| 图源

  任务态和静息态是大脑的两种状态，前者主要是指大脑在执行记忆、识别以及运动等具体任务时的状态，静息态则是指大脑不执行具体认知任务、保持安静、放松、清醒时的状态，是大脑所处的各种复杂状态中最基础和最本质的状态。任务态fMRI分析有非常悠远的历史，而静息态fMRI自1995年biswal教授及其同事率先报告静息态fMRI具有生理意义后，越来越多的人进入了静息态的研究领域。任务态fMRI主流的分析方法是模型驱动（GLM+HRF），也可以引用静息态fMRI分析方法。静息态fMRI分析方法是数据驱动的，常见的有功能连接（FC）分析——上篇文章介绍，局部一致性（ReHo）分析，低频波动振幅（ALFF）分析——本文介绍。FC、ReHo、ALFF都是描述fMRI影像非常有用的特征。

  原创不易，转载请注明出处

copyright © 意疏：https://blog.csdn.net/sinat_35907936/article/details/118264261。初学小白，如有错误，还望不吝指出。

  任务态和静息态是大脑的两种状态，前者主要是指大脑在执行记忆、识别以及运动等具体任务时的状态，静息态则是指大脑不执行具体认知任务、保持安静、放松、清醒时的状态，是大脑所处的各种复杂状态中最基础和最本质的状态1。研究表明，在大脑消耗的全部能量中，静息态的能量消耗，要远远高于与任务相关的神经元代谢增加，如果只研究任务态，那我们获取的关于大脑的知识将是非常有限的2。所以，自1995年biswal教授及其同事3率先报告静息态fMRI具有生理意义后，越来越多的人进入了静息态的研究领域。

  任务态fMRI（task-fMRI），就是在大脑执行具体任务时的fMRI影像，其基于很强烈的模型假设，即在特定实验任务刺激的情况下，相对于没有该实验任务刺激（基线baseline——往往是静息态）时，某些大脑区域的fMRI（BOLD）信号会发生显著变化（激活），且信号变化符合HRF函数。在采集task-fMRI数据之前，需要精细的实验设计——需要知道任务是什么，基线是什么，任务什么时候开始，持续多长时间，任务与基线交替几次等等，实验设计是task-fMRI的灵魂。如图12上面那幅图所示的就是一个睁眼闭眼任务的简单实验设计范式，睁眼是任务（这里不知道有木有给被试看什么东西，比如动画片什么的），闭眼是基线，它们开始的时间，持续的时间，交替次数都可以从图中看到。

  task-fMRI之所以需要精细的实验设计，首先是因为它是模型驱动的，如果实验设计都很粗糙，做出来的结果可能也粗糙，其次就是在采集task-fMRI数据时，基线数据和任务数据是交替混在一起的，在分析task-fMRI数据时，我们需要准确的时间信息才能用基于模型（GLM，广义线性（回归）模型+HRF）的数据分析方法，分别得到每个体素的fMRI（BOLD）信号与任务信号（睁眼闭眼任务中为：0 1 0 1 0 1 0 1 0 1 0）和基线信号（睁眼闭眼任务中为：1 0 1 0 1 0 1 0 1）的相似程度 β 1 β 2 \beta_1 \beta_2 β1​β2​，如果某个体素的BOLD信号与任务信号变化很相似，如图1上图的紫色线与蓝色线，那么该体素对应的 β 1 \beta_1 β1​就会很大，表征该体素与该任务很相关。

  最终得到的 β 1 \beta_1 β1​和 β 2 \beta_2 β2​都是三维的，且与大脑位置对应的volume，比较两者的差异就可以得到，与基线相比，和任务显著相关的大脑区域(激活区域，活化区域)，如图1上图中的红黄色区域——初级视觉皮层区域。如果再进一步比较不同群体在该任务上激活区域上的差异，就可以分析疾病，发育，认知等课题。task-fMRI主流的分析方法是GLM+统计检验，当然也可以引用静息态的分析方法。

  静息态fMRI（rs-fMRI），就是大脑不执行具体认知任务、保持安静、放松、清醒状态时的fMRI影像。静息态fMRI不需要实验设计，也没有假设，如果你去扫描过数据，你一定会对这样的指导语印象深刻：“接下来的一段时间，你只需要闭上眼睛休息，保持头部不动，也不要睡着了”，这是扫静息态数据时常见的指导语。人在做任务的时候是很专注的，但是在休息的时候就比较天马行空了，所以扫静息态时被试可能会想起昨天看的一部电影，可能会计划扫描后用赚到的被试费到去哪里吃美食，可能会想晚上约会穿什么衣服，也可以因为想到明天考试而瑟瑟发抖，等等，不能发抖，一会头动过大，还得重新扫。总之，我们并不清楚被试在扫描仪里面想什么，他们可能想了一件事情，也可能想了多件事情，或许所谓的静息态，就是多种任务之间的转换呢？另外，值得注意的是，有的静息态扫描可能是要求被试睁眼的，这相比于闭眼扫，视觉区信号可能会偏高。

  rs-fMRI分析是数据驱动的，也会用到GLM，不过这里是用来回归（去除）干扰因素（协变量，如头动）的。它的分析方法主要集中描述大脑的协同性和自发活动，如功能连接——描述不同脑区之间的协同性，ReHo（局部一致性）——描述相邻体素区域的活动步调的一致性，低频波动振幅（ALFF）——描述单个体素区域的活动强度，它们都是描述静息态影像的重要特征。最后，说一下图1下图，它表明在静息状态下，BOLD信号也是有很强波动的，其中应当含有生理意义。

copyright © 意疏：https://blog.csdn.net/sinat_35907936/article/details/118264261。初学小白，如有错误，还望不吝指出。

  Regional Homogeneity (ReHo4，局部一致性或者区域一致性)，在于描述给定体素的时间序列（BOLD信号）与其最近邻体素的时间序列（BOLD）的相似性，ReHo认为，当大脑功能区域涉及特定条件时，该区域内的体素在时间上更均匀，是一个经过验证的较为可靠rs-fMRI特征。最近邻像素一般是取如下图5所示的三种，形成7、19或27个体素形成的簇，然后在这些簇上计算相似性。

  一致性描述用肯德尔一致性系数(Kendall s consistency coefficient, KCC)，它可以度量一个多个序列步调的一致性趋势，是一种排序等级上的一致性。ReHo用它还度量一个簇内多个时间序列相似性，如果时间序列步调一致，那么KCC会接近1，即ReHo接近1，反之则会靠近0，即ReHo靠近0。

     ReHo的计算方法与计算过程如图35,6所示，左边是三个体素的简化BOLD信号，右边是BOLD信号的排序和KCC计算过程。注意到KCC计算不是用原本的BOLD信号，而是用的原本信号的排序等级序号。以图3的上半部分图表的第一行为例，该体素第三个时间点的信号最小，故排序序号为1，第5个时间点第二小，排序序号为2，以此类推，第4个时间点最大，排序序号为5，由此时间序列13.8、12.3、10.2、16.4、11.5就转换成了排序序列4、3、1、5、2，其他行也做相同转换。可以发现转换之后，虽然之前三个体素BOLD信号是不同的，但是他们的排序完全却是一致的，表明他们的KCC为1。

  关于KCC计算， R i R_i Ri​为第 i i i个时间点上，一个簇中所有体素的等级之和，如上图上半部分图表中 R 1 = 4 + 4 + 4 = 12 R_1=4+4+4=12 R1​=4+4+4=12。S是 R i R_i Ri​的方差，如果等级序列越同步，方差越大，如果等级序列越随机，则方差越小。K是参与计算的邻域大小，即簇大小。n是序列长度，即时间点数。

  每个体素都会和其邻域计算一次ReHo，所以最后得到的ReHo是一个三维的，且与大脑位置对应的volume，如图4所示。通过它，我们可以做进一步的分析，如统计检验、机器学习等。

  ReHo在描述区域内的一致性，功能连接FC在描述区域之间的同步性，它们都没有直接描述某区域大脑活动的强度，即无法进行活性检测。Amplitude of Low Frequency Fluctuation（ALFF，低频波动振幅）则揭示了区域自发活动的 BOLD 信号强度。Biswal 教授及其同事31995年首先报告说，fMRI 中的自发低频 (0.01–0.08 Hz) 波动 (LFF) 在静息时左右初级运动皮层之间高度同步。所以一般认为低频 (0.01–0.08 Hz)基本是神经信号，低于0.01Hz是低频漂移，高于0.08Hz是生理噪声——呼吸、心跳。不过在dpabi上默认的LFF频率是0.01-0.1Hz，应该有文章支持这个上限，笔者暂时没有关注到。振幅是由BLOD信号功率谱的平方根求和再取平均得到的（均方根）。

  ALFF的提取过程如图57所示，先对fMRI进行预处理（A），接着用带通滤波器去除低频波动（LFF）（B），对低频波动求傅里叶变换，求其功率谱（C），由于功率谱是与振幅的平方成正比的，所以接着求了功率谱的平方根（D），对功率谱求和再除时间点数取平均（E），最后使用全脑平均ALFF再做了一个归一化。每个体素都会算一次ALFF，所以它同样是一个三维的volume。

  ALFF在前人报告的，在静息态活性更高的区域如默认网络（PCC）、显著高于大脑其他区域，这表明ALFF可以捕捉到神经活动强的区域，但它也在鞍上池（SC）或大血管附近显著更高，这些地方应该神经活动应该是极少的，表明 ALFF 对生理噪声很敏感。对生理噪声敏感，是可以预见的，因为在计算ALFF时，虽然只选择了低频(0.01-0.08 Hz)信号，但是没有任何证据表明，生理噪声在某些地方不能有很强的低频(0.01-0.08 Hz)成分。

  为了降低ALFF 对生理噪声的敏感性，并提升其检测自发脑活动的灵敏度和特异性，ALFF作者在其基础上，用ALFF与全部频率的功率谱均方根的比值——低频范围(0.01-0.08 Hz)功率谱均方根与整个频率范围内(0-0.25 Hz)功率谱均方根比值，就得到了（fALFF，分数低频波动振幅），由于要除以整个频率范围，所以求fALFF前不能带通滤波。

  如果想用这个方法降低ALFF 对生理噪声的敏感性，并提升其检测自发脑活动的灵敏度和特异性，笔者觉得需要满足一个假设——神经活动强的区域，低频范围(0.01-0.08 Hz)的幅值要显著高于其他频率范围，生理噪声强的区域，其他频率范围的幅值要显著高于低频范围(0.01-0.08 Hz)的幅值。如图6所示8，PCC与SC的信号显然都满足假设，所以ALFF与整个频率范围内功率谱均方根的比值，可以弱化SC区域的低频(0.01-0.08 Hz)信号幅值，而增强PCC区域的低频(0.01-0.08 Hz)信号幅值。

  虽然fALFF对ALFF有改进，但是也天然会存在错误的情况，所以一般会同时算fALFF与ALFF，然后综合考虑两者或者取效果好那种。

  我们可以用Dpabi（DPARSFA），如图7右，或者REST工具，如图7左，很简单的提取fMRI的ALFF\fALFF特征，无需多言。以上，如果本文对你有帮助，不要忘了一键三连哦。

copyright © 意疏：https://blog.csdn.net/sinat_35907936/article/details/118264261。初学小白，如有错误，还望不吝指出。

https://wenku.baidu.com/view/9f038179998fcc22bcd10db1.html. ↩︎

http://www.tmslab.org/publications/744.pdf. ↩︎ ↩︎

https://mriquestions.com/uploads/3/4/5/7/34572113/biswal_resting_state.pdf. ↩︎ ↩︎

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.419.8611&rep=rep1&type=pdf. ↩︎

https://www.ym.edu.tw/~cflu/fMRIanalysis_Class09_CFLu.pdf. ↩︎ ↩︎

https://www.bilibili.com/video/BV1mK4y1N7ZS?p=17. ↩︎

http://nlpr-web.ia.ac.cn/2007papers/gjkw/gk38.pdf. ↩︎

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3902859/. ↩︎