認知神經(jīng)科學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。早期的方法側重于估計單個體素或區(qū)域內的神經(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、任務期間神經(jīng)活動的連續(xù)動態(tài)、在多個被試上進行聯(lián)合推斷的統(tǒng)計學方面的優(yōu)勢以及使用預測模型約束分析的價值。最近一些探索性的和理論驅動的方法已經(jīng)開始尋找具備這些特性的方法。這些方法強調了計算技術在功能磁共振影像（fMRI）分析中的重要性，特別是機器學習、算法優(yōu)化和并行計算等計算技術。采用這些技術將使新一代的實驗和分析成為可能，這些實驗和分析將改變大家對大腦中一些最復雜、最清晰的人類信號的理解，如：思考、意識和記憶等認知行為。本文發(fā)表在Nature neuroscience雜志。
人類大腦成像技術起源于放射學，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)活動相關的內在血流動力學信號(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，減法方法的應用（測量實驗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檢驗統(tǒng)計比較每個位置（體積像素或“體素”（voxels））的測量結果。 這可以估算每個體素活動根據(jù)實驗操作而發(fā)生的變化，并用于構建此類統(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，它涉及二進制比較，這在識別連續(xù)過程時可能不夠強大。這部分由參數(shù)設計解決，該設計使用回歸來識別以預測方式響應的體素。
其次，相對于神經(jīng)活動，早期的方法受到血液動力學反應的延遲和延長過程的影響。人們通常通過假設跨區(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）的高風險；因此，開發(fā)出了在校正多重比較時利用有關數(shù)據(jù)先驗的方法（例如，空間連續(xù)性）。
這些方法的發(fā)展以及對最重要的預處理方法（運動校正，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，共同導致了標準軟件工具箱的創(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生了積極而深遠的影響，實現(xiàn)了該領域的技術標準化并促進了這些方法的傳播。 隨著整個科學領域中新穎的數(shù)學，統(tǒng)計和計算技術的出現(xiàn)，以及技術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發(fā)展，主要關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)科學中的核心作用。這些方法建立在計算機科學和工程學（例如，機器學習，圖論，控制理論）以及這些領域的進步（例如，軟件和硬件優(yōu)化以及并行化）的技術和概念的基礎之上，這些技術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)模地運行。對神經(jīng)科學產生了數(shù)量和質量上的影響。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，因為神經(jīng)元群體在體素上呈現(xiàn)異質分布。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行建模，包括考察體素大小，認知功能的分布和血管舒張反應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器學習中的分類器（圖1a），通常是線性模型，例如邏輯回歸。分類器為每個體素學習一個權重，這些權重一起確定不同認知狀態(tài)之間的決策邊界。在訓練期間，將調整權重以最大程度地使決策邊界分隔不同的認知狀態(tài)。為了避免噪聲過擬合，通常會約束分類器的復雜度，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，較大的權重）。在新數(shù)據(jù)上進行測試時，權重用于計算體素活動的加權總和，將其與邊界進行比較以猜測類別。分類器可以以滑動窗或者感興趣區(qū)域（ROI）的方式應用于整個大腦。
Figure 1 MVPA的類型
(a) 基于分類器的MVPA學習一個邊界，該邊界可區(qū)分與不同認知狀態(tài)（例如，面部表情與場景表情）相關的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（可選）將此矩陣與其他相似度矩陣進行比較（例如，根據(jù)有關概念相似性的認知理論進行的預測）。
基于分類器的MVPA已被用于內部認知狀態(tài)的測量，例如被試正在思考或記住的內容。 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，控制那些與目標變量容易混淆的因素尤其重要，例如任務難度和反應時間。
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，其中點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。矩陣的結構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）進行比較，從而來揭示區(qū)域中編碼的信息。基于相似度的MVPA也已用于跟蹤學習是如何影響神經(jīng)模式。 這種一般方法與基于分類器的MVPA不同，所有體素的權重均相等，因此存在信息不足或被噪聲特征污染的風險。 另一個風險是，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，而實際上神經(jīng)模式的底層結構并沒有改變。
最廣泛采用的調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)上使用腦電圖進行生物反饋的啟發(fā)，通常是通過訓練被試增加或減少某些認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，以及探索基本的認知功能。
值得注意的是，從這個領域早期開始就存在實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興起來了。一個可能的原因是，該領域對神經(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相關方法的增長可能對此也有所貢獻，因為控制特定的心理內容（反應在分布式表征中）可能比控制與多種認知功能相關的區(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難度）將反饋合并到認知任務中，可能會使被試感到更加自然，并且可以實現(xiàn)比通常使用的量表更大的實時設計范圍。 盡管如此，fMRI神經(jīng)反饋始終受到滯后的血液動力學的限制，因此神經(jīng)反饋可能能為認知和神經(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，被試使用實時結果來更改其策略或行為。實時功能磁共振成像的其他主要類別更加注重實驗者對結果的處理方式。在“觸發(fā)”設計中，實驗控制裝置監(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，并預測這兩種情況下產生的不同行為。這可能會增強fMRI的因果關系，因為大腦活動是一個獨立變量，因此有可能（通過適當?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”設計中，實驗者不是確定是否進行試驗（無論大腦如何活動都定期進行試驗），而是確定下一次試驗的內容（例如刺激或任務）。這樣做的目的是通過調整刺激參數(shù)直到區(qū)域的響應達到最大來表征視覺系統(tǒng)的調整特性，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中計算模型的關鍵用途是定義感興趣的假設信號。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，與測試更抽象的構造（例如預測誤差或置信度）相比，如何設計實驗來測試大腦區(qū)域參與彩色視覺的過程似乎會更清楚。其優(yōu)點不僅在于色彩的方式更加直觀，而且視覺心理學和神經(jīng)科學長期以來一直由堅實的計算理論（通過信號檢測理論等形式主義）作指導。這些理論最初來自工程學，但如今已根深蒂固于實驗設計和分析中，它們指出了感知實驗的關鍵步驟以及如何評估其操作。
相比之下，高級的認知過程（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知指標。這些認知過程的計算模型（例如，強化學習，決策理論，貝葉斯推理和博弈論）已越來越多地用作開發(fā)有關基礎計算的精確假設的工具。例如，強化學習指定了當前選擇結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彼此的行為。這些假設又可以用于生成有關神經(jīng)信號的預測（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，就可以在以后的實驗中讀取這些信號，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時設計來判斷被試正在進行哪些計算過程（例如預測對手的行為，計算決策變量）。最近的工作進一步推動了這一領域的發(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合，包括視覺類別解碼和重復抑制。
高級功能磁共振成像分析的方法
經(jīng)驗數(shù)據(jù)的數(shù)量和理論模型的復雜性都處于持續(xù)快速增長的階段。神經(jīng)科學面臨的主要挑戰(zhàn)是開發(fā)可以隨著這種增長而適當擴展的方法。在這里，文章討論了可解決此問題的可擴展方法，以及有助于促進這些方法的先進的技術。
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?？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的點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，例如會導致MVPA中決策邊界放置不當，進而影響分類性能。這種“維度災難”只會因嘈雜的血氧動力學（BOLD）信號而進一步加劇。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知信號的能力的技術。
其中一種技術是共享響應建模（shared response modeling，SRM），它將來自每個被試的fMRI信號響應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（Box 1；圖4-5）。如果給被試相同的刺激或任務序列（例如，一部電影），從而引導他們的大腦經(jīng)過一系列認知狀態(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知狀態(tài)。實際上，SRM通過在局部區(qū)域內對齊細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。
側重于共享響應的另一面是側重于個人特有的信號響應。盡管這些響應未包括在SRM中，但它們不一定是噪音，實際上在被試中可能是高度可信的。確實，SRM可以通過在刪除共享的組水平上的響應后檢查殘差來分離特異于被試的響應，或者可以將SRM分層應用于殘差以標識子組。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。認識到信號存在于一個群體的平均反應或共同反應之外，此類研究利用特異的但穩(wěn)定的響應來解釋大腦功能，行為表現(xiàn)和臨床指標等先前無法解釋的差異。
第二種有前景的技術基于如何把與認知功能相關的神經(jīng)表征的知識，通過施加空間先驗的方式在fMRI提取的大腦模式上進行正則化。 一個簡單但有力的想法是，這種表示是稀疏實現(xiàn)的：也就是說，只有給定的感興趣過程可以調控相關體素的子集。但是，僅僅有稀疏性是不夠的，因為與認知相關的模式也傾向于在空間上呈現(xiàn)結構化的特征，從而使附近的體素共同激活。貝葉斯層次模型在實現(xiàn)這種同時具有稀疏性和結構化先驗方面特別有效。這些模型支持靈活的空間先驗規(guī)范，并在具有相同潛在結構的獨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）是一種利用結構化稀疏性的貝葉斯方法：fMRI圖像是根據(jù)少量（稀疏）的具有預定功能形式（結構）（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重。因為源的數(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。當然，空間先驗和降維都存在消除感興趣信號的風險，因此需要探索更多方法來結合使用。
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，功能連接幫助揭示了視覺選擇機制，持續(xù)注意力能力的標記物和支持更加普遍的認知任務的大腦網(wǎng)絡。
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”進行正確的假設，并且此類決策會影響最終的分析結果。上面描述的技術也可以幫助解決這個問題：關注被試之間共享的方差模式可以闡明腦連接的結果（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。 完全相關矩陣分析（FCMA）對此進行了解釋，該算法使用高級算法來計算多個時間窗內每個體素與其他體素的成對相關性，并在這些相關性上訓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，內核和節(jié)點上。FCMA的一些缺點包括其對強大的計算能力的需求以及解釋和可視化結果的難度（分類器上的體素權重）。
最后，在功能磁共振成像中可能存在重要的認知狀態(tài)信息，這些信息并不以體素活動或體素之間的成對相關性表現(xiàn)，而是以高階網(wǎng)絡屬性顯示。這種關系可以通過圖論和拓撲數(shù)據(jù)分析來表征和量化。
知道從哪里開始：用于指導和約束分析的模型。
迄今為止，所描述的新方法通過利用統(tǒng)計和計算方法的進步來進一步識別和放大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），還可以來自關于特定過程結構的更具體的信息。這種結構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。結構也可能來自有關潛在認知機制的假設，特別是當這些機制可以定量地體現(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。
這種更復雜的模型在認知心理學上有著悠久的傳統(tǒng)。 隨著計算能力的進步和更大的訓練集的出現(xiàn)，這種方法在過去的幾年中出現(xiàn)了戲劇性的復興，最明顯的是“深度學習”這類感知模型的興起。神經(jīng)科學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構進行有關fMRI活動模式的相似性結構的預測。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)域來生成關于神經(jīng)環(huán)路或信息處理過程的假設。
迄今為止，這類模型大多數(shù)成功應用到視覺系統(tǒng)中的模型構建。受到更高認知水平過程的生物學啟發(fā)的模型能否提供關于其他大腦系統(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)百萬張帶有明確標簽的圖片上訓練（標簽上標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容的基礎數(shù)據(jù)集。即使存在這樣的數(shù)據(jù)，血液動力學響應在時空上的點擴散性質，以及大家對BOLD活動的神經(jīng)生理學方面的理解還不盡完美，使得將模型單元中的模擬激活轉化為預測fMRI激活模式這個過程變得復雜。實際上，盡管重復隨機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)元集群進行采樣并進行局部平均的規(guī)模和方式可能會對體素活動模式所攜帶的信息產生重大影響。數(shù)學和計算方法的不斷進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)分析中使用更細致和接近現(xiàn)實的神經(jīng)功能模型。
完成工作：用于高效分析的可擴展計算。作者認為，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)代計算服務器上，也可能需要數(shù)年才能完成。當然，這將使實時應用無法實現(xiàn)，并且減緩了科學發(fā)現(xiàn)和進步的速度。
這些計算瓶頸吸引了計算機科學家的興趣，不僅有來自機器學習的專家，而且還有來自算法和系統(tǒng)研究的專家。可以通過有效的數(shù)學轉換和數(shù)值方法來降低算法的復雜性。利用multicore，manicore和GPU板等現(xiàn)代硬件，可以將算法進一步優(yōu)化一到兩個數(shù)量級。更智能地使用緩存和內存層次結構；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）和矢量浮點單元。神經(jīng)影像分析還可以在計算機網(wǎng)絡或者數(shù)據(jù)和模型級別上實現(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練部分數(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)絡并行化必須設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@些措施將使神經(jīng)科學家能夠充分利用高性能計算資源，并具有網(wǎng)絡上每臺計算機近乎線性加速的潛力。但是，這需要神經(jīng)科學家獲得計算專業(yè)知識才能實現(xiàn)這些方法和/或與計算科學家發(fā)展緊密的合作關系。
除了使用計算技術擴大神經(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大規(guī)模而受益，從少數(shù)擁有專業(yè)技術和設備的實驗室和機構，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行，還需要標準化文件類型和用于標注實驗細節(jié)的詞典，以便可以使用代碼來分析新數(shù)據(jù)。為了促進實驗的復現(xiàn)，薈萃分析，課堂指導和人員培訓，應在論文中附上代碼和實驗參數(shù)以及相應的原始數(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)務轉換為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域和行業(yè)。這類領域的發(fā)展將再次需要神經(jīng)科學家和計算科學家之間的密切合作。
Box 1 共享響應模型（SRM）
在標準的對齊之后，可以通過對所有被試中每個體素的值進行平均，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（共享響應模型）的最簡單用法是提取解剖ROI上的共享響應。通過這種方式，SRM和相關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確度進行分類。將SRM應用于大范圍的腦區(qū)意味著該區(qū)域內的所有體素都對最終得出的結果有貢獻。這可能與將空間局部活動與特定的認知功能相關聯(lián)的目標相抵觸。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。
使用可用的fMRI數(shù)據(jù)集中的一部分計算SRM，并使用交叉驗證確定特征數(shù)k。盡管可以使用讓被試進行相同試驗序列的任何實驗設計，或者可以將相同序列的相同試驗序列拼接在一起的任何實驗設計，但通常使用電影和故事等刺激來生成此類訓練數(shù)據(jù)（例如，一系列認知任務）。然后將保留的測試數(shù)據(jù)（包括來自新被試的數(shù)據(jù)）投影到共享響應空間中，以進行進一步分析。這樣的測試數(shù)據(jù)可以與訓練數(shù)據(jù)具有相同的類型，例如，允許對新的短片片段進行解碼（圖5）?；蛘?，測試數(shù)據(jù)可以來自受控實驗室的實驗（與訓練數(shù)據(jù)不同，不需要通用的試驗序列或裝置），而SRM只需將預處理流程中的標準對齊替換掉即可。根據(jù)經(jīng)驗，如果訓練刺激或試驗強烈且可變地參與實驗過程，則SRM將提高檢測測試數(shù)據(jù)中感興趣的認知過程的敏感性。使用SRM進行預處理時的一個限制是必須收集其他數(shù)據(jù)進行訓練，從而減少了與研究問題主要相關的數(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系。在這些例子中，僅對特定ROI中的體素的BOLD活動信號進行分析。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知狀態(tài)的強度。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），獨立成分分析（ICA），超對準（HA）或SRM。對于降維方法（PCA，ICA，SRM），使用了k = 50個特征。假設短片片段是獨立的，則機會精度為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部目標而隨之變化的函數(shù)。 通常計算單個種子ROI與大腦其他區(qū)域（圖6a）之間的某種指標得到FC，但它也可以通過計算所有可能的體素對或區(qū)域對之間的數(shù)值指標得到。
“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，因為協(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驗條件下的協(xié)方差，就可以控制生理雜聲，只要生理變化與實驗設計無關即可。
在這里，本文關注分離區(qū)域之間的由刺激驅動的協(xié)方差的補充問題。一種新的FC變體，稱為被試間功能相關（ISFC），它通過計算被試之間的區(qū)域協(xié)方差來實現(xiàn)此目標（例如，將被試1中的區(qū)域A與參與者2中的區(qū)域B相關聯(lián)；圖6b）。鑒于內在的神經(jīng)反應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（當沒有刺激存在時）得到的協(xié)方差模式應較低且在統(tǒng)計學上不顯著。但是，當神經(jīng)反應于特定的刺激時，ISFC可以分離出被試間共享的協(xié)方差。
ISFC（被試間功能相關）對于濾除自發(fā)性神經(jīng)反應特別有效，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掃描中進行四個實驗：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）上進行平均計算得到的FC在四個實驗條件下均保持穩(wěn)定，這表明局部協(xié)方差受（內在相互作用）支配，對動態(tài)刺激引起的方差相對不敏感。
這些結果可以與相同數(shù)據(jù)的ISFC結果進行對比，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擴展到更廣泛的語言網(wǎng)絡，涵蓋了Wernicke和Broca等區(qū)域； 對于完整的故事，ISFC包含完整的默認模式網(wǎng)絡。此外，隨著故事的展開，ISFC揭示了在短時間窗口內協(xié)方差模式配置的可靠變化。這種在處理現(xiàn)實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對個體獨特方差模式具有一定的限制。因此，應與FC結合使用，尤其是當要捕獲有意義的噪聲相關性和穩(wěn)定的個體差異的時候。
Figure 6 被試內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性（如FCMA）。
（b）被試之間功能相關（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性或者計算所有可能的體素對之間的相關性。
（c）基于體素的功能連接協(xié)方差矩陣揭示了不同實驗條件下的相似網(wǎng)絡組織。這四個實驗條件是：（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)絡內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：默認模式網(wǎng)絡，兩個子網(wǎng)絡（DMNA和DMNB）；背側語言網(wǎng)絡（dLAN）；腹側語言網(wǎng)絡（vLAN）; 和聽覺皮層（AUD）。
Box 3 實時云軟件服務（SaaS）
隨著神經(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，但要花費數(shù)百萬美元。不僅需要占用相當大的空間，而且還需要大量的支持人員，這使得許多fMRI研究人員和機構無法使用它們。此外，隨著計算需求的快速增長，這些系統(tǒng)無法靈活擴展。云計算提供了了另一種解決方案，以可負擔和可訪問的方式提供可擴展資源。 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器。SaaS先前已在神經(jīng)科學中使用，并已被其他幾個科學領域所采用。
實時功能磁共振成像是SaaS的一個很好的例子，因為需要快速，可擴展和有彈性的計算。每個獲取的腦影像將被發(fā)送到云服務器上進行分析，并在完成收集下一個腦影像之前返回結果，以進行神經(jīng)反饋或實驗調整。除了滿足這些緊迫的時間期限外，實時云分析的目標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的實時云版本。與相關性計算，特征選擇和分類器訓練相關的計算特別需要內存和計算周期。實時應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。
在實現(xiàn)實時FCMA時，研究人員設計了一種系統(tǒng)架構，該系統(tǒng)架構原則上可用于實時執(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）前端服務器，該服務器與分布式后端（由主流程協(xié)調）進行通信，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器進行分布式并行進程進行大型計算。簡單的計算（例如空間濾波和分類器評分）僅需要一臺機器。該系統(tǒng)能夠提供多種服務，允許來自不同神經(jīng)影像中心同時進行實時功能性核磁共振成像實驗。該系統(tǒng)還被設計為具有容錯能力，并且對機器故障具有魯棒性，從而確保了其科學研究的可靠性。此類云服務最終將使所有功能磁共振成像分析受益，提高數(shù)據(jù)處理與分析的標準化和實驗的可重復性——僅需要后端硬件和軟件進行大規(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。
實時功能磁共振成像通常在本地工作站上進行，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際好處——增強了實時fMRI對沒有強大計算能力的本地工作站站點的訪問能力，并推進了分析軟件的配置，維護和升級——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，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的服務器，這將有助于減輕這種擔憂，此外，可以在將圖像傳輸?shù)椒掌髦扒宄龍D像中的可識別信息。
Figure 7 實時云系統(tǒng)架構。
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器集群來獲取自己的數(shù)據(jù)分析結果（此處為FCMA），實時提供神經(jīng)反饋，并通過重復的特征選擇和分類器訓練來持續(xù)地更新分類器。
總結：
功能磁共振成像存在了不到二十年。在本文中，作者總結了有助于引導功能磁共振成像進入第三個十年的分析方法。fMRI分析將受益于與相近領域的緊密結合，例如認知科學，計算機科學，工程學，統(tǒng)計學和數(shù)學 。隨著這些領域（和神經(jīng)科學）在技術行業(yè)中的代表越來越多，隨著研究的新應用，也將出現(xiàn)新的融資機會和合作關系。同時，人們越來越關注可重復性，公共數(shù)據(jù)庫，代碼共享，這將為人們提供新的，負擔得起的，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)集結合并使用正在開發(fā)的強大技術進行分析時。
本文更多地從計算科學和數(shù)理理論的角度出發(fā)，總結了一些最前沿的fMRI分析方法，并引導接下來fMRI分析方法的發(fā)展方向，比較具有前瞻性。
請微信搜索“思影科技”關注我們，關注我們的公眾號，獲得更多精彩腦科學內容，如需原文或對思影科技課程感興趣請?zhí)砑游⑿盘?/span>siyingyxf或19962074063
微信掃碼或者長按選擇識別關注思影
非常感謝轉發(fā)支持與推薦
歡迎瀏覽思影的數(shù)據(jù)處理課程以及數(shù)據(jù)處理業(yè)務介紹。（請直接點擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號siyingyxf或19962074063進行咨詢，目前思影采取預報名制度，以下所有課程均可報名，受疫情影響部分課程時間或有調整，報名后我們會第一時間聯(lián)系，會為您保留名額）：
第六屆任務態(tài)fMRI專題班（重慶4.8-13）
第二十八屆磁共振腦影像基礎班（重慶2.24-29）
第十四屆磁共振腦網(wǎng)絡數(shù)據(jù)處理班（重慶3.18-23）
第二十屆腦電數(shù)據(jù)處理中級班（重慶3.7-12）
第二十九屆磁共振腦影像基礎班（南京3.15-20）第八屆腦電數(shù)據(jù)處理入門班（南京3.9-14）
第七屆近紅外腦功能數(shù)據(jù)處理班(上海4.2-7）
思影數(shù)據(jù)處理業(yè)務一：功能磁共振（fMRI）
思影數(shù)據(jù)處理業(yè)務二：結構磁共振成像(sMRI)與DTI