【入门且详细！fMRI信号预处理操作流程笔记】SPM12版

### 如何在 fMRI 数据分析中进行回归以去除干扰信号 在 fMRI 数据分析过程中，为了减少非神经元波动的影响并提高数据质量，通常会对平滑后的数据进行协变量回归。这一过程旨在从每个体素的时间序列中移除可能由生理性噪声或其他因素引起的干扰信号[^4]。 具体而言，常见的干扰信号包括白质信号、脑脊髓液(CSF)信号以及头部运动参数等。这些信号可能会引入伪影或掩盖真实的血氧水平依赖 (BOLD) 信号变化。因此，在数据分析阶段，会构建一个线性模型来描述时间序列中的潜在干扰成分，并通过多元回归的方法将其从原始数据中剔除。 以下是实现该目标的技术细节： #### 构建协变量矩阵 1. **提取干扰源信号**: 需要先从感兴趣区域(ROI)之外的其他结构（如白质和CSF）中提取平均时间序列作为干扰信号代表。这一步骤可通过自动分割工具完成，例如 FreeSurfer 或 FSL 的 FAST 工具。 2. **加入头部运动参数**: 头部微小移动也可能引起显著的数据偏差。一般情况下，六自由度刚体变换参数（三个旋转角度和三个位移向量）会被纳入协变量矩阵中用于校正这种影响。 3. **扩展模型复杂度可选操作**: - 对上述提到的基础项做多项式延展或者其一阶导数补充以便更好地捕捉快速变动部分； - 如果存在心跳周期同步采集，则还可以考虑心率呼吸相关联的变化模式进一步增强去噪效果。 #### 执行多元线性回归 一旦准备好了完整的协变量集合之后，就可以利用统计软件包执行实际计算工作了。这里给出一段 Python 示例代码展示如何基于 Numpy 库来进行简单的回归运算: ```python import numpy as np def remove_nuisance(data_matrix, nuisance_regressors): """ Perform linear regression to remove nuisance signals from data. Parameters: data_matrix : array-like of shape (n_voxels, n_timepoints) The preprocessed fMRI time series. nuisance_regressors : array-like of shape (n_timepoints, n_regressors) Matrix containing the nuisance regressor variables. Returns: cleaned_data : ndarray of shape (n_voxels, n_timepoints) Time-series with removed effects due to nuisances. """ # Add intercept term for constant offset correction X = np.column_stack((nuisance_regressors, np.ones(nuisance_regressors.shape[0]))) beta_hat = np.linalg.lstsq(X.T @ X, X.T @ data_matrix.T, rcond=None)[0].T predicted_signal = X @ beta_hat.T residual = data_matrix - predicted_signal.T return residual ``` 此函数接受两个输入参数：一个是包含所有体素时间序列的大规模数组 `data_matrix`；另一个是由各种已知干扰因子构成的小型设计阵列 `nuisance_regressors`. 输出结果将是经过净化处理后的新版大脑活动记录表单形式呈现出来。 值得注意的是，尽管这种方法能有效降低某些类型的噪音污染程度，但它同时也可能导致丢失少量有用的信息内容。所以在应用之前应当仔细权衡利弊关系，并且始终保留未经任何修改过的初始资料副本以防万一需要回溯审查之用。 ---