEG技术大，还有更重要的特点在于其便携性和伪影干扰小。 参考： https://imotions.com/blog/eeg-vs-mri-vs-fmri-differences/
2K10发布于 2020-06-30 - 来自专栏脑电信号科研科普
重磅综述：用于可靠的fMRI测量的策略
然而，这些方法在fMRI研究中尚未得到充分的应用。 在这篇综述中，我们开始描述历史趋势，促成了广泛的在个体差异研究中使用不可靠的fMRI测量。 fMRI的第一个十年始于一个技术触发器，随后是迭代开发、广泛采用和对fMRI转化为我们理解和治疗从抑郁症、精神分裂症到阿尔茨海默病的进步的期望(图2)。 首先，在fMRI成熟和前景的推动下，大型联合研究(如人类连接体项目，英国生物银行的建立，明确的目标是使用实验认知神经科学的fMRI任务来测量大脑功能的个体差异。 图2 fMRI研究的时间线 3. ME-fMRI是一种新兴的、基于生物物理学原理的方法，可以从fMRI数据中分离和去除噪声和非bold源的方差。
61010编辑于 2022-01-19 - 来自专栏锦小年的博客
课程笔记8--fMRI的数据预处理
图 1 fMRI数据预处理流程 在这个模块中我们会讨论将图像与脑图谱模板（atlas template）配准及平滑（smoothing）的过程。 图 4 平滑核尺寸对激活检测造成影响的例子 最后，再来回顾一下fMRI数据预处理的流程（如下图 5所示），扫描得到的结构像和功能像都需要进行预处理。
5.7K40发布于 2019-05-26 - 来自专栏脑机接口
Nilearn教程系列(4)-fMRI解码入门教程(一)
fMRI解码入门教程 功能性磁共振成像（FMRI，functional magnetic resonance imaging）是一种新兴的神经影像学方式，其原理是利用磁振造影来测量神经元活动所引发之血液动力的改变 = masker.fit_transform(fmri_filename) # 打印frmi_masked print(fmri_masked) # 查看其形状 print(fmri_masked.shape = fmri_masked[condition_mask] # 打印其形状 print(fmri_masked.shape) (216, 464) conditions = conditions[condition_mask 标签为：conditions """ svc.fit(fmri_masked, conditions) """ 预测数据 对fmri_masked数据进行预测， 得到其对应的标签 """ prediction = svc.predict(fmri_masked) print(prediction)
89020编辑于 2022-08-18 - 来自专栏脑电信号科研科普
追踪任务期间fMRI功能连接的空间动态
功能磁共振成像(fMRI)测量的功能连通性(FC)为探索大脑组织提供了一个强有力的工具。脑组织的时间动力学研究表明，功能连接体具有很大的时间变异性，这可能与心理状态的转变和/或适应过程有关。 我们将我们的方法应用于22名受试者的听觉oddball任务(AOD)中的fMRI数据，试图通过评估空间连通性是否随任务条件而变化来捕获/验证该方法。 然后，我们将我们的方法应用于当个体执行一个oddball的任务时收集的fMRI数据集。目标是开发一种有效的方法来提取空间连接模式作为时间的函数，分析它们的空间动态，并识别与各种任务条件相关的空间调制。 图4 目标和fMRI成分时间序列之间的时间动态趋势 k = 4时的聚类结果如图5所示。任务引导状态的特征是形心(图5 A)，形心的出现是时间的函数(图5 B)。
72530编辑于 2022-01-04 - 来自专栏脑机接口
上海大学杨帮华教授脑机团队提出基于fMRI加权EEG的异步fMRI-EEG运动想象解码方法
Processing and Control》（SCI中科院分区，工程技术大类二区，IF: 3.88）发表一篇题为 “The unilateral upper limb classification from fMRI-weighted 最后，利用fMRI加权CNN对四类运动想象任务脑电数据进行分类。功能磁共振成像实验验证了单侧上肢四类运动想象任务的可区分性，不同任务对大脑运动区域的影响。 实验范式 功能磁共振成像加权CNN 被试者的通道权重 本文提出一种基于fMRI加权EEG的异步fMRI-EEG运动想象解码方法，该方法在12名健康被试的四类单侧上肢运动想象任务中表现出47.0%的平均分类精度 马骏，上海大学机电工程与自动化学院在读博士，研究方向为运动想象脑机接口，脑卒中康复，深度学习，fMRI数据分析。
69020编辑于 2023-02-13 - 来自专栏锦小年的博客
课程笔记1--fMRI简介以及数据分析
，如阿片类药物和多巴胺，在脑中的释放 fMRI：可以探测到大脑结构和他的动态变化 ，大脑的动态变化是怎么看到的呢？ fmri是一种非侵入技术：fmri扫描没有已知的副作用，在fmri实验中，在被试完成任务时测量一系列的大脑图像，然后单个图片的测量信号的变化被用来推断任务－相关的脑活动。 fmri是在一段时间内多次测量测量大脑某块区域 每一个这些大脑区域大约包含100，000不同的voxels（体素）。 这些小块是fmri分析的基石，他们被称为体素(voxel)或者(volume elements)。 ? 每个体素都有一个数字（在这里代表强度）和空间位置与之对应。 血流响应函数(hemodynamic response function,HRF)，代表神经活动触发的fmri响应 ?
5K52发布于 2019-05-26 - 来自专栏脑电信号科研科普
fMRI时变功能连接的数据和模型考虑
估计时变FC的一种方法是使用基于状态的模型，该模型将fMRI时间序列描述为状态的时间序列，每个状态都有一个相关的FC特征模式。 在这里，我们的目标是量化数据的性质和模型参数的选择如何影响模型检测FC时间变化的能力，使用模拟fMRI时间过程和静息状态fMRI数据。 在fMRI中，FC可以通过测量不同区域如何在其血氧水平依赖(BOLD)信号中共同激活来获得。 了解fMRI中FC的这些时间变化(即时变FC)有助于解决一系列问题，从人类认知的理论研究到更好地描述不同的神经和精神疾病。在fMRI中建模时变FC有几种方法;最近的综述见Lurie等人(2019)。 数据按照HCP预处理管道进行预处理，用于静息态fMRI。
1.4K10编辑于 2022-09-05 - 来自专栏机器之心
脑机接口、脑波和fMRI，AI正在掌握读心术
fMRI 又是如何检测这种活动的？ 当一个大脑区域中的神经元开始发出比之前更多的电信号时，我们就说这个大脑区域更活跃了。 所以当信号留存时间更长时，fMRI 就知道该区域有更多氧，也就说明这里更加活跃。用颜色编码这种活动之后，就能得到 fMRI 影像。 他们提出了一种非侵入式的解码器，可以根据 fMRI 记录中语义含义的大脑皮层表征而重建出连续的自然语言。 如图所示，在 A 阶段，使用 SC-MBM（稀疏编码的掩码大脑建模）在 fMRI 上进行预训练。然后为 fMRI 随机加掩码，再将它们 token 化成大型嵌入。 使用一个隐含维度投射算法，通过两条路径将 fMRI 隐含空间投射到 LDM 条件空间。其中一条路径是直接连接 LDM 中的交叉注意力头。另一条路径是将 fMRI 隐含量加到时间嵌入中。
70930编辑于 2023-05-16 不同的神经状态会影响fMRI功能连接的估算
在这里，我们回顾了形成fMRI FC的量化效应的最新进展，并讨论了这些发现在设计和分析fMRI研究中的广泛意义。 更完整地描述状态相关的神经因素，以及它们在fMRI数据中的时空特征，以及神经调节影响和皮质-皮质复发活动之间的相互作用，可以使fMRI的功能映射更加精确和高效。 例如，fMRI活动和相关模式已被证明可以反映知觉状态、持续注意力和警觉性。也有研究表明，内部状态的标记可能来自fMRI信号本身。 通过功能磁共振成像(fMRI)信号和连通性测量对觉醒信号的清晰理解，可以更精确地描述包括觉醒本身在内的大脑功能。fMRI时间序列和FC测量都被觉醒调节(图1)。 鉴于alpha振荡也与fMRI网络活动和FC的变化有关，进一步的工作可能会检查感知相关的SCP或alpha波段的变化是否反映在fMRI振幅或FC上。
24810编辑于 2025-09-28- 来自专栏思影科技
思影科技功能磁共振(fMRI)数据处理业务
随着技术的进步，功能磁共振成像（fMRI）已成为脑疾病、认知神经科学等领域的重要研究手段。思影科技紧随潮流，推出了一系列fMRI数据处理培训课程，广受相关领域研究者们的好评。 图示：RSA分析方法的流程示意图 （5）结果可视化（参考常规fMRI指标可视化） ? ICA空间分析结果可视化参考常规fMRI指标可视化；FNC结果可使用圈状图可视化。 基于回归模型，分析不同模态指标的耦合程度（如前述常规fMRI指标与脑血流的耦合）。 （2）典型相关分析（CCA）。 基于多模态CCA框架（mCCA），融合功能磁共振（fMRI）、结构磁共振（sMRI）、脑电（EEG）等模态数据，估计出一系列融合成分，并对成分做统计分析。 ?
2.8K31发布于 2020-04-02 - 来自专栏思影科技
Magnetic Resonance Imaging:白质fMRI及静息态功能连接
在脑白质中可以稳定的检测到功能磁共振成像(fMRI)信号，但是在fmri相关文献中很大程度忽视这类结果。他们的本质、相关解释以及作为脑功能潜在的预测因子的相关说明还有待研究，甚至还存在着争议。 考虑到在既往25余年fmri研究的成功应用，确实很少文献说明WM的出现阳性的结果。 弥散磁共振成像数据处理提高班 脑影像机器学习班 第十五届磁共振脑网络数据处理班（南京4.13-18） 第六届任务态fMRI专题班（重庆4.8-13） 思影数据处理业务一：功能磁共振（fMRI） 目镜式功能磁共振刺激系统介绍 第二种基本方法是基于对WM血流动力学变化可能比皮层反应滞后且需要更长的时间的观察，因此，用于分析fMRI数据的通用线性模型可能不合适WM。 图11的结果显示了通过进行傅里叶变换，得到GM和WM的fmri信号在block上的平均幅度变化，以及在GM和WM区信号随闪烁频率的变化。
1.3K11发布于 2020-03-21 - 来自专栏思影科技
《大话脑成像》系列之五——fMRI中的FDR校正
佩大神说他一百万美元不要了，都要关注思影科技！ 当我们招完被试（求爷爷拜奶奶，四处张贴小广告），收完数据（每天晚上拖着疲倦的身体扫被试到凌晨），做完预处理，统计（一次次的报错，一次次的求大神帮忙），过五关斩六将，认为自己马上将要发SCI,走上人生巅峰的时候，不好意思，你还需要面对最残酷无情的对手：多重比较校正，比如FDR校正。当我们按下SPM中FDR按钮后，玻璃脑中空白一片，然后你的心哇凉哇凉的：What the !!!!!，又没通过校正！白跑了这么久的数据，浪费了实验室这么多电，老板会不会打我？
2.8K61发布于 2018-04-08 - 来自专栏锦小年的博客
Nilearn学习笔记2-从FMRI数据到时间序列
通过前面的学习了解，我们知道最原始的Fmri数据是4维的，包含三围的空间信息和一维的时间。在实际应用中，我们更多的是利用大脑图像时间序列做研究分析，因为无法直接使用fmri数据做相关研究。 mask 在所有的分析之中，我们第一步所做的事儿都是把四维fmri数据转换为二维矩阵，这个过程称为MASK。通俗的理解就是提取我们能利用的特征。 通过mask得到的二维矩阵包含一维的时间和一维的特征，也就是将fmri数据中每一个时间片上的特征提取出来，再组在一起就是一个二维矩阵。如图所示： ? ?
3.8K70发布于 2018-01-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号