老师，想请教您2个关于ALFF的问题

Submitted by cappuccinoxt on
老师，你好！ 我现在在学习ALFF，在数据处理过程中遇到了一些问题，希望得到答案。谢谢您答疑解惑。 1. 被试数据扫描时间不同，在一次扫描过程中，有的被试是185volumes，而有的是200volumes。臧老师07年发的Brain Development文章中在遇到此类问题时的处理办法是：将具有200个volumes的被试的最后15个volumes去除，将所有被试的volume数保持相同，都为185volumes，然后进行下一步的分析。我想问的是，不去除这15个volumes可以嘛直接计算每个个体的ALFF map可以嘛？如果必须去除，原因又是什么？ 2. 关于smooth的问题：现有关于ALFF分析的文献中，在数据预处理步骤中，有的文献做了smooth，有的没有，请问smooth是在什么情况下做；还有就是，ReHo要求进行统计分析前必须对mReHo进行smooth，在对ALFF统计分析前，还需要对mALFF平滑吗？

ZHANG_RESTadmin

Tue, 12/27/2011 - 12:48

Permalink

时间点不同，得到的频谱的分辨率也不同，但是这种差不多时间点的情况，频谱分辨率差不太多。 我认为去不去对做ALFF结果影响不大，因为ALFF计算0.01-0.08Hz内的振幅的平均值。 去除前面几个时间点是有必要的，因为要考虑到fMRI信号的稳定和被试的稳定。 但是没有必要为了保证一致而去除不同的时间点————当然，一致的话最好。 预处理现在smooth不smooth没有定论。 有的人说不平滑也能达到和平滑一样的好处（高斯性假设） 但是平滑可以将配准误差减小，而且可以去噪。建议在预处理里还是做一下。 建议先平滑，mALFF图像应该大体服从正态性假设（REST今后版本会有验证是否服从正态性这个功能）因此没有必要再平滑了。

 老师，您好！
 非常感谢您之前的解答。我对ALFF的理解是，ALFF可用于衡量每个体素在0.01~0.08Hz频率段的平均振幅的波动大小，实现的过程是通过FFT变换将时间域信号变化到频率域计算功率谱得到。我的疑问是，既然是计算信号的振幅，直接对时间域经过滤波（0.01~0.08Hz）的信号序列做积分是否也可以得到相类似的结果，因为积分不是“相当于求和”？
谢谢老师。

这是一个非常好的问题。我请教了刘东强博士：FFT的时候，均值被减掉了，这样，与对原始序列积分似乎有不同。我认为，对原始时间序列的每一个时间点，减去时间序列的均值之后求绝对值、然后求和，似乎与ALFF是一样的。这与标准差非常相似。我们当时提出ALFF的概念时，对这些问题没有仔细考虑。由于BOLD信号是一个相对值，因此，当时我们考虑用ALFF的全脑均值进行标准化。

 求绝对值积分与标准差会有差异。即直接累加绝对值，还是先求平方和再开方。
另位，如果关心标准差的话，可以看一下RSFA -- Kannurpatti & Biswal (2008)
本质上是很相关的，对于某个频率成份来说，
x1=0.7*sin(2*pi*t*5)
std(x1) is 0.7*sqrt(2)/2 = 0.495.
但更复杂的情况，可能会复杂一些。

被试与被试的时间点不同，是一个混杂因素，应该尽量保持一致。 平滑通常是要做的，一方面是分布更正态化，另一个是减小被试之间空间的变异，因为空间标准化或空间配准之后，被试之间的空间变异仍然是有的。对于ReHo，由于计算ReHo时考虑到了相邻体素的相似性，也就是说，得到的某个体素的ReHo值，是27个体素的值，相邻体素的ReHo值显然有相似性，相当于一种平滑效果，所以，在ReHo图上平滑，与不平滑相比，差异可能不如ALFF的平滑与否的差异那么大。

谢谢您的回复。 1.我现在使用的dparsf 版本为：DPARSF_V1.0_100510，在进行“regress out nuisance covariance”处理数据时，并没有对白质、全脑和脑积液模板进行重切，直接使用dparsf的默认模板，matlab运行时也没有报错。我的疑问是：dparsf会自动按照预处理图像的维数自动重切白质、全脑和脑积液模板吗？ 2.我在进行Functinonal analysis时，根据已有文献研究定义了8个ROI，现在想对这个8个ROI做ROI-wise analysis。阅读文献时我注意到voxel-wise anasis分析前通常都会去除数据的confounding effects （regress out nuisance covariance）。想请问老师，在做ROI-wise analysis时，还需要对数据去除confounding effects 吗？ 感谢您耐心的解答。 cappuccinoxt

1. 如果是用的DPARSF2.0以上的advanced edition，才会自动重采样。如果没有报错，那么可能本身你的数据维数与mask一致（61x73x61。 2. 做ROI-wise与做Voxel-wise的前处理基本是一致的。
Forums
Discuss