核磁数据分析学习笔记[02_预处理、GLM相关]

Struggle

一、关于shell

1、环境变量

• env|grep xx # 查找环境变量中包含xx的环境变量
  
• PATH 各种路径
  
  
  
  • 路径之间用：隔开
    
  • PATH=……：$PATH
    
  • 命令是在PATH中寻找的
    
  
  

2、补充一些常用命令

• 在文件夹中搜索包含特定字符的文件
  
  
  
  • find
    
    
    
    • find 路径 -name ‘* 字符 *’
      
    
    
  
  
• echo 输出
  
• ls -l dir # 查看权限
  ls -v 自然排序
  ls -a 显示所有（包括隐藏）
  
• grep （global search regular expression(RE) and print out the line，全面搜索正则表达式并把行打印出来）是一种强大的文本搜索工具，它能使用正则表达式搜索文本，并把匹配的行打印出来。用于过滤/搜索的特定字符。可使用正则表达式能配合多种命令使用，使用上十分灵活。
  

---

二、核磁数据分析

1、预处理

• 1、预处理在做什么
  
  
  
  • 结构：去皮、场不匀校正（磁场不均匀）、对齐到模板
    
    
    
    • 皮层重建：vertex-based会把沟的褶皱打开，平滑时会基于真实的距离，所以比volume-based更精准【皮层重建什么时候做？次序】
      
    • VBM（基于体素的形态学分析）的权衡【具体的trade-off是什么？】
      
    
    
  • 功能：
    
    
    
    • distortion
      
    • 对齐
      
      
      
      • 一步对齐：功能像–>EPI template
        
      • 两步对齐：功能像–>结构像–>标准模板(【better】a.同一个人的大脑结构相同，只需要做纺射变换；b.结构像的分辨率更高，对齐到模板更准)
        
      
      
    • 时间校正【ER设计要做，Block设计可不做】
      "SliceTiming":[0,1.00,0.25,1.25……] #[标记每个slice扫描的开始时间]
      
    
    
  
  
• 2、fMRIprep没有进行的预处理
  
  
  
  • （1）平滑
    
    
    
    • 平滑核的确定（半高全宽FWHM，高斯平滑核峰值半高两边对应的差值）
      
    • MVPA不需要平滑
      
    • 静息态功能连接在降噪后再进行平滑；任务态先GLM再平滑
      
    
    
  • （2）降噪
    
    
    
    • 降噪参数（nuisance regressor）的选用有不同策略
      
      
      
      • 策略比较链接
        
      
      
    • 降噪方法
      
      
      
      • 回归协变量
        
        
        
        • 功能连接时，对头动很敏感，降噪会回归掉更多的变量（头动6，平方项6，导数12+白质+脑脊液），否则会有很多虚报
          
        
        
      • ICA分离【不损失自由度】
        
        
        
        • (a)ICA-FIX(FSL-based，半自动，文献中常见——若受试人群有特殊人群（小孩、老人、患者）可选用)
          
        • (b)ICA-AROMA(FSL-based，全自动)
          
        
        
      
      
    • 任务态拟合GLM时包含降噪
      
    • 时间滤波（静息态在降噪时做，任务态在GLM低阶分析中做）
      
      
      
      • 低频噪声scanner drift：数据随着时间缓慢变化
        
      • 高通滤波——先做傅立叶变换，时域转频域，再把低频滤掉
        
      
      
    
    
  
  

2、GLM

   基本原理
  

• HRF（血液动力学函数）：a. initial dip；b. peak(plateau)；c.fall；d.undershoot
  
• 用自变量、混淆变量卷积HRF函数，逐个体素上拟合其随时间变化的实际BOLD曲线。
  
• GLM的前提：
  a.自变量独立
  b.自变量线性
  c.残差符从多元球形分析（残差独立同分布于一个平均数为0的正态分布）
  

   GLM在做什么？
  

• 额外工作？prewhitening？precoloring？
  
• 一阶GLM输出结果——被试水平
  
  
  
  • 参数估计结果（pe）：自变量+混淆变量的β值
    
  • contrast ：相当于配对样本t检验
    
  
  

   pybids package——索引文件
  

• dicom转换完的文件夹——code、derivativeas、subxx
  
  
  
  • derivatives 放衍生文件
    
  • 做完fMRIprep以后和glm分析生成的文件存在derivatives文件夹
    
    
    
    • fmeiprep,freesurfer,glm,mriqc,net……（每个被试文件夹——func和anal文件夹）
      
    
    
  
  
• pybids在python里面是bids
  
  1. layout = BIDSLayout（BIDS文件夹，derivatives = TRUE）
  2. #derivatives = TRUE -> 索引derivatives文件夹的bids格式文件
  3. #layout是返回的筛选出的满足的对象
  5. layout.get（        run，task，……）# 引用特定被试的预处理后的数据  
  6.         scope  = deriatives

  复制代码
• tutorial——教程链接
  

   susan——平滑
  

• 先安装niflow——pipx install niflow-nipype1-workflows
  
• 看一下nipype的interface/Node/Workflow/input/output 链接
  
  1. smooth = create_susan_smooth( )

  复制代码

---

三、一些快捷键

shell快捷键

• option + 左右键
  
• control + A 最左
  
• control + E 最右
  
• command + C 复制
  
• control + C 终止
  

jupyter快捷键

• enter 编辑状态
  
  
  
  • enter 后 按M——markdown
    
  • enter 后 按Y——code
    
  
  
• esc 查看状态
  
• 查看状态下 a——在上面加一个cell
  
• 查看状态下 b——在下面加一个cell
  
• shift+ enter——运行一个cell
  
• dd——删除一个cell
  

---

四、相关资料链接

• pybids pybids教程链接
  
• nipype nipype教程链接
  
• zim+powerlevel 10k+一些插件可以增强zsh的功能 链接
  
• spaceVIM（增强vim） 链接
  
• 安装homebrew 链接
  
• 一个git的很好的教程 链接
  
• fMRI数据分析python_code【from seven】 链接
  
• 一个做文献查文献的好工具【connectedpapers】 链接
  
• FSL培训课件【中文版】链接
  
• FieldMap讲解视频 链接
  

---

sth else

• conda——python的隔离环境
  
• 好用的终端——iterm
  

空间形变最敏感的是相位编码（phase-encode）
相位编码——y轴方向，前-后/后-前
梯度编码——z轴方向
频率编码——x轴方向，左-右

来源：https://blog.csdn.net/danielzou1001/article/details/125471977
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！