認(rèn)知神經(jīng)科學(xué)的分析方法并不總是與豐富的功能磁共振成像數(shù)據(jù)相匹配。早期的方法側(cè)重于估計單個體素或區(qū)域內(nèi)的神經(jīng)活動，在trials或blocks上取平均值并在每個被試中分別建模。這種方法大多忽略了神經(jīng)表征在體素上的分布特性、任務(wù)期間神經(jīng)活動的連續(xù)動態(tài)、在多個被試上進(jìn)行聯(lián)合推斷的統(tǒng)計學(xué)方面的優(yōu)勢以及使用預(yù)測模型約束分析的價值。最近一些探索性的和理論驅(qū)動的方法已經(jīng)開始尋找具備這些特性的方法。這些方法強(qiáng)調(diào)了計算技術(shù)在功能磁共振影像（fMRI）分析中的重要性，特別是機(jī)器學(xué)習(xí)、算法優(yōu)化和并行計算等計算技術(shù)。采用這些技術(shù)將使新一代的實(shí)驗(yàn)和分析成為可能，這些實(shí)驗(yàn)和分析將改變大家對大腦中一些最復(fù)雜、最清晰的人類信號的理解，如：思考、意識和記憶等認(rèn)知行為。本文發(fā)表在Nature neuroscience雜志。

人類大腦成像技術(shù)起源于放射學(xué)，最初涉及放射性示蹤劑(例如，正電子發(fā)射斷層掃描(PET))，隨后發(fā)現(xiàn)MRI可以測量與神經(jīng)活動相關(guān)的內(nèi)在血流動力學(xué)信號(功能性MRI或功能性核磁共振成像)?；诜派湫允聚檮┑臄?shù)據(jù)的初步分析量化了絕對活性，減法方法的應(yīng)用（測量實(shí)驗(yàn)條件與對照條件的相對活性）使分析更加簡單。最早的方法是使用t檢驗(yàn)統(tǒng)計比較每個位置（體積像素或“體素”（voxels））的測量結(jié)果。 這可以估算每個體素活動根據(jù)實(shí)驗(yàn)操作而發(fā)生的變化，并用于構(gòu)建此類統(tǒng)計數(shù)據(jù)的“地圖”，從而表明大腦中活動的分布。這種簡單的方法面臨局限性：

首先，它涉及二進(jìn)制比較，這在識別連續(xù)過程時可能不夠強(qiáng)大。這部分由參數(shù)設(shè)計解決，該設(shè)計使用回歸來識別以預(yù)測方式響應(yīng)的體素。

其次，相對于神經(jīng)活動，早期的方法受到血液動力學(xué)反應(yīng)的延遲和延長過程的影響。人們通常通過假設(shè)跨區(qū)域和個體具有連續(xù)的函數(shù)來開發(fā)反卷積（deconvolution）方法來解決這一問題。

第三，大腦成像數(shù)據(jù)的規(guī)模和統(tǒng)計比較的數(shù)量存在出現(xiàn)錯誤發(fā)現(xiàn)（I型錯誤）的高風(fēng)險；因此，開發(fā)出了在校正多重比較時利用有關(guān)數(shù)據(jù)先驗(yàn)的方法（例如，空間連續(xù)性）。

這些方法的發(fā)展以及對最重要的預(yù)處理方法（運(yùn)動校正，時間層校正，時間和空間平滑以及跨個體的解剖對齊）的共識，共同導(dǎo)致了標(biāo)準(zhǔn)軟件工具箱的創(chuàng)建，這些工具箱已被廣泛使用了二十年。它們對功能磁共振成像研究產(chǎn)生了積極而深遠(yuǎn)的影響，實(shí)現(xiàn)了該領(lǐng)域的技術(shù)標(biāo)準(zhǔn)化并促進(jìn)了這些方法的傳播。 隨著整個科學(xué)領(lǐng)域中新穎的數(shù)學(xué)，統(tǒng)計和計算技術(shù)的出現(xiàn)，以及技術(shù)和計算能力的迅猛增長，這些工具不斷發(fā)展并出現(xiàn)了新的工具。接下來，本文將討論其中的一些較新的技術(shù)發(fā)展，主要關(guān)注于日趨重視的新型計算方法。

回顧高級功能磁共振成像分析

在過去十年開發(fā)的功能磁共振成像分析方法中，顯然可以證明計算在神經(jīng)科學(xué)中的核心作用。這些方法建立在計算機(jī)科學(xué)和工程學(xué)（例如，機(jī)器學(xué)習(xí)，圖論，控制理論）以及這些領(lǐng)域的進(jìn)步（例如，軟件和硬件優(yōu)化以及并行化）的技術(shù)和概念的基礎(chǔ)之上，這些技術(shù)和概念允許這些以及更多的傳統(tǒng)方法可以更高效并且更大規(guī)模地運(yùn)行。對神經(jīng)科學(xué)產(chǎn)生了數(shù)量和質(zhì)量上的影響。在這里，本文回顧了三種現(xiàn)代分析方法。

      多變量分析 與考察單個體素或區(qū)域的單變量方法相反，多體素模式分析（MVPA）考慮所有體素活動的空間模式，以恢復(fù)它們共同代表的信息。這些方法是有效的，盡管其原因尚有爭議。一方面，MVPA可能對亞體素尺度的信息敏感，因?yàn)樯窠?jīng)元群體在體素上呈現(xiàn)異質(zhì)分布。另一方面，信息的空間分布可能反映了由體素采樣的大尺度圖譜，在這種情況下，MVPA無法提供神經(jīng)選擇性的更精細(xì)證據(jù)。解決此問題的一種有價值的方法是對神經(jīng)元活動如何在體素水平上進(jìn)行建模，包括考察體素大小，認(rèn)知功能的分布和血管舒張反應(yīng)如何影響模擬體素活動模式中保留的信息。

MVPA的最常見形式是使用機(jī)器學(xué)習(xí)中的分類器（圖1a），通常是線性模型，例如邏輯回歸。分類器為每個體素學(xué)習(xí)一個權(quán)重，這些權(quán)重一起確定不同認(rèn)知狀態(tài)之間的決策邊界。在訓(xùn)練期間，將調(diào)整權(quán)重以最大程度地使決策邊界分隔不同的認(rèn)知狀態(tài)。為了避免噪聲過擬合，通常會約束分類器的復(fù)雜度，包括使用正則化，這會懲罰不好的或不太可能的解決方案（例如，較大的權(quán)重）。在新數(shù)據(jù)上進(jìn)行測試時，權(quán)重用于計算體素活動的加權(quán)總和，將其與邊界進(jìn)行比較以猜測類別。分類器可以以滑動窗或者感興趣區(qū)域（ROI）的方式應(yīng)用于整個大腦。    

Figure 1 MVPA的類型 

(a) 基于分類器的MVPA學(xué)習(xí)一個邊界，該邊界可區(qū)分與不同認(rèn)知狀態(tài)（例如，面部表情與場景表情）相關(guān)的fMRI模式。

(b) 基于相似度的MVPA涉及計算fMRI模式之間的成對距離矩陣，以及（可選）將此矩陣與其他相似度矩陣進(jìn)行比較（例如，根據(jù)有關(guān)概念相似性的認(rèn)知理論進(jìn)行的預(yù)測）。

基于分類器的MVPA已被用于內(nèi)部認(rèn)知狀態(tài)的測量，例如被試正在思考或記住的內(nèi)容。 此類研究通常會跟蹤在fMRI中易于區(qū)分的狀態(tài)（例如，面部和場景處理）。但是，一些研究成功解碼了更細(xì)粒度的狀態(tài)。這種通用方法的一個挑戰(zhàn)是分類器是概率性的并且判別能力存在差異，因此，控制那些與目標(biāo)變量容易混淆的因素尤其重要，例如任務(wù)難度和反應(yīng)時間。

MVPA的第二種主要類型集中在體素模式的相似性上（圖1b）?；顒幽Ｊ奖灰暈楦呔S體素空間中的點(diǎn)，其中點(diǎn)之間的距離表示它們的相似性。與其使用分類器劃分空間，倒不如將其視為成對距離的矩陣。矩陣的結(jié)構(gòu)可以通過將其與其他相似性矩陣（例如來自人類判斷或計算模型的相似性）進(jìn)行比較，從而來揭示區(qū)域中編碼的信息?；谙嗨贫鹊?span>MVPA也已用于跟蹤學(xué)習(xí)是如何影響神經(jīng)模式。 這種一般方法與基于分類器的MVPA不同，所有體素的權(quán)重均相等，因此存在信息不足或被噪聲特征污染的風(fēng)險。 另一個風(fēng)險是，模式相似性很容易混淆，包括通過單變量活動和時間鄰近性：在這種情況下，對相似性的影響可能被解釋為神經(jīng)模式在表示空間中匯聚或發(fā)散，而實(shí)際上神經(jīng)模式的底層結(jié)構(gòu)并沒有改變。

      實(shí)時分析 在正常的工作流程中，fMRI數(shù)據(jù)收集之后，將從掃描儀傳輸?shù)椒?wù)器上，然后在數(shù)周，數(shù)月或數(shù)年內(nèi)進(jìn)行離線分析。通過在數(shù)據(jù)收集期間而不是在數(shù)據(jù)收集之后進(jìn)行分析，可以在幾秒鐘內(nèi)獲得結(jié)果呢？這個問題引起了大家對實(shí)時功能磁共振成像的興趣。作為研究工具，實(shí)時功能磁共振成像為訓(xùn)練和/或新穎的實(shí)驗(yàn)設(shè)計提供了機(jī)會。特別是，通過動態(tài)分析數(shù)據(jù)，可以將結(jié)果用于調(diào)整正在進(jìn)行的實(shí)驗(yàn)（圖2）。

Figure 2 實(shí)時功能磁共振成像的使用方法。在一個大腦核磁影像獲取、預(yù)處理并分析之后，在下一次采集完成之前，將分析結(jié)果用于更新實(shí)驗(yàn)代碼。神經(jīng)反饋結(jié)果可以三種通用方法融合。

首先，他們可以使用刺激的大小，量表或刺激本身的一種量化結(jié)果顯示給被試，其想法是這種神經(jīng)反饋將使被試能夠完善自己的策略并學(xué)會控制活躍的腦區(qū)或神經(jīng)表征。

其次，實(shí)驗(yàn)者可以使用分析結(jié)果來觸發(fā)試驗(yàn)的開始，以檢驗(yàn)關(guān)于某個腦區(qū)的激活（或抑制）對所關(guān)注的認(rèn)知過程或行為的貢獻(xiàn)的假設(shè)。

第三，實(shí)驗(yàn)者可以使用分析結(jié)果來調(diào)整實(shí)驗(yàn)參數(shù)，或者重復(fù)進(jìn)行那些不確定的神經(jīng)反應(yīng)的實(shí)驗(yàn)。無論采用哪種方法，最終結(jié)果都是一個時間步長的大腦活動會影響被試在下一時間步長的反應(yīng)，進(jìn)而影響他們的大腦活動，進(jìn)而影響他們的反應(yīng)等等。如果將大腦和實(shí)驗(yàn)緊密地結(jié)合在一起，則該設(shè)計可以稱為“閉環(huán)”。 TR表示重復(fù)時間，即下一次采集的開始。

最廣泛采用的調(diào)整方法包括嘗試通過被試的大腦活動（神經(jīng)反饋）的反饋來影響被試。 受傳統(tǒng)上使用腦電圖進(jìn)行生物反饋的啟發(fā)，通常是通過訓(xùn)練被試增加或減少某些認(rèn)知過程或障礙所涉及的腦區(qū)活動。 fMRI神經(jīng)反饋已在臨床上用于治療慢性疼痛，抑郁和成癮，以及探索基本的認(rèn)知功能。

值得注意的是，從這個領(lǐng)域早期開始就存在實(shí)時功能磁共振成像和神經(jīng)反饋，盡管在此期間取得了一些成功，但這些方法在最近開始復(fù)興起來了。一個可能的原因是，該領(lǐng)域?qū)ι窠?jīng)反饋何時起作用有了更好的了解，最近的研究是哪些心理策略有效，哪些大腦區(qū)域更可控而不是參與控制。MVPA相關(guān)方法的增長可能對此也有所貢獻(xiàn)，因?yàn)榭刂铺囟ǖ男睦韮?nèi)容（反應(yīng)在分布式表征中）可能比控制與多種認(rèn)知功能相關(guān)的區(qū)域的平均活動水平更容易。此外，以閉環(huán)的方式（例如，通過刺激對比或任務(wù)難度）將反饋合并到認(rèn)知任務(wù)中，可能會使被試感到更加自然，并且可以實(shí)現(xiàn)比通常使用的量表更大的實(shí)時設(shè)計范圍。 盡管如此，fMRI神經(jīng)反饋始終受到滯后的血液動力學(xué)的限制，因此神經(jīng)反饋可能能為認(rèn)知和神經(jīng)過程提供最為豐富的信息，這些過程緩慢漂移，因此盡管存在延遲，但在反饋時可能處于相似狀態(tài)。

在神經(jīng)反饋研究中，被試使用實(shí)時結(jié)果來更改其策略或行為。實(shí)時功能磁共振成像的其他主要類別更加注重實(shí)驗(yàn)者對結(jié)果的處理方式。在“觸發(fā)”設(shè)計中，實(shí)驗(yàn)控制裝置監(jiān)視大腦區(qū)域的活動水平，并在活動量較低或較高時啟動試驗(yàn)，并預(yù)測這兩種情況下產(chǎn)生的不同行為。這可能會增強(qiáng)fMRI的因果關(guān)系，因?yàn)榇竽X活動是一個獨(dú)立變量，因此有可能（通過適當(dāng)?shù)目刂茀^(qū)域）了解給定區(qū)域是否足以滿足行為要求。在“自適應(yīng)”設(shè)計中，實(shí)驗(yàn)者不是確定是否進(jìn)行試驗(yàn)（無論大腦如何活動都定期進(jìn)行試驗(yàn)），而是確定下一次試驗(yàn)的內(nèi)容（例如刺激或任務(wù)）。這樣做的目的是通過調(diào)整刺激參數(shù)直到區(qū)域的響應(yīng)達(dá)到最大來表征視覺系統(tǒng)的調(diào)整特性，但也可以用于檢查各種系統(tǒng)（例如，涉及注意力或記憶力的系統(tǒng)）。      

基于模型的分析 fMRI中計算模型的關(guān)鍵用途是定義感興趣的假設(shè)信號。接近外圍的過程（例如視覺感知）通常涉及具體的，可量化的變量，這些變量相對容易概念化、操縱和度量。 例如，與測試更抽象的構(gòu)造（例如預(yù)測誤差或置信度）相比，如何設(shè)計實(shí)驗(yàn)來測試大腦區(qū)域參與彩色視覺的過程似乎會更清楚。其優(yōu)點(diǎn)不僅在于色彩的方式更加直觀，而且視覺心理學(xué)和神經(jīng)科學(xué)長期以來一直由堅實(shí)的計算理論（通過信號檢測理論等形式主義）作指導(dǎo)。這些理論最初來自工程學(xué)，但如今已根深蒂固于實(shí)驗(yàn)設(shè)計和分析中，它們指出了感知實(shí)驗(yàn)的關(guān)鍵步驟以及如何評估其操作。

Figure 3 基于模型的功能磁共振成像的示意圖。計算模型（頂部；錯誤驅(qū)動的獎勵學(xué)習(xí)模型）可用于生成內(nèi)部變量的候選時間序列（藍(lán)色的值V和紅色的預(yù)測誤差δ）。在通過平滑處理解決血液動力學(xué)滯后（中間）之后，這些變量可用作回歸器，以尋找大腦中（底部）相關(guān)的BOLD活動，從而產(chǎn)生可被視為用于執(zhí)行或跟蹤模型中相應(yīng)計算過程的候選區(qū)域。α，學(xué)習(xí)率參數(shù)。

相比之下，高級的認(rèn)知過程（例如決策，估值，控制和社會互動）從計算理論中受益較慢，這些計算理論要求能夠量化這些認(rèn)知指標(biāo)。這些認(rèn)知過程的計算模型（例如，強(qiáng)化學(xué)習(xí)，決策理論，貝葉斯推理和博弈論）已越來越多地用作開發(fā)有關(guān)基礎(chǔ)計算的精確假設(shè)的工具。例如，強(qiáng)化學(xué)習(xí)指定了當(dāng)前選擇結(jié)果如何影響未來的決策，而博弈論則描述了社會主體如何回應(yīng)彼此的行為。這些假設(shè)又可以用于生成有關(guān)神經(jīng)信號的預(yù)測（圖3）。具體來說，如果模型正確地模擬了大腦中的計算過程，則可以使用該模型來估計時變信號，以用于其他主觀的、隱藏的變量。變量之間的相關(guān)性可以在大腦中尋找。

基于模型的功能磁共振成像使研究人員可以在大腦中定位模型變量。一旦知道了它們的位置，就可以在以后的實(shí)驗(yàn)中讀取這些信號，并使用它們來估計參數(shù)，以通過模型比較以及上述各種實(shí)時設(shè)計來判斷被試正在進(jìn)行哪些計算過程（例如預(yù)測對手的行為，計算決策變量）。最近的工作進(jìn)一步推動了這一領(lǐng)域的發(fā)展，特別是通過將模型計算得出的時間序列與其他功能磁共振成像分析方法相結(jié)合，包括視覺類別解碼和重復(fù)抑制。 

高級功能磁共振成像分析的方法

經(jīng)驗(yàn)數(shù)據(jù)的數(shù)量和理論模型的復(fù)雜性都處于持續(xù)快速增長的階段。神經(jīng)科學(xué)面臨的主要挑戰(zhàn)是開發(fā)可以隨著這種增長而適當(dāng)擴(kuò)展的方法。在這里，文章討論了可解決此問題的可擴(kuò)展方法，以及有助于促進(jìn)這些方法的先進(jìn)的技術(shù)。     

尋找信號：識別有意義的波動模式的方法。由于數(shù)據(jù)的復(fù)雜性，如果每位被試的觀察次數(shù)較少，可能會妨礙fMRI分析。如果每個體素都被視為變化的維度，則可以將體素上的活動模式描述為這個高維空間中的點(diǎn)?？紤]到該空間的大小隨維數(shù)（體素）的增加而急劇增加，因此觀測值（volume）比體素少，這意味著與這些觀測值的活動模式相對應(yīng)的點(diǎn)將會非常稀疏地填充這個高維空間。這使統(tǒng)計分析變得困難且統(tǒng)計效力不足，例如會導(dǎo)致MVPA中決策邊界放置不當(dāng)，進(jìn)而影響分類性能。這種“維度災(zāi)難”只會因嘈雜的血氧動力學(xué)（BOLD）信號而進(jìn)一步加劇。面對這些挑戰(zhàn)，適合功能磁共振成像數(shù)據(jù)的模型需要約束條件，以幫助他們找到更大的噪聲堆中嵌入的信號“針”。這里，本文描述了可以共同提高識別有意義的認(rèn)知信號的能力的技術(shù)。

其中一種技術(shù)是共享響應(yīng)建模（shared response modeling，SRM），它將來自每個被試的fMRI信號響應(yīng)投影到一個低維空間中，該空間捕獲了不同被試之間時域信號共同的波動特點(diǎn)（Box 1；圖4-5）。如果給被試相同的刺激或任務(wù)序列（例如，一部電影），從而引導(dǎo)他們的大腦經(jīng)過一系列認(rèn)知狀態(tài)（例如，視覺，聽覺，語義），那么將識別出一系列與這些狀態(tài)高度相關(guān)的波動模式。SRM的另一個好處是可以幫助解決上述數(shù)據(jù)匱乏的問題：由于SRM空間是定義在共享的跨被試空間下的，因此可以在MVPA或其他分析之前合并來自多個被試的數(shù)據(jù)。無需SRM，跨被試的信號解碼也是可能的，但可能僅限于那些具有粗糙的神經(jīng)表征而因此可以容忍錯誤的認(rèn)知狀態(tài)。實(shí)際上，SRM通過在局部區(qū)域內(nèi)對齊細(xì)粒度的空間模式來精確地改善MVPA。 此外，除了改善對齊方式和提高其他分析的靈敏度之外，SRM本身的輸出還可以提供有用的信息。

側(cè)重于共享響應(yīng)的另一面是側(cè)重于個人特有的信號響應(yīng)。盡管這些響應(yīng)未包括在SRM中，但它們不一定是噪音，實(shí)際上在被試中可能是高度可信的。確實(shí)，SRM可以通過在刪除共享的組水平上的響應(yīng)后檢查殘差來分離特異于被試的響應(yīng)，或者可以將SRM分層應(yīng)用于殘差以標(biāo)識子組。更普遍的是，越來越多研究將個體差異視為fMRI中有意義的變化。認(rèn)識到信號存在于一個群體的平均反應(yīng)或共同反應(yīng)之外，此類研究利用特異的但穩(wěn)定的響應(yīng)來解釋大腦功能，行為表現(xiàn)和臨床指標(biāo)等先前無法解釋的差異。

第二種有前景的技術(shù)基于如何把與認(rèn)知功能相關(guān)的神經(jīng)表征的知識，通過施加空間先驗(yàn)的方式在fMRI提取的大腦模式上進(jìn)行正則化。 一個簡單但有力的想法是，這種表示是稀疏實(shí)現(xiàn)的：也就是說，只有給定的感興趣過程可以調(diào)控相關(guān)體素的子集。但是，僅僅有稀疏性是不夠的，因?yàn)榕c認(rèn)知相關(guān)的模式也傾向于在空間上呈現(xiàn)結(jié)構(gòu)化的特征，從而使附近的體素共同激活。貝葉斯層次模型在實(shí)現(xiàn)這種同時具有稀疏性和結(jié)構(gòu)化先驗(yàn)方面特別有效。這些模型支持靈活的空間先驗(yàn)規(guī)范，并在具有相同潛在結(jié)構(gòu)的獨(dú)立觀測之間享有一樣的統(tǒng)計效力，例如來自多個被試的數(shù)據(jù)。

Topographic factor analysis（TFA）是一種利用結(jié)構(gòu)化稀疏性的貝葉斯方法：fMRI圖像是根據(jù)少量（稀疏）的具有預(yù)定功能形式（結(jié)構(gòu)）（例如徑向基函數(shù)）的局部源來描述的 。 給定一組fMRI圖像，TFA首先會推斷最能描述圖像的源的數(shù)量，位置和大小，以及指定每個源在每個圖像中的活躍程度的源權(quán)重。因?yàn)樵吹臄?shù)量通常明顯小于fMRI數(shù)據(jù)集中的體素的數(shù)量，所以基于TFA源的計算比基于體素的計算效率高出幾個數(shù)量級。當(dāng)然，空間先驗(yàn)和降維都存在消除感興趣信號的風(fēng)險，因此需要探索更多方法來結(jié)合使用。

提取信號的第三種方法是計算體素或區(qū)域之間的協(xié)方差模式。這種“功能連接”可以編碼相關(guān)局部活動中不明顯的區(qū)域之間的交互作用的信息。其中某些過程可能確實(shí)是這樣的，例如注意力，其中某些腦區(qū)會控制及影響其他腦區(qū)。確實(shí)，功能連接幫助揭示了視覺選擇機(jī)制，持續(xù)注意力能力的標(biāo)記物和支持更加普遍的認(rèn)知任務(wù)的大腦網(wǎng)絡(luò)。

挑戰(zhàn)在于，體素協(xié)方差模式比原始數(shù)據(jù)（約10的十次方個體素對）大幾個數(shù)量級，從而增加了搜索所需要的信號針的計算空間的大小。一種有效的解決方案是這樣的：通過把大腦分成一組區(qū)域或者集群來減少所面對的問題的搜索空間的大小。但是，這需要對所研究的神經(jīng)過程所包含的功能“單元”進(jìn)行正確的假設(shè)，并且此類決策會影響最終的分析結(jié)果。上面描述的技術(shù)也可以幫助解決這個問題：關(guān)注被試之間共享的方差模式可以闡明腦連接的結(jié)果（box2；圖6）。最后，可以在全體素尺度上分析協(xié)方差模式，但這需要計算優(yōu)化和并行化。 完全相關(guān)矩陣分析（FCMA）對此進(jìn)行了解釋，該算法使用高級算法來計算多個時間窗內(nèi)每個體素與其他體素的成對相關(guān)性，并在這些相關(guān)性上訓(xùn)練分類器以解碼保留的時間窗，同時 將這些計算拆分到高性能計算系統(tǒng)的多個線程，內(nèi)核和節(jié)點(diǎn)上。FCMA的一些缺點(diǎn)包括其對強(qiáng)大的計算能力的需求以及解釋和可視化結(jié)果的難度（分類器上的體素權(quán)重）。

最后，在功能磁共振成像中可能存在重要的認(rèn)知狀態(tài)信息，這些信息并不以體素活動或體素之間的成對相關(guān)性表現(xiàn)，而是以高階網(wǎng)絡(luò)屬性顯示。這種關(guān)系可以通過圖論和拓?fù)鋽?shù)據(jù)分析來表征和量化。 

知道從哪里開始：用于指導(dǎo)和約束分析的模型。     

迄今為止，所描述的新方法通過利用統(tǒng)計和計算方法的進(jìn)步來進(jìn)一步識別和放大fMRI數(shù)據(jù)中的信號。但是，這些方法本身僅是探索性的。盡管這具有不偏不倚的優(yōu)勢，但它無法進(jìn)一步加深對大腦所執(zhí)行的功能的了解。

與所有形式的分析一樣，有用的先驗(yàn)信息可以大大減少搜索空間并提高檢測到感興趣信號的可能性。先驗(yàn)不僅可以來自神經(jīng)組織的一般原理（如上所述），還可以來自關(guān)于特定過程結(jié)構(gòu)的更具體的信息。這種結(jié)構(gòu)可能是由刺激引起的：例如，來自大型在線數(shù)據(jù)庫的單詞共現(xiàn)模式的計算分析已被用于約束對那些被感知到的fMRI數(shù)據(jù)的分析。結(jié)構(gòu)也可能來自有關(guān)潛在認(rèn)知機(jī)制的假設(shè)，特別是當(dāng)這些機(jī)制可以定量地體現(xiàn)時。但是，大多數(shù)此類基于模型的分析（如前所述）都使用了簡單的低維模型，通常是線性函數(shù)的形式。盡管這是一個有價值的開始，但是此類模型無法描述大腦中高維且非線性的處理過程。

這種更復(fù)雜的模型在認(rèn)知心理學(xué)上有著悠久的傳統(tǒng)。 隨著計算能力的進(jìn)步和更大的訓(xùn)練集的出現(xiàn)，這種方法在過去的幾年中出現(xiàn)了戲劇性的復(fù)興，最明顯的是“深度學(xué)習(xí)”這類感知模型的興起。神經(jīng)科學(xué)界開始通過將此類模型集成到神經(jīng)數(shù)據(jù)分析中來利用這些模型的強(qiáng)大性能。一種方法是從模型中模擬的神經(jīng)活動模式的相似性結(jié)構(gòu)進(jìn)行有關(guān)fMRI活動模式的相似性結(jié)構(gòu)的預(yù)測。通過這種方法，可以通過將模型的不同層映射到不同的大腦區(qū)域來生成關(guān)于神經(jīng)環(huán)路或信息處理過程的假設(shè)。

迄今為止，這類模型大多數(shù)成功應(yīng)用到視覺系統(tǒng)中的模型構(gòu)建。受到更高認(rèn)知水平過程的生物學(xué)啟發(fā)的模型能否提供關(guān)于其他大腦系統(tǒng)的類似有力的見解仍然是一個懸而未決的問題。 其中一個困難則是類似過程的“ground truth”難以定義：感知模型可以在數(shù)百萬張帶有明確標(biāo)簽的圖片上訓(xùn)練（標(biāo)簽上標(biāo)明了照片中包含了那些物體），但是沒有類似的記憶或思想語料庫，也沒有可接受的詞匯或描述其內(nèi)容的基礎(chǔ)數(shù)據(jù)集。即使存在這樣的數(shù)據(jù)，血液動力學(xué)響應(yīng)在時空上的點(diǎn)擴(kuò)散性質(zhì)，以及大家對BOLD活動的神經(jīng)生理學(xué)方面的理解還不盡完美，使得將模型單元中的模擬激活轉(zhuǎn)化為預(yù)測fMRI激活模式這個過程變得復(fù)雜。實(shí)際上，盡管重復(fù)隨機(jī)采樣對分析過程提供了一定的穩(wěn)定性，但在fMRI體素中對神經(jīng)元集群進(jìn)行采樣并進(jìn)行局部平均的規(guī)模和方式可能會對體素活動模式所攜帶的信息產(chǎn)生重大影響。數(shù)學(xué)和計算方法的不斷進(jìn)步可能有助于解決這些問題，并允許在功能磁共振成像數(shù)據(jù)分析中使用更細(xì)致和接近現(xiàn)實(shí)的神經(jīng)功能模型。 

完成工作：用于高效分析的可擴(kuò)展計算。作者認(rèn)為，未來的分析方法需要全面探索數(shù)據(jù)和開發(fā)模型。上面的方法可能需要極高的計算量和大量的數(shù)據(jù)，中間過程所需的操作量和存儲空間將隨數(shù)據(jù)集的大小呈指數(shù)級增長，甚至更糟。例如，SRM要求矩陣求逆，其計算代價等于所有被試的影像數(shù)據(jù)合并的體素總數(shù)，FCMA在特征選擇期間為每個體素訓(xùn)練基于種子的全腦連接分類器。高分辨率和多波段成像，再加上對所有被試的數(shù)據(jù)進(jìn)行聯(lián)合計算，將使問題變得更糟。要完成單個數(shù)據(jù)集的分析，即使將其部署在現(xiàn)代計算服務(wù)器上，也可能需要數(shù)年才能完成。當(dāng)然，這將使實(shí)時應(yīng)用無法實(shí)現(xiàn)，并且減緩了科學(xué)發(fā)現(xiàn)和進(jìn)步的速度。

這些計算瓶頸吸引了計算機(jī)科學(xué)家的興趣，不僅有來自機(jī)器學(xué)習(xí)的專家，而且還有來自算法和系統(tǒng)研究的專家?？梢酝ㄟ^有效的數(shù)學(xué)轉(zhuǎn)換和數(shù)值方法來降低算法的復(fù)雜性。利用multicore，manicore和GPU板等現(xiàn)代硬件，可以將算法進(jìn)一步優(yōu)化一到兩個數(shù)量級。更智能地使用緩存和內(nèi)存層次結(jié)構(gòu)；改善處理步驟之間的數(shù)據(jù)分級；以及利用指令級并行性，例如單指令，多數(shù)據(jù)（SIMD）和矢量浮點(diǎn)單元。神經(jīng)影像分析還可以在計算機(jī)網(wǎng)絡(luò)或者數(shù)據(jù)和模型級別上實(shí)現(xiàn)并行化。在數(shù)據(jù)并行化中，每個處理器都保留模型的完整副本以訓(xùn)練部分?jǐn)?shù)據(jù)。在模型并行化中，每個處理器接收模型的一部分以訓(xùn)練所有數(shù)據(jù)，共享參數(shù)以幫助模型參數(shù)收斂。網(wǎng)絡(luò)并行化必須設(shè)計用于最小且有效的通信，例如使用消息傳遞接口（MPI）協(xié)議?？傊?，這些措施將使神經(jīng)科學(xué)家能夠充分利用高性能計算資源，并具有網(wǎng)絡(luò)上每臺計算機(jī)近乎線性加速的潛力。但是，這需要神經(jīng)科學(xué)家獲得計算專業(yè)知識才能實(shí)現(xiàn)這些方法和/或與計算科學(xué)家發(fā)展緊密的合作關(guān)系。

除了使用計算技術(shù)擴(kuò)大神經(jīng)影像分析的規(guī)模外，這種分析還可以通過以不同的方式擴(kuò)大規(guī)模而受益，從少數(shù)擁有專業(yè)技術(shù)和設(shè)備的實(shí)驗(yàn)室和機(jī)構(gòu)，到更廣泛的使用fMRI的研究人員的社區(qū)。這就要求開發(fā)的代碼可以被其他人共享和運(yùn)行，還需要標(biāo)準(zhǔn)化文件類型和用于標(biāo)注實(shí)驗(yàn)細(xì)節(jié)的詞典，以便可以使用代碼來分析新數(shù)據(jù)。為了促進(jìn)實(shí)驗(yàn)的復(fù)現(xiàn)，薈萃分析，課堂指導(dǎo)和人員培訓(xùn)，應(yīng)在論文中附上代碼和實(shí)驗(yàn)參數(shù)以及相應(yīng)的原始數(shù)據(jù)。最后，即使共享代碼和/或數(shù)據(jù)，此處討論的許多未來分析也只能在大型集群上有效地運(yùn)行，而大型集群僅對一部分用戶可用?？梢酝ㄟ^將數(shù)據(jù)分析業(yè)務(wù)轉(zhuǎn)換為software-as-a-service（SaaS）或“云”生態(tài)系統(tǒng)（Box3；圖7）來改善這種情況，該方法徹底改變了許多領(lǐng)域和行業(yè)。這類領(lǐng)域的發(fā)展將再次需要神經(jīng)科學(xué)家和計算科學(xué)家之間的密切合作。
Box 1 共享響應(yīng)模型（SRM）

在標(biāo)準(zhǔn)的對齊之后，可以通過對所有被試中每個體素的值進(jìn)行平均，在組水平上融合fMRI數(shù)據(jù)。盡管這減少了被試間的數(shù)據(jù)噪聲，但是被試之間功能信號的解剖位置的變化使他們共享響應(yīng)的估計變得模糊。 SRM提供了一種替代方法，將每個被試的數(shù)據(jù)聯(lián)合分解為一組共享的特征時間序列和對每個特征的特定于某個被試的特征圖譜（圖4）。

SRM（共享響應(yīng)模型）的最簡單用法是提取解剖ROI上的共享響應(yīng)。通過這種方式，SRM和相關(guān)方法可以顯著提高組水平推斷的敏感性。例如，在功能數(shù)據(jù)對齊到解剖數(shù)據(jù)之后，正在觀看電影的某個短片可以以更高的準(zhǔn)確度進(jìn)行分類。將SRM應(yīng)用于大范圍的腦區(qū)意味著該區(qū)域內(nèi)的所有體素都對最終得出的結(jié)果有貢獻(xiàn)。這可能與將空間局部活動與特定的認(rèn)知功能相關(guān)聯(lián)的目標(biāo)相抵觸。為了解決這些問題，可以在小的窗口中使用SRM，以獲取共享信息的局部指標(biāo)。

使用可用的fMRI數(shù)據(jù)集中的一部分計算SRM，并使用交叉驗(yàn)證確定特征數(shù)k。盡管可以使用讓被試進(jìn)行相同試驗(yàn)序列的任何實(shí)驗(yàn)設(shè)計，或者可以將相同序列的相同試驗(yàn)序列拼接在一起的任何實(shí)驗(yàn)設(shè)計，但通常使用電影和故事等刺激來生成此類訓(xùn)練數(shù)據(jù)（例如，一系列認(rèn)知任務(wù)）。然后將保留的測試數(shù)據(jù)（包括來自新被試的數(shù)據(jù)）投影到共享響應(yīng)空間中，以進(jìn)行進(jìn)一步分析。這樣的測試數(shù)據(jù)可以與訓(xùn)練數(shù)據(jù)具有相同的類型，例如，允許對新的短片片段進(jìn)行解碼（圖5）?；蛘?，測試數(shù)據(jù)可以來自受控實(shí)驗(yàn)室的實(shí)驗(yàn)（與訓(xùn)練數(shù)據(jù)不同，不需要通用的試驗(yàn)序列或裝置），而SRM只需將預(yù)處理流程中的標(biāo)準(zhǔn)對齊替換掉即可。根據(jù)經(jīng)驗(yàn)，如果訓(xùn)練刺激或試驗(yàn)強(qiáng)烈且可變地參與實(shí)驗(yàn)過程，則SRM將提高檢測測試數(shù)據(jù)中感興趣的認(rèn)知過程的敏感性。使用SRM進(jìn)行預(yù)處理時的一個限制是必須收集其他數(shù)據(jù)進(jìn)行訓(xùn)練，從而減少了與研究問題主要相關(guān)的數(shù)據(jù)量（以及潛在的統(tǒng)計能力）。

Figure 4 SRM的計算流程。

fMRI數(shù)據(jù)從m名接受相同刺激的被試中采集得到，然后將數(shù)據(jù)保存為矩陣X（voxels by time）。每個矩陣X通過概率隱分量模型被分解為一個特定于被試的包含k個腦圖的矩陣W與一個共享時序響應(yīng)矩陣S（每個時間維上的特征長度為k）的乘積。也就是說，對于每個被試：X=WS+R,其中X、W和殘差R（圖中未顯示）是每個被試特有的，但是S是所有被試間共享的。

Figure 5 SRM與其他的multisubject方法的對比。

    當(dāng)被試觀看和/或聆聽相同刺激時，收集三個fMRI數(shù)據(jù)集。然后將收集到的數(shù)據(jù)在TAL空間或者MNI空間上對齊，從而為所有被試的數(shù)據(jù)提供一個通用的坐標(biāo)系。在這些例子中，僅對特定ROI中的體素的BOLD活動信號進(jìn)行分析。通過嘗試根據(jù)其他被試的測試數(shù)據(jù)來確定單獨(dú)拿出來的被試的測試數(shù)據(jù)中的短片片段，從而評估刺激過程中共有的認(rèn)知狀態(tài)的強(qiáng)度。這是在使用跨被試因子模型之前或之后完成的：主成分分析（PCA），獨(dú)立成分分析（ICA），超對準(zhǔn)（HA）或SRM。對于降維方法（PCA，ICA，SRM），使用了k = 50個特征。假設(shè)短片片段是獨(dú)立的，則機(jī)會精度為0.001。

Box 2 被試間功能連接

功能磁共振成像分析的最廣泛使用的分析方法之一就是功能連接（FC）分析——不同腦區(qū)BOLD活動的時間協(xié)方差及其如何隨外部輸入和內(nèi)部目標(biāo)而隨之變化的函數(shù)。 通常計算單個種子ROI與大腦其他區(qū)域（圖6a）之間的某種指標(biāo)得到FC，但它也可以通過計算所有可能的體素對或區(qū)域?qū)χg的數(shù)值指標(biāo)得到。

“功能連接”一詞表示由區(qū)域之間的直接相互作用引發(fā)的區(qū)域間的協(xié)方差。但是，情況并非總是如此，因?yàn)閰f(xié)方差可以間接地由共同影響該區(qū)域的生理因素（例如呼吸或心跳）引起，也可以由該區(qū)域與同一外部刺激的同步性間接引起。只要比較兩個或多個實(shí)驗(yàn)條件下的協(xié)方差，就可以控制生理雜聲，只要生理變化與實(shí)驗(yàn)設(shè)計無關(guān)即可。

在這里，本文關(guān)注分離區(qū)域之間的由刺激驅(qū)動的協(xié)方差的補(bǔ)充問題。一種新的FC變體，稱為被試間功能相關(guān)（ISFC），它通過計算被試之間的區(qū)域協(xié)方差來實(shí)現(xiàn)此目標(biāo)（例如，將被試1中的區(qū)域A與參與者2中的區(qū)域B相關(guān)聯(lián)；圖6b）。鑒于內(nèi)在的神經(jīng)反應(yīng)無法在被試之間的大腦系統(tǒng)對齊，因此，處于靜息態(tài)的ISFC（當(dāng)沒有刺激存在時）得到的協(xié)方差模式應(yīng)較低且在統(tǒng)計學(xué)上不顯著。但是，當(dāng)神經(jīng)反應(yīng)于特定的刺激時，ISFC可以分離出被試間共享的協(xié)方差。

ISFC（被試間功能相關(guān)）對于濾除自發(fā)性神經(jīng)反應(yīng)特別有效，后者對FC有重要作用，同時提高了對特定刺激過程的敏感性。若要查看此情況，請考慮在fMRI掃描中進(jìn)行四個實(shí)驗(yàn)：聽一個7分鐘的故事，聽故事中的句子被打亂的版本，聽故事中的單詞被打亂的版本以及沒有任何刺激的靜息態(tài)。盡管不同刺激之間存在很大差異，但是通過計算每個被試的FC，然后在組水平（18名被試）上進(jìn)行平均計算得到的FC在四個實(shí)驗(yàn)條件下均保持穩(wěn)定，這表明局部協(xié)方差受（內(nèi)在相互作用）支配，對動態(tài)刺激引起的方差相對不敏感。

這些結(jié)果可以與相同數(shù)據(jù)的ISFC結(jié)果進(jìn)行對比，后者在不同條件下均表現(xiàn)出很大差異（圖6d）：對于打亂的單詞，僅在聽覺皮層和處理單詞的早期語言區(qū)域中觀察到了ISFC； 對于打亂的句子，ISFC擴(kuò)展到更廣泛的語言網(wǎng)絡(luò)，涵蓋了Wernicke和Broca等區(qū)域； 對于完整的故事，ISFC包含完整的默認(rèn)模式網(wǎng)絡(luò)。此外，隨著故事的展開，ISFC揭示了在短時間窗口內(nèi)協(xié)方差模式配置的可靠變化。這種在處理現(xiàn)實(shí)生活中的信息過程中跟蹤區(qū)域同步變化的能力為將大腦網(wǎng)絡(luò)的動態(tài)與刺激特征和人類行為聯(lián)系起來開辟了新途徑。

與SRM一樣，ISFC對個體獨(dú)特方差模式具有一定的限制。因此，應(yīng)與FC結(jié)合使用，尤其是當(dāng)要捕獲有意義的噪聲相關(guān)性和穩(wěn)定的個體差異的時候。

Figure 6 被試內(nèi)和被試間的功能交互。

（a）功能連接（FC）分析的示意圖，通過計算被試大腦中單個種子ROI（黃色）與大腦的其余部分之間或在所有可能的體素對之間的相關(guān)性（如FCMA）。

（b）被試之間功能相關(guān)（ISFC）分析的示意圖，在所有被試的大腦中，通過計算單個種子ROI與大腦其余部分之間的相關(guān)性或者計算所有可能的體素對之間的相關(guān)性。

（c）基于體素的功能連接協(xié)方差矩陣揭示了不同實(shí)驗(yàn)條件下的相似網(wǎng)絡(luò)組織。這四個實(shí)驗(yàn)條件是：（i）完整的故事，（ii）句子打亂，（iii）單詞打亂和（iv）靜息態(tài)。

（d）基于體素的ISFC協(xié)方差矩陣揭示了網(wǎng)絡(luò)內(nèi)依賴刺激的交互作用。通過k均值聚類將協(xié)方差矩陣組織成五個網(wǎng)絡(luò)：默認(rèn)模式網(wǎng)絡(luò)，兩個子網(wǎng)絡(luò)（DMNA和DMNB）；背側(cè)語言網(wǎng)絡(luò)（dLAN）；腹側(cè)語言網(wǎng)絡(luò)（vLAN）; 和聽覺皮層（AUD）。

Box 3 實(shí)時云軟件服務(wù)（SaaS）

著神經(jīng)影像數(shù)據(jù)集越來越大和分析算法變得越來越復(fù)雜，fMRI分析的計算需求也在不斷增長。傳統(tǒng)上，這些計算需求需要本地高性能計算集群的支持。集群雖然在計算上是高效的，但要花費(fèi)數(shù)百萬美元。不僅需要占用相當(dāng)大的空間，而且還需要大量的支持人員，這使得許多fMRI研究人員和機(jī)構(gòu)無法使用它們。此外，隨著計算需求的快速增長，這些系統(tǒng)無法靈活擴(kuò)展。云計算提供了了另一種解決方案，以可負(fù)擔(dān)和可訪問的方式提供可擴(kuò)展資源。 可以使用SaaS來利用這些資源，從而使研究人員可以在全球任何地方按需進(jìn)行數(shù)據(jù)分析，而無需開發(fā)和部署新的軟件或管理服務(wù)器。SaaS先前已在神經(jīng)科學(xué)中使用，并已被其他幾個科學(xué)領(lǐng)域所采用。

實(shí)時功能磁共振成像是SaaS的一個很好的例子，因?yàn)樾枰焖?，可擴(kuò)展和有彈性的計算。每個獲取的腦影像將被發(fā)送到云服務(wù)器上進(jìn)行分析，并在完成收集下一個腦影像之前返回結(jié)果，以進(jìn)行神經(jīng)反饋或?qū)嶒?yàn)調(diào)整。除了滿足這些緊迫的時間期限外，實(shí)時云分析的目標(biāo)是使在線使用可以離線執(zhí)行的全部分析成為可能。作為一個計算量特別大的測試用例，研究人員一直在開發(fā)FCMA的實(shí)時云版本。與相關(guān)性計算，特征選擇和分類器訓(xùn)練相關(guān)的計算特別需要內(nèi)存和計算周期。實(shí)時應(yīng)用中一個更高要求的因素是，這些步驟需要多次執(zhí)行，并且隨著每個腦影像的采集而逐步執(zhí)行，而不是從批處理數(shù)據(jù)的末尾一次執(zhí)行。

在實(shí)現(xiàn)實(shí)時FCMA時，研究人員設(shè)計了一種系統(tǒng)架構(gòu)，該系統(tǒng)架構(gòu)原則上可用于實(shí)時執(zhí)行其他密集的fMRI分析計算（圖7）。掃描儀控制室配有一個簡單的工作站，該工作站可以收集和傳輸從掃描儀出來的重建后的大腦影像。它使用超文本傳輸協(xié)議（HTTP）接口向云傳輸信息和從云接收信息。云托管一個代表性的狀態(tài)傳輸（REST）前端服務(wù)器，該服務(wù)器與分布式后端（由主流程協(xié)調(diào)）進(jìn)行通信，該后端提供了組成管道階段的一組靈活的流程。其中一些階段包括使用一組機(jī)器進(jìn)行分布式并行進(jìn)程進(jìn)行大型計算。簡單的計算（例如空間濾波和分類器評分）僅需要一臺機(jī)器。該系統(tǒng)能夠提供多種服務(wù)，允許來自不同神經(jīng)影像中心同時進(jìn)行實(shí)時功能性核磁共振成像實(shí)驗(yàn)。該系統(tǒng)還被設(shè)計為具有容錯能力，并且對機(jī)器故障具有魯棒性，從而確保了其科學(xué)研究的可靠性。此類云服務(wù)最終將使所有功能磁共振成像分析受益，提高數(shù)據(jù)處理與分析的標(biāo)準(zhǔn)化和實(shí)驗(yàn)的可重復(fù)性——僅需要后端硬件和軟件進(jìn)行大規(guī)模分析，而一旦需要專用系統(tǒng)，該分析流程就可以被所有用戶使用且易于使用。

實(shí)時功能磁共振成像通常在本地工作站上進(jìn)行，甚至可以用于高級分析，因此，重要的是要考慮SaaS所帶來的好處，而不是像FCMA這樣的大規(guī)模方法。上面提到了一些云計算的實(shí)際好處——增強(qiáng)了實(shí)時fMRI對沒有強(qiáng)大計算能力的本地工作站站點(diǎn)的訪問能力，并推進(jìn)了分析軟件的配置，維護(hù)和升級——但是依舊還有許多優(yōu)越的計算優(yōu)勢，例如并行計算。特別是，SaaS允許靈活分配計算機(jī)，以多種方式處理同一數(shù)據(jù)。例如，如果要從MVPA提供神經(jīng)反饋，則可以在不同的腦區(qū)或搜索窗口上訓(xùn)練和測試多個分類器，然后可以使用性能最優(yōu)的分類器提供高保真度反饋。 同樣，可以實(shí)時掃描分析參數(shù)的空間以優(yōu)化性能。 SaaS的潛在限制是它涉及中央硬件資源，這些硬件資源必須有大量經(jīng)費(fèi)或者資本投資來支持。 另一個重要的考慮因素是，掃描儀圖像可能包含有關(guān)人類被試的個體識別信息（例如，頭文件，面部重建），因此將它們異地發(fā)送到未經(jīng)過科學(xué)倫理審查的地方可能會出現(xiàn)問題。 一些云計算提供商提供了符合HIPAA的服務(wù)器，這將有助于減輕這種擔(dān)憂，此外，可以在將圖像傳輸?shù)椒?wù)器之前清除圖像中的可識別信息。

Figure 7 實(shí)時云系統(tǒng)架構(gòu)。

    fMRI掃描儀通過互聯(lián)網(wǎng)將采集到的腦影像數(shù)據(jù)發(fā)送到中央系統(tǒng)上，然后由系統(tǒng)返回神經(jīng)反饋。每個掃描儀都使用服務(wù)器集群來獲取自己的數(shù)據(jù)分析結(jié)果（此處為FCMA），實(shí)時提供神經(jīng)反饋，并通過重復(fù)的特征選擇和分類器訓(xùn)練來持續(xù)地更新分類器。

總結(jié)：
       功能磁共振成像存在了不到二十年。在本文中，作者總結(jié)了有助于引導(dǎo)功能磁共振成像進(jìn)入第三個十年的分析方法。fMRI分析將受益于與相近領(lǐng)域的緊密結(jié)合，例如認(rèn)知科學(xué)，計算機(jī)科學(xué)，工程學(xué)，統(tǒng)計學(xué)和數(shù)學(xué) 。隨著這些領(lǐng)域（和神經(jīng)科學(xué)）在技術(shù)行業(yè)中的代表越來越多，隨著研究的新應(yīng)用，也將出現(xiàn)新的融資機(jī)會和合作關(guān)系。同時，人們越來越關(guān)注可重復(fù)性，公共數(shù)據(jù)庫，代碼共享，這將為人們提供新的，負(fù)擔(dān)得起的，可訪問的數(shù)據(jù)源和新的發(fā)現(xiàn)途徑。即使收集數(shù)據(jù)集的研究人員在大海撈針中找到針頭，也肯定有更多的針頭藏在大海中，尤其是與其他數(shù)據(jù)集結(jié)合并使用正在開發(fā)的強(qiáng)大技術(shù)進(jìn)行分析時。        本文更多地從計算科學(xué)和數(shù)理理論的角度出發(fā)，總結(jié)了一些最前沿的fMRI分析方法，并引導(dǎo)接下來fMRI分析方法的發(fā)展方向，比較具有前瞻性。

微信掃碼或者長按選擇識別關(guān)注思影