SPMPPI中文说明

1、版权声明 本文的的英文原版说明文件版权归SPM全球社区所拥有，翻译后的本中文版版权都归翻译作者蜡笔赵欣所有，同时也感谢其学姐李方方帮忙把最后两页纸质版文档整理成电子版文档，本翻译仅做交流学习之用，如果要将其用于其它商业用途，须发邮件给作者来征得其的同意。如果SPM全球社区发现本人在翻译的内容中有侵犯SPM全球社区的方面，可以发邮件给作者要求删除相关部分，同时文中有翻译的不恰当的地方，也希望你发邮件给我指出其中的错误。 作者 蜡笔赵欣 电子邮箱 PPI33.1理论背景心理与生理交互作用分析（PPI）和心理与生理交互分析相关的技术（PI）都是基于统计学中因子设计模型，表1的插图显示了一个经典的2*

2、2因子设计模型。A1/B1表33.1 2*2因子设计模型（表格形式）表格A因子等级1等级2B因子等级1A1/B1A2/B1等级2A1/B2A2/B2因子设计的等式如下所示y=(A2A1)1(B2B1)2(A2A1) (B2B1) (21) 3G4 （33.1）很明显上式中包括了所有主要的影响关系，(A2A1)1对应于因子A，(B2B1)2对应于因子B，以及这个交互条件(A2A1) (21) 3，它也包括一个相对容易混淆G3的条件。例如运动参数，任务组影响。当估计它们的交互作用时，主要的影响项目中所包含的条件是十分重要的，同时设计矩阵它们中所包含的条件无法得到足够的重视。假如主要影响项目没有被考

3、虑其中，那么我们就不能确定这个交互作用关系的估计结果没有受到主要影响因子混淆作用。我的问题：上面的这个因子设计的等式中大部分参数的意义我还明白的1参数是 A的主效应，2参数是B的主效应，3参数是A与B两个因子的交互效应，那4参数又是代表什么为了扩大因子设计的概念到PPI的基本思想，即通过在其中若干因素之一条件下的一个大脑区域来替换神经元的激活。等式33.2描述了在因子A条件下V1区域替换神经元激活的概念。y=V11(B2B1)2(V1 (B2B1) )3G4 （33.2）类似的，对于心理生理交互作用激活来说，来自大脑里面的两个区域（V1区和后顶骨区（PP区）是被用来作主要影响区域，如下等式所示

4、：y=V11PP2(V1*PP)3G4 （33.3）我找到的相关资料再次注意一下以上三个等式。33.1,33.2和33.3都有三个代数项（不要搞混咯）两个主要影响和一个交互作用影响，因此，设计矩阵必须至少有3列。一个最基本地PPI设计矩阵如图33.1所示图33.1 这是一个PPI（或是PI）的示例设计矩阵，主要影响是来自V1区域的BOLD激活，该数据在第2列中，并且一个心理上的向量，注意与不注意在第三列，推论将特别地关注交互作用的代数项，在第1列中，设计矩阵用了1 0 0 0这样一个向量，在PI中第三列将作为来自于源头区域的BOLD激活，而不是心理因子。PPI与PIs都能被想象为一个分配模型，

5、PPIs占据着了功能连接与有效连接模型之间的中间地带，功能连接（FC）一直都是被定义为处于空间上被分割的神经生理事件之间的在时间上的一种相关，FC分析方法是最典型的无模型分析方法，同时它也不用指定一个作用的大致方向等等。其中，A对B的作用不能通过B对A的作用区分出来，与此相反。PPIs是基于回归模型具有很强的紧密联系，但是因为PPIs通常是非常简单（1个源区域和1个实验因子，如果是PIs的话，则是两个源区域），他们都是有限的EC模型。在源区域与实验环境（或者两个源区域）之间的相互作用可以用两种不同的方式来解读。（1）如下所示，某一区域对另一区域的“贡献”是如何通过实验环境或者任务来改变的。（2

6、）如下例中，一个区域对一个实验环境的反馈是如何靠来自另一区域的输入来进行调节的。图33.2所示图33.2 上图为两个可供选择的PPI作用的解读 （A）区域K对另一区域的“贡献”是通过实验（心理的）环境来改变的 （B）一个区域（i）对于实验（心理的）环境的反馈应归于区域K的“贡献”。33.2心理生理交互作用分析（所有操作步骤的汇总）一个PPI分析包括以下几步（1） 做一个标准的GLM分析（2） 从经过GLM分析后定义的一个源区域提取出BOLD信号。（3） 构成相互作用组（源信号*实验处理）（4） 再做一个包括相互作用组的GLM分析，源区域提取的信号和设计矩阵的实验向量，源区域所提取信号的内在东东

7、与实验矩阵的内在东东都很类似，它们都包含了方差分析的主成分影响因子，为的是在交互作用组里做出推导。由于FMRI（BOLD）数据的独一无二的特性（最基本的神经信号是通过一个血液动力学反馈函数处理成卷积的形式），所以构建一个合适的交互作用组被证明是一件相当具有挑战性的事情。然而，在大脑中交互作用组发生交互作用是在神经的层面上而非血液动力学的层面上，因此，交互作用组所适合的模型就要求非直接测量的神经信号，但替代方又必须被经过卷积的高通滤波器所导出的，这个PPI软件（spm_peb_ppi.m）就是为了提供这个经过高通滤波而具有鲁棒性的反褶积和交互作用组之间正确的推导而生的。33.3实际例子在这个例子

8、中的所有数据集都是来自报告中所提到的一个被研究的被试，你可以从SPM的网站上下载到可用的“和动作有关的注意”的数据集，这个我们在前面的DCM的一章中已经对其进行了详细的描述。使用PPI的目的就是为了检查当在注意或者不注意点的移动速度的条件下，被试观察在视觉层面上的运动（不断移动的点）所产生的在V2与V5区有效连接的变化，这个心理生理交互作用分析可以被设想成为在不同的关注水平下，寻求与V1和V5激活区域的回归线的斜率之间的显著不同。33.3.1 GLM分析设计的初始化与估计备注：该数据集已经经过早期版本的SPM软件的预处理了（经过配准，标准化与平滑）1. 分析的目录应该包括(a).一个叫func

9、tional的目录，其中应该要包含有经过预处理的fmri的文件。(b).一个叫structural的目录，其中包含有一个T1结构像的文件(c).其他若干文件：factors.mat，block_regressors.mat，multi_condition.mat和multi_block_regressors.mat(d).你也要新建两个空文件夹来为接下来的GLM分析做准备，这两个空文件夹一个叫GLM,一个叫PPI。2. 在matlab命令行中输入>>cd GLM>>spm fmri3. 点击batch按钮打开Batch系统。4. 从Batch窗口的SPM菜单选项中，点击

10、stats选项，然后选择FMRI Model specification模块，Estimation模块和Contrast Manger模块。FMRI Model specification模块参数设置5. 点击目录并选择上面你刚才新建的GLM文件夹。6. Units for Design SCANS7. Interscan interval 3.228. Microtime resolution 169. Microtime onset 110. 点击DATA&DESIGN，然后选择NEW：SUBJECT/Session11. 点击SCAN并且选择所有的功能像snffMoo587_00

11、xx.img，应该一共有360个文件。我的问题：我们的使用是基于任务而不是想这个例子是基于BOLD，那么这上面Interscan interval 3.22里面所填的数值是不是要改为0，其他的选项是不是也要进行相应的修改。12. 这个实验的conditions可以被单个地定义来输入或者导入一个multi_condition.mat文件，这个给你来练习的案例显示了出于教学目的的所有操作方法，但是当你做真正意义上的分析时，可以参考以下两种方法中的任意一种。13. 单个地定义conditions加载包含单个条件的mat文件>>load factors.mat你可以在matlab命令行输入

12、变量名就可以看到加载的变量（stat代表stationary，natt代表no attention，att代表attention）>>stat>>natt>>att14. 点击conditions，然后在下面的选项中点击NEW：condition 3次15. Condition 1：Name=stationary。Onset=stat，Durations=10.16. Condition 2：Name=No-attention。Onset=natt，Durations=10.17. Condition 3：Name=attention。Onset=att，D

13、urations=10.18. 下一步你将会输入3个回归量到Model block effect。这个将说明出这样一个事实，实验产生了4个运行，这4个运行已经连接到一个单任务，从而让PPI分析更容易。注意，4个任务中只有3个任务需要通过block回归量来进行模型化，因为第4个事已经用设计矩阵的平均量模型化了。首先加载回归量19. 点击Regressors，然后在当前目录下点击NEW：Regressor 3次。20. Regressor 1：NEW=Block1，Value=block1。21. Regressor 2：NEW=Block2，Value=block2。22. Regressor

14、3：NEW=Block3，Value=block3。用multiple condition文件与Multiple regressor文件定义condition我的问题：我记得我们实验中好像没有regressor这个文件，都是用系统默认的选项，在这一点上面是不是也要进行适当的修改？23. 假如你想要看看multiple condition文件中的变量，首先加载它。>>load multi_condition>>names>>onsets>>durations在多条件的文件中的所有变量必须要被命名：name,onset和duration这些类必须要填

15、入相应的变量名称，注意到这三个类地变量的矩阵是元胞数组。（注意：如果你有一个现成的multiple_condition的mat文件就可以略去上面这一步而直接加载，你也可以把multiple_condition的mat文件中的变量用键盘单个输入其中，效果是一样的）24为了在设计矩阵中利用到前面所说的多条件文件。点击Multiple conditions，然后在相应的文件夹中选择multi_condition.mat文件。25 下一步你将通过使用一个多回归量的文件来输入3个回归量到模型block影响因子中去，为了观察多回归变量文件中的具体情况，首先必须加载该文件。>>load mult

16、i_block_regressor.mat>>R注意该文件包含单一变量R，该变量是一个360×3的矩阵，矩阵的行数是与扫描的次数一致，同时，每个回归量都是单独一列。26如果要使用多回归量文件，请点击Multiple Regressors然后选择multi_block_regressor.mat文件。 完成设计矩阵的设置27.高通滤波（注意：大部分的设计矩阵的高通滤波值为128，然而，这个数据集要求一个更长的高通滤波，这是因为防止丢失设计矩阵的低频部分）28.因子设计的部分可以暂时不用。29.基函数是标准的高通滤波器，模型衍生选择NO DERIVATIVES30.模型的交互

17、作用函数(volterra)Do not Model Interactions31.全局标准化NONE32.利用覆盖的部分None33.序列相关AR(1) 模型估计在Model Estimation下方点击spm.mat文件，然后点击Dependency按钮，同时选择Fmri Model Specificaition：spm.mat文件，方法用默认的Classical就行了。对比管理35.在contrast manager选项下选择spm.mat文件。然后点击Dependency按钮，同时选择fmri model specification：spm.mat文件。方式选择“Classical”。

18、36.点击Contrast Vectors 同时第一次选择NEW：F-contrast，第二次再从当前菜单中选择NEW：T-Contrast。37.点击 Contrast Vectors 同时选择NEW：F-contrast vector38.F检验矩阵里面可以输入单位矩阵和全零矩阵eye(3),zeros(3,4),如下所示1 0 0 0 0 0 00 1 0 0 0 0 00 0 1 0 0 0 039对于第一个T检验来说，NAME可以设置为Attention，并且T检验的矩阵为0 -1 1 0 0 0 0（注意到在设计矩阵中条件的设置顺序应为：Stationary，NoAttMot和At

19、tMot）40对于第二个T检验来说，NAME可以设置为Motion，并且T检验矩阵是-2 1 1 0 0 0 041点击工具条上的保存按钮，同时保存为batch文件我的问题：F检验矩阵里面可以输入单位矩阵和全零矩阵eye(3),zeros(3,4)中矩阵数值代表什么意思？T检验的矩阵的为0 -1 1 0 0 0 0又是根据什么规则来设计的？设计矩阵估计42假如所有的设置已经被正确输入后，Run按钮应该会变成绿色的，点击Run按钮来估计矩阵。43设计矩阵应该如图33.7所示33.2 GLM 分析结果1.点击RESULT按钮同时选择spm.mat文件2.选择Attention对比3.是否用其他的对

20、比来覆盖No4.标题命名Attention5.是否采用p值调整来控制None6.阀值T或者p值0.00017.体素的阀值范围108.你应该看到图33.8这样的spm矩阵的图像，注意到前顶骨和前额叶的激活。选择OVERLAYS>SECTIONS，然后选择标准化的结构像，你应该能够可以更精确地来定义解剖学。9.你可以看到Attention的Motion的对比与No Attention的Motion的对比要更加明显了。点击RESULTS，选择spm.mat文件同时选择Motion对比。10.采取(其他区域来)覆盖吗？Yes11.选择用覆盖的区域来做对比：Choose the Attention

21、 contrast12.未校正的覆盖区域的p值0.0113.覆盖的区域的属性：inclusive14.生成的比较文件的文件名：（默认就行了）即Motion(maskincl.by Attention at p=0.01)15.通过调整的p值来控制：FWE16.阀值T或p值0.0517.体素阀值的范围318.在透明脑内被覆盖的motion检验如下所示我的问题：使用FEW的方法的P的调整是否过于严格，经过FEW调整后设置的p值0.05都会看不到什么激活的区域图像，是否可以换成none。33.4 GLM分析提取感兴趣的区域.(VOI)1.首先选择Motion检验，但是不要包含masking。用一个经

22、过FEW调整的校正的p值，该p值的权重阀值为0.05，阀值cluster为32.选择点15 -78 -93.点击eigenvariate4.区域名V25.为调整数据effect of interest6.VOI定义sphere7.VOI半径(mm) 6这一步将把提取出的VOI数据保存在工作路径下的VOI_V2_1.mat文件并且同时显示出来，左边的部分显示了在标准脑中的具体位置。右边部分则显示出提取来的首个本征值(线代用语)33.5 PPI分析新建PPI变量1.你可以通过点击窗口上的SPM菜单或者从SPM界面选择PHYSIO/PSYCHOPHYSIOLOGIC菜单项目>statas me

23、nu of the Batch EDITOR。这个例子应用了批处理编辑2.在GLM目录下选择SPM.mat文件3.分析的类型：选择PSYCHOPHYSIOLOGIC INTERACTION4.选择VOI：选择VOI_V2_1.mat文件5.输入变量与校验权重：他们必须被定义为一个n×3的矩阵，n为包含在PPI条件的数目，矩阵的第一列表示的是spm.sess.U(i)，矩阵的第二列表示的是spm.sess.U(i).nameii，除存在的参数的影响，否则第二列通常都是1.而矩阵的第三列是表示是检验的权重。为了在PPI中能够包含AttentionNo-attention，回忆起前面所输入

24、的条件：Stationary。No-attention，Attention因此，该矩阵应写成2 1 -1;3 1 16.PPI的文件名V2×(Att-NoAtt)7.显示结果：Yes我的问题：上面的第5个序列中那个定义的n×3的矩阵第一列，第二列所表示的意义？几秒钟后PPI的结果应该可以计算出来同时你也会看到一个很多曲线的窗口，在窗口的左上角，PPI计算设置的所有信息都一清二楚，其中包括所选择的VOI文件。所包含的条件以及他们的检验权重，中央图形中的蓝色曲线所显示的是最初的BOLD信号(实际上就是本征值)，而神经信号或者说卷积的信号用绿色曲线表示，这些曲线与block的设计

25、矩阵看上去是十分类似的，而在左下方的图形显示的是任务的条件曲线，用绿线表示，另外还有这个卷积的任务条件曲线(psych变量)。在右下方则显示的是PPI相互作用的曲线对PPI的计算将在当前工作路径下生成一个PPI_V2×(Att-NoAtt).mat文件，这个文件内包括变量PPI.ppi(相互作用组).PPI.Y(最早的VOI本征值变量)和变量PPI.p(Attention-No Attention 任务矩阵)，你将会在设置你的PPI的GLM分析时用到这些矩阵，仔细观察spm_peb_ppi文件，你将会看到PPI数据结构的所有描述。33.5.1 PPI GLM analysis设计矩阵

26、的设置与估计1.复制文件PPI_V2×(Att-NoAtt).mat到你在做这例子开始前就新建好的PPI路径下2.换一个新的路径：cd PPI3.在Matlab命令行中>>load PPI_V2×(Att-NoAtt).mat4.在这个BATCH EDITOR中，正如你上文已经做的那样，通过选择FMRI MODEL SPECIFICATION和CONTRAST MANAGER这些模块，然后按照下面的方法来设置这些模块5.路径：选择PPI文件夹6.设计矩阵单元：scans7.扫描间隔时间：3.228.在DATA&DESIGN下添加一个新的：SUBJECT/

27、SESSION9.点击SCANS并且选择所有的功能像扫描snffM00587_00xx.img文件，一共应该有360个文件。10.点击NEW：REGRESSOR并且新增6个回归量11.回归量1：NAME=PPI-interaction。VALUE=PPI.ppi12.回归量2：NAME=V2-BOLD。VALUE=PPI.Y13.回归量3：NAME=Psych_Att-NoAtt。VALUE=PPI.P14.回归量4：NAME=Block1。VALUE= block115.回归量5：NAME= Block2。VALUE= block216.回归量6：NAME= Block3。VALUE= bl

28、ock317.高通滤波192模型估计18.在MODEL ESTIMATION选项下点击SELECT SPM.mat，然后再点击“DEPENDENCY”按钮。同时选择MODEL ESTIMATION:SPM.MAT文件检验管理19.在CONTRAST MANAGER点击选择spm.mat文件，然后点击“DEPENDENCY”按钮。同时选择MODEL ESTIMATION:SPM.MAT文件20.点击CONTRAST SESSIONS然后再点击NEW：T-CONTRAST21. T-CONTRAST，NAME：PPI-Interaction，矩阵：1 0 0 0 0 0 022.保存批处理文件23

29、.运行设计矩阵如下所示检验管理19. 在CONTRAST manager点击选择spm.mat 文件，然后点击Dependency 按钮，同时选择Model Estimation：spm.mat file。20. 点击Contrast Sessions然后再点击New：T-Contrast21. T-Contrast Name：PPI-Interaction ，矩阵：1 0 0 0 0 0 022. 保存批处理文件23. 运行设计矩阵如下所示：33.5.2 PPI分析结果1. 点击Results按钮，同时在PPI文件路径下选择spm.mat 文件2. 选择PPI- Interaction 检验

30、3. 使用覆盖 No 4. 设定对比文件名 PPI-Interaction5. 校正的P值来控制：None6. 阀值T或P值：0.017. 体素阀值的范围108. 这时看到的spm图形应该和正文中图33.15最上方的那部分一模一样，spm结果显示，由于attention 和no attention不同条件的影响，一些激活区域显示相对于V2区域的不同连通水平。33.5.3 PPI分析绘图1. V5区域显示了心理生理交互作用（PPI），在该项中是位于坐标39 -72 0的位置，移动光标到这一点可以观察这一激活区域，如图33.15所示。2. 为了绘制出显示受到attention 条件影响的PPI图形

31、曲线，需要从V5区域提取出VOI Voxels of interesting 为了达到这个目的，要回到先前的GLM分析过程中去。3. 点击Result，然后选择GLM来分析SPM.mat和选择Motion 检验。4. 使用覆盖 No5. 比较之后的文件名Motion6. 校正的P值来控制：None7. 阀值T或P值：0.0018. 体素阀值范围39. 指向点的坐标位置：39 -72 010. 点击Eigenvariate 11. 区域的命名：V512. 为。 校正数据 effect of interest13. 定义VOI Sphere14. VOI半径（mm）:615. 现在将生成4个PPI

32、s文件，可以通过PPI的自动化软件来新建交互矩阵，而不是用行为向量来乘以从V2区与V5区中提取出来的本征值所得的的结果，这样就能生成正确的PPI矩阵了。（这句话可能有点难理解，我也是理解半天之后才明白作者的意思的，就是我们通过了这一步已经在PPI文件夹里面生成了VOI_V2_1.mat和VOI_V5_1.mat两个文件，那么我们就要做16，17，18，19来四步来生成四个PPI的文件分别是 V2 *NoAttention， V2 * Attention， V5 * NoAttention， V5 * Attention。我们现在要做的就是点击SPM界面上的PPIs按钮，我就拿生成V2 *NoA

33、ttention这个PPI文件作为一个示例，点击之后，就会有个选择框要你选择一个spm.mat文件，那我们就选择GLM文件下的那个spm.mat文件，记住不要选错了选到PPI文件夹里面的那个spm.mat文件，选好之后就会出现一个下拉菜单，要你选择analysis type,我们就选择第二个选项Psychophysiologic interactions，接下来又出现一个选择框，要我们选择VOI，因为我们这个PPI文件是V2 *NoAttention，所以我们选择VOI_V2_1.mat文件），接下去要选择是否包括Stationary ，选择no。然后又问你是否包括 NoAttention，我

34、们选择yes，选择yes之后它会要你选择权重，我们在这里就直接输入1，接下来又会问你是否包括Attention，选择no，接下来又要输入PPI的名称，当然就写V2 *NoAttention咯；回车之后就生成了一个 PPI_V2*Attention.mat文件，以此类推我们就能做出其他3个V2 * Attention ，V5 * NoAttention ，V5 * Attention PPI文件了）16. V2 *NoAttention （利用V2区的VOI和包括带有检验权重为1的No-Attention，但不包括Stationary 和Attention）17. V2 * Attention （利用V2区的VOI和包括带有检验权重为1的Atten